用于阿尔茨海默氏病病理的高光谱图像指导的RAMAN眼科成像仪的制作方法

交叉引用

本申请要求享有2017年11月27日提交的标题为“light-basedocularscannerfordetectionofalzheimer’sdiseasepathologies”的美国临时专利申请no.62/590,836的优先权的权益，其内容通过引用并入本文下面的具体实施方式中。

示例实施例一般而言涉及用于检测、定位和量化眼睛中与阿尔茨海默氏病相关的病理的眼科基于光的诊断检测器。

背景技术：

阿尔茨海默氏病(ad)是一种致命的神经退行性疾病。疾病确认通常在验尸后执行。一些现有的常规诊断系统涉及或者高侵入性规程，或者由于成本或复杂性而无法使用的成像设备，或者使用有害的放射性示踪剂。

一些常规的生物标志物方法被用于识别与ad相关联的病理学并被认为是辅助措施，其可以帮助临床医生在早期发现ad并将其症状与其它形式的痴呆症区分开。这些技术常常评估淀粉样蛋白的脑沉积或下游神经元损伤，并且包括例如：用于β淀粉样蛋白(aβ)和磷酸化taus(神经原纤维缠结(nft)的成分)的脑脊髓液(csf)测量，用于β淀粉样蛋白或氟脱氧葡萄糖(fdg)摄取(顶叶和颞叶的代谢分解)的正电子发射断层扫描(pet)成像，以及用于脑萎缩的磁共振成像(mri)。但是，这些技术中的许多技术具有高侵入性、缓慢(例如，要求外部实验室核实)、昂贵、复杂、难以获得或超出许多临床医生的训练，并且不足以识别ad的早期或无症状阶段。

一个目的是提供一种非侵入性的基于光的检测系统，其可被临床医生容易地操作和访问，以筛查患者群体以早发现与ad相关联的病理、诊断和跟踪患者对预防或治疗干预的反应。目的是在没有外源荧光剂、染料或示踪剂的情况下进行检测。

该系统的目的是检测眼睛的部分的化学成分的特定特点，以更具体地确定与ad相关联的病理。

技术实现要素：

示例实施例涉及一种用于检测眼睛中与ad相关联的病理的非侵入性眼科基于光的检测设备。该设备可以被用于眼底的部分(诸如视网膜)的光学检测。该设备是基于光的工具，其提供了可访问且非侵入性的规程，用于识别ad高危人群、诊断并跟踪治疗和干预效果。该设备使用两个成像模态，其中第一成像模态引导第二成像模态的操作。使用第一成像模态，该设备检测来自宽带光源反射和/或散射出视网膜的光，以确定要求进一步询问的一个或多个感兴趣区域(roi)的位置和尺寸。使用第二成像模态，该设备检测通过raman散射处理重新发射的光，该处理由传入到每个roi上的激光发起；这使得该设备能够检测raman光谱信息、以高特异性检测作为一个或多个与ad相关联的病理的化学成分的特点的一个或多个特定波数移位的计数。

该设备是一种用于检测一种或多种与ad相关联的病理的具有灵敏性和特异性的非侵入性工具，并且可以用于预筛查、诊断以及跟踪治疗和干预效果。用于非侵入式检测的常规光学方法会遭受特异性和敏感性的缺乏，或者可能依赖于外源荧光剂、染料或示踪剂。

两种成像模态被依次用于确定指示ad的与ad相关联的病理的存在。对于第一种成像模态，在示例性实施例中，使用光源(例如，宽带灯或单色、构图的光)来获取受试者视网膜的基于宽视场反射的图像。第一成像模态允许基于其物理特性检测异常区域，该异常区域可以是蛋白寡聚物或聚集体，并且识别一个或多个roi的位置和尺寸，然后使用第二光源(诸如单色激光器)通过第二成像模态进一步询问该异常区域。在示例性实施例中，单色激光器探测每个roi以查看是否使用raman光谱法实现了作为这些ad相关的病理学的化学成分的特点的一个或多个特定的波数移位。raman光谱法是检测蛋白聚集体或作为ad或ad的前兆的特点的其它特征的高度特异性的方法。在raman光谱中，感兴趣的目标(例如，蛋白聚集体或其它特征)通过重新发射(raman散射)作为化学成分的特点的光来响应单色激光器。这个raman散射光由该设备收集并进行光谱分析，以检测与ad相关联的病理的化学信号。

该设备不依赖外源荧光剂、染料或放射性示踪剂。它完全是非侵入性的，利用两种截然不同的成像模态，这两种成像模态可协同工作以产生与ad相关联的病理(诸如tau蛋白、可溶和/或不可溶β淀粉样蛋白物质、淀粉样蛋白前体蛋白(app)以及周围的神经和胶质细胞病理学和血管特点)的检测的高灵敏度以及高特异性。

在一些示例中，该设备使用机器学习算法来对设备进行操作以及对从受试者眼底(包括视网膜)获得的光学信息进行分类。该设备允许快速、非侵入性地对高危人群进行ad疾病的预筛查、诊断，并跟踪治疗和干预效果(阳性或阴性反应)。虽然目前视网膜中ad检测的许多非侵入性光学方法都依赖于使用外源性荧光剂，但该设备利用眼中的内源性光学对比和raman共振来进行与ad相关联的病理的高特异性检测，而无需使用外源荧光剂。

在一些示例中，机器学习算法由设备在两个步骤中实现：首先基于高光谱反射率信息识别感兴趣的区域，该信息被用于将raman光谱单元的激光引导至那些roi，其次根据从这些特定roi的询问返回的raman光谱并根据高光谱反射率信息对与ad相关联的病理进行分类。总之，这两种光谱学模态和机器学习算法共同产生高灵敏度、高特异性、非侵入性的设备，用于针对ad预筛查高危人群、进行诊断以及跟踪治疗和干预效果。

在一些示例中，使用经核实的训练数据对机器学习算法进行训练。可以通过比较来自已知患有ad的受试者的离体组织样本的相邻切片来获得经核实的训练数据。使用高光谱成像和raman光谱分析受试者的组织的一个切片，然后使用显微镜或其它成像模态通过组织学对相邻的切片进行染色和核实。当使用组织学对一个切片核实了ad病理时，可以使用高光谱成像和raman光谱在对应的位置处分析相邻的切片，因此可以将其用作用于机器学习算法的经核实的训练数据。

一种用于从受试者的眼睛检测一种或多种与ad相关联的病理的非侵入性体内眼科基于光的检测设备，包括：高光谱反射率成像单元，其包括宽带光源和高光谱相机；raman光谱单元，其包括激光器和光谱仪；存储器；以及一个或多个处理器，被配置为执行存储在存储器中的指令，以：控制高光谱反射率成像单元使用宽带光源照亮眼底的宽视场，并使用高光谱相机检测产生的来自眼睛的反射和/或反向散射光以确定高光谱反射率信息，根据高光谱反射率信息确定一个或多个roi为潜在的与ad相关联的病理，控制raman光谱单元使用激光器照亮一个或多个roi中的每一个，并检测从激光器产生的来自眼睛的raman散射光并使用光谱单元进行检测，用于确定raman光谱信息，并使用高光谱反射率信息和raman光谱信息将受试者分类为具有一种或多种与ad相关联的病理，一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

另一个示例实施例是一种从受试者的眼睛非侵入性地体内检测一种或多种与ad相关联的病理的方法，包括：控制高光谱反射率成像单元来使用宽带光源以照亮眼底的宽视场；使用高光谱相机来检测由宽带光源产生的来自眼睛的光，以确定高光谱反射率信息；使用一个或多个处理器，根据高光谱反射率信息确定一个或多个roi的位置，将其作为潜在的与ad相关联的病理；控制raman光谱单元以使用激光器照亮一个或多个roi中的每一个；使用光谱单元来检测由激光产生的来自眼睛的raman散射光，以确定raman光谱信息；以及使用一个或多个处理器，使用高光谱反射率信息和raman光谱信息将受试者分类为具有一种或多种与ad相关联的病理，一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

另一个示例实施例是一种通过机器学习训练处理的计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读介质中的指令，该指令在由计算机执行时使计算机执行从受试者的眼睛非侵入性地体内检测一种或多种与阿尔茨海默氏病(ad)相关联的病理，该机器学习训练处理包括：使用一个或多个处理器，使用经核实的训练数据来训练计算机程序，经核实的训练数据是通过以下操作获得的：将来自受试者的离体组织样本切成组织切片、将组织切片放在载玻片上、对第一载玻片的第一组织切片染色、提供具有与组织样本中第一组织切片相邻且未染色的第二组织切片的第二载玻片、使用组织学核实染色的第一组织切片具有一种或多种与ad相关联的病理、在第二载玻片上执行至少一种成像模态以获得成像信息，并将成像信息分类为一种或多种与ad相关联的病理，一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

另一个示例实施例是一种用于对存储在存储器中的计算机程序进行机器学习训练的方法，该计算机程序在由计算机执行时使计算机对来自受试者的眼睛的一种或多种与ad相关联的病理进行非侵入性体内检测，该方法包括：使用一个或多个处理器，使用经核实的训练数据训练计算机程序，经核实的训练数据是通过以下操作获得的：将来自受试者的离体组织样本切成组织切片、将组织切片放在载玻片上、对第一载玻片的第一组织切片染色、提供具有与组织样本中第一组织切片相邻且未染色的第二组织切片的第二载玻片、使用组织学核实染色的第一组织切片具有一种或多种与ad相关联的病理、在第二载玻片上执行至少一种成像模态以获得检测信息，并将检测信息分类为一种或多种与ad相关联的病理，一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白；以及将经训练的计算机程序存储到存储器。

附图说明

现在将通过示例参考示出示例实施例的附图，其中：

图1以示意性形式图示了根据示例实施例的用于检测眼睛中的ad病理的非侵入性眼科基于光的眼睛检测设备。

图2图示了图1的设备的接口单元的侧面示意图。

图3图示了图1的设备的raman光谱单元的俯视示意图。

图4示出了死后ad患者未染色的、福尔马林固定的、石蜡包埋(ffpe)脑组织的raman图。

图5示出了与来自图4的raman图的像素对应的ad斑块的宽带raman光谱。

图6示出了来自图4的包含背景组织的raman图的像素的宽带raman光谱。

图7示成了死后ad患者的未染色的ffpe脑组织的另一个raman图。

图8示出了与来自图7的raman图的像素对应的宽带raman光谱。

图9示出了来自图7的包含背景组织的raman图的像素的宽带raman光谱。

图10图示了根据示例实施例的用于识别感兴趣区域以用于后续raman光谱的患者组织的高光谱成像图。

图11图示了根据示例实施例的用于检测眼睛中的ad病理的方法的流程图。

图12图示了根据示例实施例的用于确定用于图1的设备的机器学习算法的训练数据的方法的流程图。

图13图示了根据示例实施例的用于检测眼睛中的ad病理的系统。

图14图示了偏振显微镜图像，其包括与图4的raman图对应的斑块(例如，染色的红斑点)。

图15图示了染色载玻片的偏振显微镜图像的两种不同的放大倍率(10x，左，以及40x，右)，其示出了与图7(镜像图像)的raman图对应的血管旁边的斑块。

图16图示了未染色的载玻片的高光谱图像(左)，其包含与在相邻切片中的图15中所看到的相同的血管，及其偏振显微镜图像(右，镜像图像)。

图17a图示了由raman光谱单元拍摄的图16的相同未染色载玻片的白光图像，其示出可以使用raman光谱单元定位图16的相同血管。

图17b图示了图17a的白光图像，示出了已经raman映射的区域。

在不同的附图中可以使用相似的附图标记来表示相似的部件。

具体实施方式

图1图示了根据示例实施例的用于检测眼睛中与ad相关联的病理的非侵入性眼科体内基于光的检测设备100。设备100可以被用于执行眼底的一部分(诸如视网膜)的光学检测。设备100是护理点(poc)工具，其提供用于识别ad的高危人群的可访问且非侵入性的规程。设备100检测来自宽带光源的从眼底反射的光。设备100还可以响应于单色激光的询问而检测从眼底发射的raman散射光，以便设备100以高特异性检测一种或多种与ad相关联的病理的存在。这允许基于一种或多种与ad相关联的病理的存在来识别高危人群。

设备100包括raman基站1和与正在研究的受试者对接的接口单元2。例如，受试者可以是人或动物。设备100包括高光谱反射成像单元和raman光谱单元。高光谱反射率成像单元位于接口单元2中。raman光谱单元由raman基站1和接口单元2的部件定义。

受试者位于接口单元2的前面，靠着橡胶眼罩4，其下巴放在下巴托5上。raman基站1和接口单元2经由光纤3连接，该光纤3用于以窄光束布置将单色激光从raman基站1递送到接口单元2。在一个示例中，激光可以是532nm相干光，或者在另一个示例中，激光可以是785nm。在其它示例中可以使用其它激光波长。通过同一接口单元2，由于raman处理，光纤3还收集响应于激光激发而由受试者的眼睛的特定区域或部分重新发射的光，并将这个重新发射的光递送回raman基站1，以通过合适的光电检测器(例如，光谱仪)进行检测。根据本文的教导，对于本领域的普通技术人员清晰的是，在其它示例实施例中，raman基站1和接口单元2可以组合成单个设备或进一步分离。计算机6被用于与raman基站1和接口单元2交互(控制和通信)。该计算机包括存储器30和处理器32。电缆7在raman基站1和计算机6之间来回中继信息，并且同轴电缆8在接口单元2和计算机6之间来回中继信息。计算机6使用机器学习算法来处理接收到的信息，本文将对此进行更详细的描述。计算机6通过电缆9将机器学习算法的输出或其它控制信息发送到接口单元2，该接口单元2使用接收到的信息将来自光缆3的激光引导到受试者的眼睛的指定区域或部分。在示例中，计算机6可以包括一个或多个图像分析专用芯片(例如，图形处理单元或gpu)，其可以分解接收到的成像信息并且实时地部分或全部地处理成像信息。

图2更详细地图示了接口单元2。接口单元2可以包括一个或多个控制器或处理器(未示出)，用于控制接口单元2的操作并用于与计算机6和raman基站1通信。可以将研究的目标放在橡胶眼罩4的前面。在体内成像的情况下，受试者将抵靠眼罩4放置眼睛，并将下巴放在下巴托5上。这用于使受试者与接口单元2的光路对准。接口单元2还可以用于动物的体内成像、组织的离体成像或任何其它合适的目标，其中可以将工作台附接到接口单元以将目标定位在合适的位置(例如，光学系统的焦平面)。在其它示例中可以使用用于支撑和定位目标的其它部件。

接口单元2可以包括能够对受试者的眼底进行宽视场成像的眼底相机或类似物。能够检测和辨别不同波长的光的光传感器10被用于捕获图像。光传感器可以采取高光谱相机、多光谱相机、红绿蓝彩色相机或单色相机的形式。在示例中，覆盖可见和近红外光谱(400nm^-1100nm)的宽带光源11被用于照亮受试者的视网膜。宽带光源11穿过两个分束器12和13，并经由聚焦元件(诸如透镜组件14)被指引到视网膜上。将认识到的是，在其它示例实施例中，可以存在其它聚焦和光束整形元件以调整受试者眼睛上的光分布。一旦被指引到受试者的眼睛上，宽带光的至少一些就会从视网膜或眼睛的其它区域反射和/或反向散射。这个光的一部分行进回到接口单元2，在那里它被透镜组件14收集并由分束器13指引到高光谱相机10。对于本领域的普通技术人员而言，高光谱相机10的位置以及收集反射的和/或反向散射的光的几何结构的其它合适配置将是清晰的。

由透镜组件14指示的整个视场由光传感器10在单次捕获中检测。例如，在高光谱相机10的情况下，同时在整个视场上检测所有波长信息。宽视场高光谱反射成像单元与在整个视域的行或列上进行光栅扫描、或与一次检测一个波长带(例如，多光谱成像)、或线高光谱相机或要求相干的照明光(例如，光学相干断层扫描)形成对比。

在这个示例中，受试者视网膜的中央区域是填充整个视场的成像目标。在其它示例中，眼底的其它区域可以用作成像目标。

同轴电缆8将由高光谱相机10检测到的高光谱信息发送到计算机6以进行实时处理。如本文中更详细描述的，计算机6的机器学习算法使用这个高光谱信息基于先前获取的训练数据来确定一个或多个roi的位置和尺寸。在一些示例中，每个roi的尺寸可以被定义为以该位置为中心的圆形区域(例如，由半径或直径表示)或矩形区域(例如，由m×n个像素指示)。一旦已经识别出一个或多个roi，设备100就可以执行另一种成像模态，例如使用raman光谱单元的raman光谱。第二光源，诸如单色激光器18(图3)，被容纳在raman光谱单元内部。来自单色激光器18的光通过反射镜15、16、17转向适当的roi。通过接口单元2使用机电马达来控制反射镜15、16、17，以将聚焦的激光光转向到受试者视网膜的适当roi上，如先前从由高光谱反射率成像单元获得的高光谱信息中识别出的。电缆9将信号从计算机6携带到接口单元2，以控制反射镜15、16、17的角度。激光光在roi处与视网膜相互作用，并且经由raman现象，光被raman散射，具有作为被询问组织的化学成分的特点的一个或多个特定的波数移位。这个重新发射的光经由透镜组件14被收集，然后通过分束器13被传输，然后由分束器12和反射镜15、16、17反射，然后耦合回光纤3中。然后光纤将这个重新发射的raman光传输回raman基站1以进行检测。

可以对每个已识别出的roi执行raman光谱，以识别是否存在作为一种或多种指定的化学成分的特点的一个或多个波数移位。通过使用机械反射镜15、16、17、透镜组件14和/或光阑的raman光谱，可以由计算机6获得roi的光谱信息，该光谱信息可以包括组织环境中的一个或多个特定像素。在一些示例中，检测特定波长处的计数，并且通过计算与单色激光器18的已知波长的差来从中计算一个或多个波数移位。

在示例中，可以通过raman光谱单元在单次捕获中检测具有位置和尺寸的每个识别出的roi的raman光谱信息，并由单色激光器18的一个实例以roi的位置和尺寸对其进行刺激。在示例中，透镜组件14可以被用于控制将被来自raman光谱单元的单色激光器18的激光所刺激的roi的尺寸，从而单个捕获检测整个roi的raman光谱信息。在一些示例中，隔膜、虹膜或准直设备(未示出)也可以被用于控制由单色激光器18刺激的roi的尺寸。

在另一个示例中，roi的每个像素通过每个像素被单色激光器18刺激而被扫描，并且raman光谱信息由raman光谱单元在roi的每个像素上获取以创建roi的raman图或计算roi上的积分光谱结果。将认识到的是，不需要对视网膜的整个宽视场进行raman扫描。

在本文中更详细描述的各种示例中，对于raman光谱单元，在由raman光谱单元进行检测之前，可以使用滤光器20(图3)穿过感兴趣的特定波长或频带。同样，计算机6可以对感兴趣的特定波长或频带执行数字滤波。

现在将更详细地描述用于执行高光谱成像的高光谱相机10的操作。高光谱相机10包括由像素识别的对可见和近红外范围内的光敏感的光传感器的二维阵列。二维滤光器阵列放置在这个光传感器阵列的顶部。二维滤光器阵列中的每个单独的滤光器有选择地透射给定波长的光，然后由传感器阵列中的专用像素检测该光。滤光器阵列的图案在整个光传感器上重复，以使来自视场中每个点的光都被过滤并被传感器检测。以这种方式，在一次捕获中同时捕获来自视场是每个区域的所有波长/频率信息。这与线高光谱相机不同，线高光谱相机只能在视场内的一维线上检测和区分不同波长的光。这也不同于典型的多光谱方法，多光谱方法依次使用多个滤光器来捕获波长信息，即，首先捕获“红色”信息，然后插入不同的滤光器以捕获“绿色”信息，依此类推。

图3更详细地图示了raman基站1的示例实施例。可见或近红外波长范围内的单色激光器18容纳在raman基站1内部。在示例中激光器18递送532nm的相干光，或者在另一个示例中递送785nm的相干光。在其它示例中，激光器18可以发射其它特定波长。从激光器18输出的激光被指引通过分束器19，并通过光纤适配器22耦合到光纤3中。光纤3将激光光传输到接口单元2。如上所述，接口单元2将这个激光光指引到受试者的视网膜的每个roi上(如由计算机6基于高光谱成像来识别)。在示例中，可以使用透镜组件14和/或隔膜来控制到每个roi上的激光的尺寸(半径)。在其它示例中，激光光逐像素扫描每个roi。激光光在这些区域与组织相互作用并且，经由raman现象，光从组织中散射出来，其中波长的改变是被询问的组织的特点。这个raman散射光由诸如一个或多个其它透镜(未示出)之类的收集光学器件整形和指引，以便可以高效地耦合到光纤3中并带回到raman基站1中。分束器19用于将这个返回的光重定向到光谱仪21中用于检测。滤光器20可以包括截止在534nm(大于来自激光器18的激光波长)的长通滤光器，被用于去除沿着光路经历了反向反射并发现其回到raman基站1的途径的任何直接激光光。在另一个示例中，滤光器20可以包括陷波滤波器，该陷波滤波器具有针对激光器的特定波长(例如，在一个示例中为532nm相干光，或者在另一个示例中为785nm)的窄滤波器。滤光器20确保仅来自raman现象的光被光谱仪21检测到，并且来自原始激光器18的光被滤光器20去除。光谱仪21包括折射元件，以分离各个波长分量并将这些分量投射到光传感器中的不同像素上。然后将由光谱仪21测得的光谱信息经由电缆7发送到计算机6以进行进一步处理。作为替代或结合物理滤光器20，计算机6可以在算法上执行进一步的滤波(数字滤波)。raman基站1可以包括一个或多个控制器或处理器(未示出)，用于控制raman基站1的操作并用于与计算机6和接口单元2通信。

在一些示例中，可以通过使用自适应光学(ao)系统和方法来执行照明和光收集系统。

然后，由计算机6执行在一种或多种物质的raman光谱上训练的机器学习算法，以识别作为raman信号的源的化学成分的特点的一个或多个特定波数移位，从而具体地识别眼睛中与ad相关联的蛋白聚集体或其它病理的存在。该识别可以包括对一个或多个波数移位的实例进行计数，和/或其它数学公式。可以由设备100检测的眼底蛋白聚集体的示例包括tau神经原纤维缠结(例如，可溶性或不溶性tau寡聚体或tau原纤维)、淀粉样蛋白β沉积物(例如，可溶性淀粉样蛋白β聚集体或不溶性淀粉样蛋白β斑块、淀粉样蛋白β寡聚体或淀粉样β前体)以及淀粉样蛋白前体蛋白(app)。与单独的高光谱成像相比，这个raman信号的检测允许与ad相关联的病理的检测的更高特异性。还可以随时间跟踪与ad相关联的病理，其中比较在不同时间从同一患者获取的raman光谱信息的比较，以评估ad病理的分类或其它ad结论。例如，在特定roi处潜在斑块的raman计数值(或比率或其它特点)在ad受试者中会随时间增加。在一些示例中，机器学习算法使用raman光谱信息和高光谱反射率信息两者来更好地分类与ad相关联的病理或其它与ad相关联的结论。

计算机6可以解释raman光谱信息，并使用机器学习算法将roi分类为包含或不包含一种或多种与ad相关联的病理，诸如蛋白聚集体。在示例实施来例中，受试者的分类也可以是关于以下方面的ad结论：受试者是否患有ad、或ad的前兆，或者是否已针对潜在ad进行了预筛查并且需要进一步的调查。可以对计算机6进行编程，以将分类输出到显示屏、存储到本地存储器或传输到另一个设备(诸如服务器204、客户端站206或emr服务器214(图13))。

图4至10图示了用作机器学习算法的训练数据的成像信息。同样，在图4至10中，成像信息图示了设备100如何可以在体内用于对在特定受试者(患者)的眼睛中的与ad相关联的病理进行分类。两种情况都参考图4至10进行描述。

图4示出了来自死后ad患者的未染色的、福尔马林固定的、石蜡包埋的(ffpe)脑组织的raman图400。亮斑点与淀粉样蛋白β斑块的位置对应，如通过组织学对来自同一受试者的相邻离体组织切片进行独立核实的。这个图400由计算机6通过绘制针对每个像素在1663cm-1的波数处的信号强度(其与β-片状蛋白结构的raman振动共振对应)并通过减去在2000cm-1和2500cm-1之间raman信号的线性背景而生成。轴与组织切片的距离的物理单位(以微米为单位)对应。亮斑点402位于图4的像素(55um，46um)处。在示例中，对于由raman单元光谱单元进行的单个捕获，特定的raman捕获可以涵盖由激光器18照亮的roi的多于一个像素。在另一个示例中，通过由单色激光器18刺激每个像素来扫描roi的每个像素，并且通过raman光谱单元在roi的每个像素上获取raman光谱信息，以创建roi的raman图或计算roi上的积分光谱结果。

图5示出了ad斑块的宽带raman光谱曲线图500，其与图4的亮斑点402像素(55um，46um)对应。曲线图500图示了那个像素的接收到的raman散射光的计数与波数移位的关系。在1600cm^-1和1663cm^-1处的峰502、504分别与α-螺旋和β-折叠的片状蛋白构象的raman振动共振对应；所谓的酰胺i频带。其余大多数峰与石蜡的存在对应。1600cm^-1和1663cm^-1处的峰表明这个位置存在蛋白；这些峰值相对于在视场的相邻区域中这些波长下存在的低背景信号(图6，602和604)清晰可见。这证实了作为淀粉样蛋白β斑块的特点的蛋白的局部存在。注意到在1800cm^-1处没有来自β片的raman信号，示出1663cm-1相对于1800cm-1的raman信号比率的图将在与淀粉样蛋白β斑块对应的位置处示出热点。对于给定级别的背景信号(“噪声”)，可以根据在1663cm-1相对于1800cm-1之间的信号比率来设置标准。例如，信噪比为3:1可以被用于识别淀粉样蛋白β斑块的存在。

图6示出了图4的背景组织像素(10um，15um)的宽带raman光谱曲线图600。注意的是，在1600cm^-1和1663cm^-1处不存在峰，表明缺乏α-螺旋和β-折叠的片状蛋白构象。通过组织学对同一受试者的相邻离体组织切片进行独立核实。在一些示例中，背景组织的raman光谱曲线图600或其它raman光谱信息可以被用作训练机器学习算法的对照信息(负分类或作为要减去/除掉的值)。

在一些示例中，从该受试者的roi获得的raman光谱曲线图600可以被机器学习算法用来对斑块或与ad相关联的病理进行分类。例如，计算机6在用于受试者的背景组织的raman光谱曲线图600与用于受试者的潜在斑块的raman光谱曲线图500(图5)之间进行比较。因为raman光谱曲线图600与raman光谱曲线图500来自同一受试者，所以该比较提供了有用的结果。比较可以包括机器学习算法、比较、公式、计算、表格、减法、比率或由计算机6执行的其它比较，以便分类为斑块或其它与ad相关联的病理。

在一些示例中，通过在光谱区域上积分raman信号并对每个像素绘制这个积分量来生成经核实的训练数据的raman图。图7示出了这样的示例，其中每个像素对那个区域的在1663cm^-1和1698cm^-1之间的积分计数进行编码。还减去了基于2000cm^-1和2500cm^-1之间的raman光谱的线性背景信号。如通过对相邻组织切片的组织学独立确认的，图7中的亮斑点702易于识别并且与淀粉样β斑块对应。

在其它示例中，化学计量可以被用于推断最对应于与ad相关联的病理的光谱区域。即，可以执行宽raman光谱的算法统计分析，以识别特定于不十分明显的与ad相关联的病理的特征。

在一些示例中，所获得的raman信号可以包括以感兴趣的光谱区域(诸如在图5中识别出的那些)为中心的一个或多个更窄的光谱区域或频带，而不是单个的宽光谱范围。

在示例中，在一个或多个识别出的roi处执行raman光谱而不是在扩展区域上执行光栅扫描。在这些情况下，结果将是单个raman光谱曲线图(诸如图5所示的)，而不是包括每个像素处的raman光谱的完整图像。在一些情况下，传入的激光束会扩展到更大的直径，以便覆盖更宽的区域，并且raman散射光将从被加宽的激光斑点尺寸所覆盖的roi收集。

图10图示了患者组织的示例性高光谱成像图1000，其图示了可以被用于识别一个或多个roi以用于随后的raman光谱法的高光谱成像信息。高光谱成像图1000可以包括多个单独的高光谱图像图1000a、1000b、...、1000e，每个表示来自高光谱相机10的具体检测到的波长的计数图。特定高光谱图像图的像素上的计数更高(或更低)可以意味着该像素需要使用raman光谱法进行进一步研究。根据高光谱成像图1000，计算机6可以使用机器学习算法来确定需要通过raman光谱法进行进一步研究的一个或多个roi1002(示出了一个)，诸如一个或多个像素。在其它示例中，每个高光谱图1000可以表示波长的范围而不是一个具体的波长，其中计数是针对那个特定的波长范围。在还有其它示例中，可以通过使用波长的特定线性组合来生成高光谱图1000，该线性组合最好地封装了与ad相关联的病理的区别特征。

高光谱反射率成像信息的另一个示例表示是受试者的每个像素或区域的光谱曲线图(未示出)。光谱曲线图图示了那个像素的接收到的光数与波长的关系。高光谱成像光谱曲线图还可以被用于机器学习算法的训练，以及用于由机器学习算法执行的分类。

在示例中，如高光谱成像图1000或高光谱成像光谱曲线图所示，可以从高光谱成像信息确定roi。

仍然参考图10，计算机6使用机器学习算法来确定要处理哪个高光谱反射率图1000及其对应的波长，因为高光谱成像图1000的一些波长提供了比其它波长更好的结果。例如，不需要分析与整个可见光谱和近红外光谱对应的高光谱成像图1000，而是计算机6选择高光谱成像图1000的一个或多个特定波长用于进一步处理。在一些其它示例中，与感兴趣的ad病理不太相关的高光谱成像图1000被给予较小的权重，而更相关的高光谱成像图1000被给予更大的权重，以供计算机6确定用于raman光谱法的roi。

在一个示例中，由计算机6使用的感兴趣的高光谱成像图1000或高光谱成像光谱曲线图处于可见-近红外(vnir)波长范围(400至1400纳米)中，并且可以具体地在460nm至600nm的光学波长范围内或在650nm至950nm的光学波长范围内，这可以更适合检测蛋白聚集体，诸如淀粉样蛋白β沉积物。基于要检测的与特定的ad相关联的病理和机器学习算法，在其它示例实施例中使用了不同或更具体的波长范围。

再次参考图4，由计算机6生成并使用高光谱反射率图1000(或高光谱反射率光谱曲线图)来确定受试者的一个或多个具体roi的位置和尺寸，以使用raman光谱法进一步分析受试者。roi可以包括一个或多个像素。在这个示例中，roi是图4的像素(55um，46um)处的亮斑点。因此，不需要对高光谱反射率图的整个视场进行raman扫描，而是局部区域(例如，图4的像素(55um，46um))具有由raman光谱单元在单次捕获中检测到的raman光谱信息，该局部区域与图10中的roi1002在受试者身上的相同位置。在一些示例中，亮斑点像素周围的多个像素或亮斑点像素周围的定义的像素半径也可以在单次捕获中通过raman光谱法进行分析。

图7示出了来自死后ad患者的未染色的ffpe脑组织的另一个raman图700。再次，亮斑点与淀粉样蛋白β斑块的位置对应，如通过组织学在离体受试者的相邻组织切片上独立地核实的。亮斑点702在图7的像素(17um，31um)处。这个图700是通过在每个像素处绘制在1663cm^-1和1698cm^-1之间的积分raman信号，然后减去在2000cm^-1和2500cm^-1之间的raman信号的线性背景而产生的。轴与组织切片的距离的物理单位(以微米为单位)对应。

图8示出了与图7的亮斑点702像素(17um，31um)对应的宽带raman光谱曲线图800。1600cm^-1和1663cm^-1处的峰802、804分别与酰胺i带(即，α-螺旋和β-折叠的片构象)的raman振动共振对应。剩余的峰与石蜡的存在对应。

图9示出了图7中的背景组织像素(45um，10um)的宽带raman光谱曲线图900。注意的是，在1600cm^-1和1663cm^-1处没有峰，表明缺少alpha-螺旋和beta折叠的片状蛋白构象。这通过组织学在相邻组织切片上独立核实(参见图15)。背景组织像素的raman光谱曲线图900或其它raman光谱信息可以被用作用于训练机器学习算法的对照(负分类)信息。背景组织像素的raman光谱曲线图900或其它raman光谱信息可以被用于与光谱图800(图8)的比较或其它计算，以对斑块进行分类。

再次参考图7，计算机6可以使用一个或多个高光谱反射率图1000(图10)来确定受试者的眼睛的要使用raman光谱法进行进一步研究的具体roi的位置和尺寸。在这个示例中，roi是图7的像素(17um，21um)处的亮斑点。因此，当评估ad病理时，不需要对图7中的raman图700的整个视场进行raman扫描。而是通过raman光谱法在受试者上与图10中的roi1002相同的位置处检测诸如图7的像素(17um，21um)之类的局部区域。在一个示例中，通过raman光谱单元在单次捕获中检测roi的raman光谱。在另一个示例中，逐像素地扫描roi，以生成roi的raman图或计算(一个或多个)感兴趣的指定波长的积分计数。

图4至10中的结果说明了可以被用于训练受试者体内淀粉样蛋白β斑块的分类和检测的经核实的训练数据。在其它示例实施例中，代替淀粉样蛋白斑块或除了淀粉样蛋白斑块之外，还分类了其它与ad相关联的病理。例如，当与ad相关联的病理是tau神经原纤维缠结时，感兴趣的raman共振波长保持相同(对于磷酸化的taus为1600cm^-1-1700cm^-1)，但是现在在细胞内部发现。对于其它与ad相关联的病理，还可以使用其它raman共振波长来分类和检测与ad相关联的病理。

图13图示了根据示例实施例的用于检测受试者的眼睛中的ad病理的系统200。在一些示例中，系统200实现机器学习算法以便对受试者操作设备100。系统200包括设备100、服务器204、客户端站206和电子病历(emr)服务器214。在系统200中，每种类型的设备可以有多个。系统200的设备可以通过网络202进行通信。客户端站206可以是计算机、膝上型计算机、移动电话、平板计算机等。网络202可以包括局域网(lan)、无线广域网(wwan)、专用网络和互联网。设备100的计算机6(图1)具有用于通过网络202进行通信的通信子系统。

在图13中，服务器204通常位于设备100的远处并且被配置为训练机器学习算法。服务器204可以包括一个或多个专用服务器，或一个或多个云服务器。在一些示例中，服务器204可以包括或可以访问第三方机器学习平台，诸如amazon(tm)aws、microsoft(tm)azure、google(tm)cloud和ibm(tm)watson。服务器204可以包括机器学习模块218和存储器216，用于存储经核实的训练数据的数据库并用于存储经训练的神经网络。服务器204可以包括被配置为执行存储在存储器216中的指令的一个或多个控制器或处理器(未示出)。

emr服务器214可以被用于存储、存放和检索患者的电子病历。emr服务器214可以包括存储器，该存储器是用于患者数据的数据储存库。在示例中，emr服务器214可以是第三方服务器。emr服务器214可以包含患者的医学、人口统计和物理信息。在一些示例中，emr服务器214可以包含经核实的训练数据。

存储器216或emr服务器214可以包含特定患者的先前的高光谱成像信息或raman光谱信息，以便可以将它们与其它时间取得的患者的其它raman光谱信息进行比较，以便计算机6或服务器204可以针对特定患者执行ad结论。例如，可以将同一患者的在相同roi处的时间上隔开的高光谱成像信息或raman光谱信息与同一患者的个人病史进行比较，以查看病情进展(复原)。也可以将患者的进展(复原)与其他人群队列及其历史进展(复原)进行比较。

服务器204可以通过一个或多个神经网络来实现机器学习算法。机器学习算法可以包括逻辑回归、变分自动编码、卷积神经网络或其它用于识别和辨别与ad相关联的病理的统计技术。机器学习算法还可以使用先验验证的raman散射模型、其它散射模型或光学物理模型。神经网络可以包括多个层，其中一些是定义的，而一些是未定义的(或隐藏的)。神经网络是受监督的学习神经网络。

在一些示例中，神经网络可以包括神经网络输入层、一个或多个神经网络中间隐藏层以及神经网络输出层。每个神经网络层包括多个节点(或神经元)。神经网络层的节点通常是串联连接的。给定神经网络层中每个节点的输出连接到后续神经网络层中一个或多个节点的输入。每个节点都是逻辑编程单元，其执行激活功能(也称为传递函数)，用于基于其输入、权重(如果有)和(一个或多个)偏置因子(如果有)来变换或操纵数据以生成输出。每个节点的激活功能响应于(一个或多个)特定的输入、(一个或多个)权重和(一个或多个)偏置因子而产生特定的输出。每个节点的输入可以是标量、向量、矩阵、对象、数据结构和/或其它项或对其的引用。每个节点可以独立于其它节点存储其相应的激活函数、权重(如果有)和偏置因子(如果有)。在一些示例实施例中，如本领域中所理解的，可以使用评分函数和/或决策树函数使用先前确定的权重和偏置因子来计算或确定神经网络输出层的一个或多个输出节点的决定。

服务器204可以使用作为由从业者输入到客户端站206中的输入的经核实的训练数据208来训练神经网络。可以从emr服务器214或从设备100本身的操作获得附加训练数据集。例如，设备100的操作导致获取高光谱反射率信息和raman光谱信息，其存储在服务器204或emr服务器214中。可以在以后的时间执行附加的后续raman捕获，以获得更多的raman光谱信息。高光谱反射率信息和raman光谱信息的历史趋势可以在以后的日子被证实为指示ad或作为ad的前兆。例如，多年或数十年后，可以将受试者诊断为患有ad，并且可以使用较早的高光谱反射信息和raman光谱信息将诊断分类为ad或ad前。类似地，一些受试者可以在随后的几年中更新其emr信息，并且可以被指示为没有ad。在一些示例中，死后组织学可以被用于核实患者的ad信息。组织学可以使用显微镜或其它成像模态来执行。

在一些示例中，服务器204可以实现两个神经网络。如本领域中所理解的，每个神经网络本身可以具有并联、串联或其它布置的一个或多个神经网络。第一神经网络被用于基于作为第一神经网络的输入的高光谱反射率信息来识别一个或多个roi作为第一神经网络的输出。第二神经网络被用于对从这些特定roi的询问返回的raman光谱进行分类，其中raman光谱信息作为第二神经网络的输入。第二神经网络的输出是每个roi是否包含一种或多种感兴趣的与ad相关联的病理(诸如蛋白聚集体)的分类。

在一些示例中，分类(第二神经网络的输出)可以是关于受试者是否患有ad或ad的前兆，或者是否已预先筛查潜在ad并需要进一步研究的一个或多个ad结论。这样的ad结论可以基于由第二神经网络分类的一种或多种ad病理，并且使用例如组合的加权分数、计分卡或概率确定来确定或计算。例如，淀粉样蛋白β和tau神经原纤维缠结的存在或概率分类可以导致ad的较高概率结论。在一些示例中，ad结论也可以基于患者病理随时间的改变，例如通过与患者的先前raman光谱信息进行比较。在一些示例中，高光谱反射率信息还被用作第二神经网络的输入信息，其进一步帮助对ad病理进行分类。

现在将更详细地描述使用服务器204对神经网络的训练。经核实的训练数据208被输入到客户端站206，然后被客户端站206发送到服务器204。在示例实施例中，通过比较受试者的相邻的离体组织切片来获得经核实的训练数据208，其中一个切片被分析以获得高光谱反射率信息和raman光谱信息，并且通过组织学核实相邻的切片，从而得到经核实的高光谱反射率信息和经核实的raman光谱信息。为了训练第一神经网络，将经核实的高光谱反射率信息210输入到客户端站206。在示例中，经核实的高光谱反射率信息210将高光谱反射率图的具体波长的计数与一种或多种与ad相关联的病理相关。为了训练第二神经网络，将经核实的raman光谱信息212输入到客户端站206。在一个示例中，经核实的raman光谱信息212将roi或raman图的特定波长的计数与一种或多种与ad相关联的病理相关。

在一些示例中，高光谱反射率信息可以不止被用于训练第一神经网络来确定roi。例如，高光谱反射率信息也可以被用于第二神经网络的训练，以帮助分类与ad相关联的特定病理。高光谱反射率信息可以与raman光谱信息一起使用，并在对与ad相关联的特定病理进行分类时给予权重或进一步的保证。同样，机器学习算法可以确定高光谱信息与raman光谱信息之间的相关性和关系，以对与ad相关联的特定病理进行分类。当计算机6执行经训练的神经网络并且使用高光谱反射率信息和raman光谱信息两者进行分类时，可以由计算机6对高光谱反射率信息和raman光谱信息执行数字共同配准以便对准相同的roi。

在一些示例中，roi可以包括覆盖斑块的一组像素。在一个示例中，斑块的尺寸(例如，由半径指示的圆形区域或由m×n个像素指示的矩形区域)用于分类与ad相关联的病理。在一些示例中，raman光谱信息212对于在roi的中心处的具体波长可以具有更高的计数，而在roi的外围处具有更少的计数(但是仍然高于背景组织)。在一些示例中，在roi内的不同像素处的各个计数可以被用于分类与ad相关联的病理。在其它示例中，例如在一次raman捕获中，可以将roi中的像素组的聚集(积分)特点用于对斑块进行分类。因此，斑块的roi的尺寸也可以作为训练第二神经网络的一部分，用作附加信息以便对斑块进行分类。

在一些示例中，受试者的背景组织的raman光谱信息212也被包括在经核实的训练数据208中。给定患者的背景组织的raman光谱信息可以被用于与那个患者的roi的raman光谱信息进行比较。背景组织和roi之间的比较可以是第二神经网络训练的一部分，以对与ad相关联的病理进行分类。其它算法或计算(包括逻辑回归、变分自动编码、卷积神经网络和其它统计方法)可以被用于第二神经网络的受监督的训练。

一旦服务器204已经训练了神经网络，服务器204就可以将经训练的神经网络传输到设备100，以由计算机6执行经训练的神经网络。现在向计算机6通知应当用于评估与ad相关联的病理学的标准。可以由服务器204周期性地、实时地或每当有更多可用的训练数据时执行对神经网络的训练更新，并且可以将那些更新后的神经网络发送到设备100。

在其它示例中，至少一些或全部的神经网络由服务器204执行，并且在服务器204和计算机6之间传送检测到的高光谱反射率信息，检测到的raman光谱信息和控制信息。在这样的示例中，服务器204通过从计算机6接收高光谱反射信息并向计算机6指示对于raman光谱单元什么是roi来执行神经网络。服务器204从计算机6接收raman光谱信息，并对与ad相关联的病理或ad结论进行分类。

图11图示了根据示例实施例的由设备100实现的用于检测受试者的眼睛中与ad相关联的病理的方法1100的流程图。在示例实施例中，设备100的计算机6将神经网络用于方法1100中的至少一些。在步骤1102处，设备100通过控制高光谱反射率成像单元(图1)并从高光谱反射率成像单元接收高光谱反射率信息来执行受试者的眼底的宽视场成像。在步骤1104处，使用来自高光谱反射率成像单元和第一神经网络的高光谱反射率信息，计算机6确定需要进一步检查的受试者的一个或多个roi的位置和尺寸。在步骤1106处，设备100通过控制raman光谱单元(图1)以在单次捕获中刺激所确定的位置和尺寸处的roi并从raman光谱单元接收raman光谱信息来对roi执行raman光谱法。在步骤1108处，第二神经网络使用从raman光谱单元获得的roi的raman光谱信息以及来自高光谱反射率成像单元的高光谱反射率信息来对一个或多个与ad相关联的病理或ad结论进行分类。在步骤1110处，设备100将(一个或多个)分类输出到输出设备(例如，显示屏)、存储器或另一个计算机。在一些其它示例中，步骤1108和1110由服务器204执行。在示例实施例中，当多个与ad相关联的病理有兴趣被检测时，可以针对一个或多个roi上的所有与ad相关联的病理执行方法1100(并行确定)，以检测所有感兴趣的与ad相关联的病理。当从业者、组织学家、病理学家等对同一样本进行肯定诊断时，这样的从业者可以使用客户端站206来肯定(独立)地核实受试者是否患有一种或多种与ad相关联的病理或ad。机器学习算法(第一和第二神经网络)可以将这种核实用作进一步的训练数据，以便改进机器学习算法。

在一些示例中，在步骤1106之后，设备100可以被配置为让循环1112回到步骤1102，以便确定由高光谱反射率成像单元识别出的另一个roi的raman光谱，该另一个roi可能需要由raman光谱仪进一步调查。循环1112可以在相同的会话中执行，例如在用户仍停留在下巴托5上的连续时间内。例如，在步骤1104处，计算机6可以已经确定了可能需要进一步检查的受试者的多于一个roi，因此执行循环1112以调查那些其它roi。在步骤1108处的分类可以基于由高光谱反射率成像单元和raman光谱单元取得的同一受试者的多个不同的个体捕获来提供结论。在其它示例中，不执行循环1112，并且仅对一个roi执行一次raman捕获，该roi具有根据高光谱反射率成像信息确定的具体位置和尺寸。

在一些示例中，使用来自高光谱反射率成像单元的高光谱反射率信息，计算机6确定与不是潜在的与ad相关联的病理的眼睛部分相关的基线roi(使用机器学习算法或默认位置)。基线roi可以使用raman光谱法进行分析。在步骤1108处，计算机6可以将基线roi与使用raman光谱法分析的roi中的一个或多个roi进行比较，以对一个或多个与ad相关联的病理或ad结论进行分类。

在一些示例中，在步骤1104处，计算机6已经相对于那个特定患者预先保存了一种或多种潜在的与ad相关联的感兴趣的病理(或特定roi)(或从已知患者人群中进行了核实)。例如，使用设备100的先前会话已经预先保存了一个或多个潜在的与ad相关联的病理。特定界标可以被用于在特定患者中定位一个或多个潜在的与ad相关联的病理，诸如动脉血管、视神经等。使用来自高光谱反射成像单元的高光谱反射信息和第一神经网络，计算机6定位患者的那些预先保存的潜在的与ad相关联的病理(或具体roi)、确定适当的roi，然后计算机6使用raman光谱仪进一步调查适当的roi，所有这些都在用户仍在下巴托5上的时候在同一会话期间进行。

图12图示了根据示例实施例的用于确定用于神经网络的经核实的训练数据208的方法1200的流程图。一般而言，可以通过比较来自受试者的相邻的离体组织切片来获得经核实的训练数据208，其中一个切片由高光谱反射成像单元和raman光谱单元进行分析，并且相邻的切片通过组织学进行核实。方法1200的示例结果是图4至9中所示的raman光谱信息212以及图10中所示的高光谱图1000中所示的高光谱反射率信息210。此外，在一些示例中，来自设备100的操作的体内成像也可以用于获得进一步的训练数据。

在方法1200中，获得了来自已死去的确认的ad患者的离体人脑组织(皮质)。新鲜冷冻的和福尔马林固定、石蜡包埋(ffpe)的均用作样本。在步骤1202处，将样本切片并放在载玻片上。使用切片机或低温恒温器切割12um厚的样本切片。切下一系列相邻的此类切片并将其放在显微镜载玻片上。在步骤1204处，用刚果红对系列中的每个第二切片进行染色，该刚果红与淀粉样蛋白β结合，或者采用类似的染色程序，诸如免疫染色。其余的中间载玻片未染色。在步骤1206处，使用标准偏振显微镜或其它组织学方法，在染色的载玻片上识别淀粉样蛋白β斑块。组织学可以由临床医生手动执行、由计算机自动执行或两者。大脑斑块的典型尺寸是直径大于20um；因此，给定的斑块跨越多个12um切片的可能性高。

在步骤1208处，将具有一个或多个斑块的染色的载玻片各自与它们相邻的未染色的载玻片共同配准。共同配准可以使用计算机自动完成、手动执行或两者。相邻载玻片的共同配准允许识别未染色的载玻片上的斑块位置。通过查看各种尺寸比例的多个特征可以实现共同配准。皮层中的折叠提供了用于两个相邻切片的一般朝向的大规模特征。血管构成了用于在更精细的尺寸规模上共同配准相邻切片的较小特征。在图像内使用多个血管，并将它们共同定位在相邻的切片中促进将给定的斑块定位在几微米内。在一个示例中，通过覆盖两个相邻切片的图像，血管的对准允许图像的共同配准。

在步骤1210处，在染色的载玻片的对应位置处，对相邻的未染色的载玻片的共同配准位置执行成像模态，以确定与ad相关联的病理的成像特点。在其它示例中，使用成像模态对整个相邻的未染色的载玻片成像，例如，以获得关于背景组织、其它与ad相关联的病理、宏结构等的附加信息。在示例实施例中，成像模态可以是高光谱反射成像或raman光谱，如本文详细描述的。在步骤1212处，在获取了斑块的成像信息之后，将成像信息(或经处理的成像信息)分类为斑块。在这个示例中，经核实的高光谱反射率信息210与淀粉样蛋白β斑块相关。经核实的高光谱反射率信息210的示例是图16中所示的高光谱图像。在这个示例中，经核实的raman光谱信息212也与淀粉样蛋白β斑块相关，参见图7。raman光谱信息212的示例是分别在图4和8中示出的raman光谱信息500、800。

经核实的训练数据208被输入到客户端站206，并且可以被传输到服务器204以用于神经网络的训练。

可以针对其它与ad相关联的病理(诸如tau蛋白病、其它蛋白聚集体和血管特点)重复方法1200，以便获得进一步经核实的训练数据208。使用图像模态检测到的背景组织的任何非斑块区域都可以被用作对照信息或负分类信息，以训练神经网络。背景组织也可以被用于从roi的计数中进行减法或除法计算，以便将roi分类为斑块。其它非斑块区域可以具有用于共同配准的宏观结构，例如用于受试者体内感兴趣部分的相对位置信息。背景组织的检测也可以被用于神经网络的训练。

可以针对来自一个受试者的多个组织样本(例如，来自一个受试者的脑组织和眼组织)重复方法1200。可以针对来自不同受试者的组织样本重复方法1200。通过使用多个组织样本，足够的样本集被用于确定针对机器学习算法的经核实的训练数据208。基线或对照训练数据也可以通过从健康(非ad)受试者获得高光谱反射率信息210和raman光谱信息212来获得。

图14图示了偏振显微镜图像1400，其包括与图4的raman图400对应的斑块1402(例如，染色的红色斑点)。偏振显微镜图像1400可以被用于在相同的roi处核实raman图700包括包含斑块1402的raman光谱信息。

图15图示了染色的载玻片的偏振显微镜图像的两种不同的放大倍率(10x，左以及40x，右)，示出了与图7的raman图700对应的血管旁边的斑块1502、1504(例如，染成红色的斑块)(镜像图像)。偏振显微镜图像可以被用于在相同的roi处核实raman图700包括包含斑块1502、1504的raman光谱信息。

图16图示了未染色的载玻片的高光谱图像1600(左)以及其偏振显微镜图像(右)，高光谱图像包含在相邻切片中如图15所看到的相同的血管1602，偏振显微镜图像示出了同一个相邻切片中的相同的血管1604。

raman光谱单元1还可以被配置为拍摄白光图像。图17a图示了由raman光谱单元拍摄的与图16所示相同的未染色的载玻片(同一个相邻切片)的白光图像1700。示出与图16所示相同的血管1702的图17a可以使用raman光谱单元由设备100定位和捕获。

图17b图示了图17a的白光图像1700，示出了已经使用raman光谱法捕获的血管1702的区域1704。区域1704可以具有由高光谱图像1600确定的具体位置和尺寸，并且可以由raman光谱单元在单次捕获中拍摄。在其它示例中，可以使用raman光谱单元逐像素地扫描区域1704，以便生成图或计算具体波长的积分计数。

再次参考图1，在一些示例中，设备100可以实现其它类型的成像模态以确定作为roi中潜在ad病理的化学成分的特点的一个或多个具体波长。在示例中，使用逆raman效应来实现成像模态，其中一个源是宽带光源，并且第二个源是在具体波长处的相干单波长源。

在另一个示例中，成像模态是使用受激raman效应和具体波长处的两个相干激光器来实现的。在另一个示例中，通过使用脉冲光相干照明源在几个不同的波长处使用自动荧光测量来实现成像模态。

在一些示例中，可以使用另一种成像模态，诸如白光非高光谱眼底相机。这种附加的成像模态可以被用于指导高光谱反射率成像单元的宽视场的定位。这种定位可以由计算机6使用来自这种附加成像模态的图像信息自动执行，和/或可以由操作的临床医生手动执行。计算机6可以使用机器学习和一个或多个神经网络来自动执行定位。

在示例实施例中，系统200的部件中的一些被安装、拧紧和封闭，以便减少相对移动、振动并减少进入系统200的外来电磁辐射的量。

在示例实施例中，计算机6、服务器204和系统200的任何设备可以包括一个或多个通信子系统(有线或无线)和一个或多个控制器。取决于特定的应用、部件或功能，控制器可以包括硬件、软件或硬件和软件的组合。在一些示例实施例中，一个或多个控制器可以包括模拟或数字部件，并且可以包括一个或多个处理器、一个或多个非暂态存储介质(诸如存储可由一个或多个处理器执行的指令的存储器)，和/或一个或多个模拟电路部件。

示例实施例是一种用于从受试者的眼睛中检测一种或多种与ad相关联的病理的非侵入性体内眼科基于光的检测设备，包括：高光谱反射率成像单元，其包括宽带光源和高光谱相机；raman光谱单元，其包括激光器和光谱仪；存储器；以及一个或多个处理器，被配置为执行存储在存储器中的指令，以：控制高光谱反射率成像单元使用宽带光源照亮眼底的宽视场，并使用高光谱相机检测结果所得的来自眼睛的反射和/或反向散射光以确定高光谱反射率信息，根据高光谱反射率信息确定一个或多个roi为潜在的与ad相关联的病理，控制raman光谱单元使用激光器照亮所述一个或多个roi中的每一个roi，并检测从激光器产生的来自眼睛的raman散射光并使用用于确定raman光谱信息的光谱仪进行检测，以及使用高光谱反射率信息和raman光谱信息将受试者分类为具有一种或多种与ad相关联的病理，所述一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

在以上示例实施例中的任一个中，将受试者分类为具有一种或多种与ad相关联的病理还基于高光谱反射率信息。

在以上示例性实施例中的任一个中，将受试者分类为具有一种或多种与ad相关联的病理还基于存储在存储器或另一个设备中的受试者的先前的高光谱反射信息和/或raman光谱信息。

在以上示例性实施例中的任一个中，将受试者分类为具有一种或多种与ad相关联的病理还基于受试者的高光谱反射率信息和/或raman光谱信息随时间的改变。

在以上示例实施例中的任一个中，将受试者分类为具有一种或多种与ad相关联的病理包括将受试者分类为具有多种与ad相关联的病理。

在以上示例实施例中的任一个中，一个或多个处理器还被配置为：根据高光谱成像信息将基线roi确定为不包含潜在的与ad相关联的病理的背景组织，并控制raman光谱成像单元使用激光器照亮眼睛的基线roi，并使用用于确定背景组织的raman光谱信息的光谱仪来检测由激光产生的来自眼睛的光，其中分类还基于比较潜在的与ad相关联病理的raman光谱信息与背景组织的raman光谱信息。

在以上示例实施例中的任一个中，一种或多种与ad相关联的病理包括与ad相关联的病理中的两种或更多种，包括tau神经原纤维缠结。

在以上示例实施例中的任一个中，一种或多种与ad相关联的病理包括受试者的眼睛的神经或胶质细胞病理，或受试者的眼睛的血管或脉络膜的血管特点。

在以上示例实施例中的任一个中，当所述一种或多种与ad相关联的病理包括淀粉样蛋白β沉积物时，分类基于在1600cm^-1至1700cm^-1的范围内的一个或多个波数移位处分析raman光谱信息，这与α-螺旋和β-折叠片的raman振动共振对应。

在以上示例实施例中的任一个中，当所述一个或多个ad相关的病理包括tau神经原纤维缠结时，其中分类基于在1600cm^-1至1700cm^-1的范围内的一个或多个波数移位处分析raman光谱信息，这与磷酸化taus的raman振动共振对应。

在以上示例实施例中的任一个中，一个或多个处理器针对以下一项或两项使用机器学习算法：确定所述一个或多个roi；或将受试者分类为具有一种或多种与ad相关联的病理。

在以上示例实施例中的任一个中，机器学习算法使用经核实的训练数据。

在以上示例实施例中的任一个中，经核实的训练数据通过以下操作获得：将来自受试者的离体组织样本切成组织切片；将组织切片放在载玻片上；对组织切片之一的第一载玻片染色；提供具有与组织样本中第一组织切片相邻且未染色的另一组织切片的第二载玻片；使用组织学核实第一载玻片具有与ad相关联的病理中的一种或多种；在第二载玻片上执行至少一种成像模态以获得成像信息；将成像信息分类为与ad相关联的病理中的一种或多种。

在以上示例实施例中的任一个中，所述至少一种成像模态是raman光谱单元、高光谱反射率成像单元或两者。

在以上示例实施例中的任一个中，机器学习算法使用一个或多个神经网络。

在以上示例实施例中的任一个中，一个或多个处理器还被配置为：使用以下操作进一步训练机器学习算法：i)对所述一种或多种与ad相关联的病理的分类，以及ii)对受试者患有所述一种或多种与ad相关联的病理的独立核实。

在以上示例实施例中的任一个中，一个或多个处理器还被配置为根据raman光谱信息对具有以下各项的受试者进行分类：ad、或ad的前兆、或针对要求进一步调查的潜在ad的预筛选分类，或对治疗或干预的响应性。

在以上示例实施例中的任一个中，对于所述一种或多种与ad相关联的病理的分类，不要求外源荧光剂、染料或示踪剂。

在以上示例实施例中的任一个中，该设备还包括一个或多个滤光器，以在被光谱仪检测之前滤除激光器的波长。

在以上示例实施例中的任一个中，一个或多个处理器被配置为根据高光谱反射率信息确定所述一个或多个roi中的每一个的相应尺寸，并控制raman光谱单元将激光发射到眼睛的具有相应尺寸的每个roi上。

在以上示例实施例中的任一个中，raman光谱单元由一个或多个处理器控制，以针对所述一个或多个roi中的每个roi使用raman光谱单元的激光器对相应的roi进行扫描，以确定raman光谱信息。

在以上示例实施例中的任一个中，其中高光谱相机包括：二维的光传感器阵列，每个光传感器对一定范围的波长的光敏感；以及二维的滤光器阵列，其覆盖光传感器阵列，每个单独的滤光器选择性地透射特定波长的光。

另一个示例实施例是一种从受试者的眼睛非侵入性地体内检测一种或多种与ad相关联的病理的方法，该方法包括：控制高光谱反射率成像单元使用宽带光源以照亮眼底的宽视场；使用高光谱相机来检测由宽带光源产生的来自眼睛的光，以确定高光谱反射率信息；使用一个或多个处理器，根据高光谱反射率信息确定一个或多个roi的位置，将其作为潜在的与ad相关联的病理；控制raman光谱单元以使用激光器照亮所述一个或多个roi中的每一个roi；使用光谱仪来检测由激光产生的来自眼睛的raman散射光，以确定raman光谱信息；以及使用一个或多个处理器，使用高光谱反射率信息和raman光谱信息将受试者分类为具有一种或多种与ad相关联的病理，所述一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

另一个示例实施例是一种通过机器学习训练处理的计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读介质中的指令，所述指令在由计算机执行时使计算机执行从受试者的眼睛非侵入性地体内检测一种或多种与阿尔茨海默氏病(ad)相关联的病理，该机器学习训练处理包括：使用一个或多个处理器，使用经核实的训练数据来训练计算机程序，经核实的训练数据是通过以下操作获得的：将来自受试者的离体组织样本切成组织切片、将组织切片放在载玻片上、对第一载玻片的第一组织切片染色、提供具有与组织样本中第一组织切片相邻且未染色的第二组织切片的第二载玻片、使用组织学核实染色的第一组织切片具有与ad相关联的病理中的一种或多种，在第二载玻片上执行至少一种成像模态以获得成像信息，以及将成像信息分类为与ad相关联的病理中一种或多种，所述一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白。

在以上示例实施例中的任一个中，还通过将第一组织切片与第二组织切片共同配准来获得经核实的训练数据。

在以上示例实施例中的任一个中，所述至少一种成像模态是raman光谱单元、高光谱反射率成像单元或raman光谱单元和高光谱反射率成像单元两者。

在以上示例实施例中的任一个中，执行至少一种成像模态包括执行至少两种成像模态，所述至少两种成像模态被共同用于将成像信息分类为与ad相关联的病理中的一种或多种。

另一个示例实施例是一种用于对存储在存储器中的计算机程序进行机器学习训练的方法，该计算机程序在由计算机执行时使计算机从受试者的眼睛对一种或多种与ad相关联的病理进行非侵入性体内检测，该方法包括：使用一个或多个处理器，使用经核实的训练数据训练计算机程序，经核实的训练数据是通过以下操作获得的：将来自受试者的离体组织样本切成组织切片、将组织切片放在载玻片上、对第一载玻片的第一组织切片染色、提供具有与组织样本中第一组织切片相邻且未染色的第二组织切片的第二载玻片、使用组织学核实染色的第一组织切片具有与ad相关联的病理中的一种或多种，在第二载玻片上执行至少一种成像模态以获得检测信息，以及将检测信息分类为与ad相关联的病理中一种或多种，所述一种或多种与ad相关联的病理包括蛋白聚集体，蛋白聚集体包括以下至少一种：tau神经原纤维缠结、淀粉样蛋白β沉积物、可溶性淀粉样蛋白β聚集体或淀粉样蛋白前体蛋白；以及将经训练的计算机程序存储到存储器。

虽然以方法的形式描述了一些本发明的实施例，但是本领域普通技术人员将理解的是，本发明的实施例还针对各种装置，诸如包括用于执行所描述的方法的至少一些方面和特征的部件的控制器、处理器和电路系统，无论是通过硬件部件、软件还是两者的任意组合，或者以适用的任何其它方式。

在附图中，在适用时，所示出的子系统或模块中的至少一些或全部可以包括处理器或由处理器控制，该处理器执行存储在存储器或非暂态计算机可读介质中的指令。可以对一些示例实施例做出变化，其可以包括以上任何示例的组合和子组合。以上呈现的各种实施例仅仅是示例，并且绝不意味着限制本公开的范围。本文描述的创新的变化对于受益于示例实施例的本领域普通技术人员将是清晰的，此类变化在本公开的预期范围内。特别地，可以选择来自一个或多个上述实施例的特征，以创建由特征的子组合组成的替代实施例，这在上面可能没有明确描述。此外，可以选择并组合来自一个或多个上述实施例的特征，以创建以上未明确描述的由特征的组合组成的替代实施例。在整体上回顾本公开之后，适合于这样的组合和子组合的特征对于本领域技术人员将是清晰的。本文描述的主题旨在覆盖和涵盖技术上的所有适当改变。

可以对所描述的实施例进行某些适应和修改。因此，以上讨论的实施例被认为是说明性而非限制性的。