Les troubles visuels évitables ou non diagnostiqués, ainsi que la cécité, touchent des milliards de personnes à travers le monde. Les modèles automatisés de détection multi-maladies offrent un potentiel considérable pour atténuer ce problème grâce à un soutien décisionnel clinique dans le diagnostic. Dans ce travail, nous proposons une nouvelle chaîne de détection multi-maladies pour l'imagerie rétinienne, qui exploite l'apprentissage par ensemble (ensemble learning) afin de combiner les capacités prédictives de plusieurs modèles de réseaux de neurones convolutifs profonds hétérogènes. Notre pipeline intègre des stratégies de pointe telles que le transfert d'apprentissage (transfer learning), le pondération des classes, l'augmentation en temps réel des images et l'utilisation de la perte focalisée (Focal loss). En outre, nous avons intégré des techniques d'apprentissage par ensemble, notamment des modèles profonds hétérogènes, la méthode de bagging basée sur une validation croisée à 5 plis, ainsi que des modèles de régression logistique empilés (stacked logistic regression). Grâce à une évaluation interne et externe, nous avons pu valider et démontrer une haute précision et une fiabilité remarquables de notre pipeline, ainsi qu'une performance comparable à celle d'autres chaînes de pointe pour la prédiction des maladies rétiniennes.