數字病理學是病理學中發展最快的研究領域之一，專注于標本載玻片的數字化分析。通過將病理切片的光學圖像數字化，計算機的軟件學習，應用于改善各種疾病的診斷、預后和預測。

今天，病理切片的數字化主要集中在獲取傳統H&E染色切片的簡單光學顯微鏡圖像，再通過軟件將這些圖像拼接在一起，以便根據RGB（紅、綠、藍）顏色通道或組織形狀對它們進行分析。雖然與傳統的組織定性觀察相比，該過程可以提高疾病診斷的準確性，但相對于其他成像方式而言，它仍是有限的。

高光譜顯微成像技術蘊藏著數字病理學的巨大飛躍。高光譜圖像是看起來與傳統數字化光學圖像非常相似但有非常顯著差異的數字圖像。高光譜圖像的每個像素都包含400 nm-1000 nm的完整可見近紅外(VNIR)光譜。該光譜數據可以在約2 nm的高光譜分辨率下產生，像素尺寸可以小至100 nm（具體取決于用于圖像捕獲的相機）。與簡單的數字光學圖像相比，高光譜圖像中隱藏的令人難以置信的豐富數據，為增強各種疾病組織狀態的數字化表征提供了機會。
本應用中的示例用于說明高光譜顯微成像技術在病理學研究中的簡單應用。圖1顯示了在傳統明場顯微下H&E染色的鱗狀細胞癌組織的高光譜圖像。圖2是同一組織的陰性對照（非癌組織）高光譜圖像。圖3是癌組織的高光譜映射圖像，所有綠色映射的像素點都包含組織癌性元素特有的光譜。用于光譜映射的光譜是使用過濾光譜庫的專有學習算法來得到，通過比較陽性對照樣品中的數千個像素與陰性對照樣品中的所有像素來確定。該算法識別了癌性元素獨有的光譜，并創建為光譜庫。然后使用光譜角映射算法，根據創建的光譜庫映射癌性元素。在圖4中，顯示了一個示例平均光譜，以說明對照組織與癌組織映射區域之間的細微光譜差異。
借助CytoViva的高光譜顯微成像技術，我們還可以根據組織的內源光譜來表征疾病與健康組織，無需任何傳統染色或其他樣品制備。這通常使用CytoViva的增強型暗場顯微成像系統來實現，該系統用于從組織中產生高對比度的散射效應，并不受光源照明的干擾。在上面的第二個示例中，圖5顯示了一期胰腺癌組織的增強暗場高光譜圖像。圖6是陰性對照胰腺組織樣本（無癌癥）。就像在染色組織示例中一樣，使用光譜過濾算法來識別未染色胰腺癌組織的癌性成分所特有的光譜特征。得到了基于圖7所示的獨特光譜特征的癌性成分映射。圖8顯示了胰腺陰性對照組織與胰腺癌組織的映射區域之間的平均光譜差異。

這兩個例子說明了高光譜顯微成像技術如何輕松應用于定量識別傳統染色和未染色環境中的癌性成分。本系統和分析原理可以應用于許多不同的組織樣本，以識別廣泛的疾病狀態。
  CytoViva是由美國Auburn大學與Aetos技術有限公司合作成立，具有高校和軍事公司背景，CytoViva納米高光譜成像技術最初是由美國國防部和美國宇航局空間衛星航空成像開發的技術發展而來，該公司創造性的將該技術與增強型暗場技術結合并應用于微觀層面，使其成為一個專有、集成的系統，能夠在納米尺度上對材料、藥物、生命單元、活性大分子、環境污染物等進行高光譜成像及定性定量分析。

CytoViva納米高光譜成像技術2005年一經面市，就在2006年和2007年連續兩屆獲得著名的R&D100大獎，07年同年獲得Nano50TM獎，在09年獲得了兩項美國專利，專利號7542203和7564623，并迅速得到全球各個國家重點實驗室、科研機構及大型制藥企業的認可，包括FDA， NASA， NIST， NIH， EPA， USDA， NIOSH， Lawrence Berkeley Labs， Dow Chemical，Merck， Johnson& Johnson， Stanford， Duke， Harvard等等。