光谱成像技术以其快速、无损、非接触、高通量和强大的光谱识别能力，日益引起生物医学研究和医疗检测的关注。意大利Brescia大学的科研人员Giovanni等对五种培养于显色琼脂上的UTI（尿路感染病原体）细菌进行了研究，他们使用Specim V10e采集了样本高光谱数据，并基于机器学习方法进行了细菌菌落分类（参见下图）。

    基于光谱成像数据的分类结果显示，使用PCA+SVM算法对5种细菌菌落进行区分的平均准确率为94%，而使用RSIMCA对5种菌落进行分类的平均准确率达到了97%，证明了高光谱成像技术与机器学习算法结合应用于临床病原体检测的潜力。研究人员对分类异常的菌落验证发现，其中一小部分细菌出现了突变，导致其光谱特性发生改变，因而无法被分类到前述机器学习的任一细菌种类中，这也间接证明了每种细菌“光谱指纹”的特异性。

    实验室还利用高光谱成像技术，对疾控中心送检的不同培养基培养的菌落进行了检测实验，结果见下图：

右图为送检实验的三种不同的细菌菌落（血液培养），中图为利用高光谱成像技术进行的区分（分选）结果；右图为画线培养的单种菌落

高光谱成像技术已经广泛应用于植物病原体检测与早期诊断，在人体皮肤病及皮肤损伤检测诊断方面也有大量研究应用。罗马尼亚卡罗尔戴维拉医药大学利用 Specim 高光谱成像结合光谱指数的技术，对烧伤深度评估，根据烧伤皮肤中发生的形态和生理变化导致的光谱指纹差异，绘制具有不同烧伤程度和恢复程度的皮肤区域。光谱指数放大了正常皮肤和具有不同烧伤程度的区域之间的对比度，生成准确的烧伤分级图，显示不同烧伤类型的空间分布、治疗过程和愈后评估。

上左图：高光谱成像技术用于检测植物不同镰刀霉菌；上右图：高光谱成像技术用于皮肤烧伤分级评估

北京宝利恒科技有限公司致力于生态-农业-健康研究检测技术方案提供与研发，开展传统中医药与现代生物医学光谱成像创新应用研发和实验合作。

左图：冬虫夏草分拣实验；中图：银杏叶黄酮醇含量检测；右图：黄芪（上）与甘草（下）光谱成像分析（Ecolab®实验室提供）

参考文献

Turra G , Conti N , Signoroni A . Hyperspectral image acquisition and analysis of cultured bacteria for the discrimination of urinary tract infections[J]. conf proc ieee eng med biol soc, 2015, 2015(19):759-762.

Parasca SV, Calin MA, Manea D, Miclos S, Savastru R. Hyperspectral index-based metric for burn depth assessment. Biomed Opt Express. 2018 Oct 26;9(11):5778-5791.