一种从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法

相关申请

该申请主张在2021年5月27日根据35U.S.C.§§119、120、363、365和37C.F.R.§1.55和§1.78提交的美国序列号17/331，893的权益和优先权，该申请和本申请也主张在2020年5月28日根据35U.S.C.§§119、120、363、365和37C.F.R.§1.55和§1.78提交的美国临时申请序列号63/031，117的权益和优先权，美国专利申请序列号17/331，893和美国临时申请号63/031，117在此通过引用并入作为参考。

技术领域

本发明涉及一种从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法。本发明还涉及一种从无创性毛细血管视频中确定红细胞密度的方法。

背景技术

临床上迫切需要一种改进的、无创性的、快速的、准确的和可靠的方法来测量患者的白细胞和白细胞亚型，包括对白细胞水平低到危险程度的患者的识别。白细胞(也称为白血球)除其他外包括嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞等白细胞亚型。根据疾病预防控制中心，在美国每年接受化疗的65万名癌症患者中，有11万人因化疗引起的发热性中性粒细胞减少症(临床上中性粒细胞的低水平)而住院。在美国每年接受化疗的65万名癌症患者中，有11万人因化疗引起的发热性嗜中性粒细胞减少症(一种临床上嗜中性粒细胞水平较低的疾病)而住院。参见例如Tai等人的Cost of Cancer-Related Neutropenia or Fever Hospitalizations，Journal of Oncology Practice，13(6)(2017)，该文献通过引用并入本文。这种住院治疗通常平均为8.5天，住院费用约为2.5万美元，死亡率约为7％，这使得嗜中性粒细胞减少症称为化疗最严重的副作用之一。参见例如Truong等人的Interpreting Febrile Neutropenia Rates From RandomizedControlled Trials for Consideration of Primary Prophylaxis in The Real World：A Systematic Review and Meta-Analysis，Annals of Oncology，27(4)(2015)以及Lyman等人的Cost of Hospitalization in Patients With Cancer and Febrile Neutropeniaand Impact of Comorbid Conditions，Am.Soc.Hematology(2015)，这两者均通过引用并入本文。还有许多与白细胞水平低到危险程度相关的其他疾病和情况，包括获得性免疫缺陷综合征(AIDS)、自身免疫性疾病、器官移植、因各种情况使用免疫抑制剂药物治疗的患者等。

一种可用于识别白细胞水平低到危险程度的患者的常规技术是全血细胞计数(CBC)。该CBC可以监测白细胞差异和嗜中性粒细胞减少症。有创性CBC需要在临床环境中抽取超过约3毫升的血液。随后的实验室分析通常需要几个小时到几天得出结果。该CBC的实施具有挑战性且成本高昂，并且可能需要免疫受损的患者去医院就诊，从而增加他们感染的风险。参见例如Weinstein，R.A的Nosocomial Infection Update，Emerging InfectiousDiseases，4(3)，(1998)，该文献通过引用并入本文。

基于手指穿刺的替代性常规技术可能具有根本的局限性，因为缺乏连续血滴之间的可重复性，来自穿刺部位指尖血液的白血球计数升高，并且用这种方法获得的血液可能包含间质液。参见例如，Bond等人的Drop-to-Drop Variation in the CellularComponents of Fingerprick Blood：Implications for Point-of-are DiagnosticDevelopment，Am.J.Clin.Pathol.，144(6)(2015)，Yang等人的Comparison of BloodCounts in Various Fingertip and Arterial Blood and Their MeasurementVariation，Clin.Lab.Haematol.23(3)(2001)，Daae等人的A Comparison BetweenHaematological Parameters in‘Capillary’and Venous Blood From Healthy Adults，48(7)(1988)，所有均通过引用并入本文。由于这些局限性，当在临床环境之外进行时，手指穿刺法可能很难代表全身血液细胞计数。参见例如，Hollis等人的Comparison of Venousand capillary Differential Leutkocyte Counts Using a Standard HematologyAnalyzer and a Novel Microfluidic Impedance Cytometer，PloS one，7(9)(2012)以及Ghai，C.L.的A Textbook of Practical Physiology，J.P.Medical Ld.(2012)，这两者均通过引用并入本文。因此，目前还没有用于在家中自行监测白细胞计数(如嗜中性粒细胞计数)的装置。

可能是便携的、廉价的和实用于护理点的传统的体内细胞成像系统和方法通常没有足够的焦深、对比度或视野来检测白细胞亚型。传统的毛细血管镜可用于收集健康受试者的甲囊毛细血管的视频或图像。参见例如，Maldonado等人的Nailfold Capillaroscopyin Diabetes Mellitus，Microvascular Research，112.41-46(2017)以及Mengko等人的Morphological Characterization of Nailfold Capillaries,Intelligent Technologyand Its Applications(ISITIA)International Seminar，IEEE(2016)，这两者均通过引用并入本文。这些传统的系统和方法可以允许对微循环中的毛细血管几何形状和光学吸收间隙(OAG)进行成像，但是可能具有技术限制，除其他外包括焦深、与嗜中性粒细胞的对比度以及稳定性，这些限制可能会阻碍获取的视频进行后续的分析。参见例如，Bourquard等人的Analysis of White Blood Cell Dynamics in Nailfold Capillaries，37

上述讨论的传统体内细胞成像系统和方法、’277专利和’221专利申请也不能确定可用于无创性确定RBC计数的红细胞密度。

发明内容

在一个方面，提出了一种从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法。该方法包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像，对第一多个图像进行处理以确定位于该毛细血管中的一个或多个光学吸收间隙，并且利用在第一多个图像中检测到的任何光学吸收间隙的指示来注释第一多个图像。该方法还包括利用能够分辨白细胞和白细胞亚型的细胞结构的高级光学装置获取同一毛细血管的同一感兴趣区域的第二多个图像，并且利用在第二多个图像中检测到的任何白细胞和/或任何白细胞亚型的指示对第二多个图像进行时空注释。该方法还包括将第一多个图像和来自第一多个图像的注释信息以及来自时空注释的第二多个图像的注释信息输入到机器学习子系统中，该机器学习子系统被配置为确定在第一多个图像中的一个或多个光学吸收间隙中存在白细胞和/或存在于第一多个图像中的一个或多个光学吸收间隙中的任何白细胞的亚型。

在一个实施例中，该机器学习子系统还可以被配置为确定在第一多个图像中检测到的任何光学吸收间隙的白细胞亚型。该机器学习子系统还可以被配置为以确定全白细胞差异测量和/或部分白细胞差异测量。该方法还可以包括将第一多个图像与时空注释的第二多个图像在时间上对准。在时间上对准可以包括通过使用光学装置和高级光学装置上的相同物镜来创建感兴趣区域和同一的感兴趣区域。在时间上对准可以包括通过将光学装置和高级光学装置聚焦在毛细血管中的相同位置来创建感兴趣区域和同一感兴趣区域。该方法还可以包括生成光学吸收间隙参考数据，该光学吸收间隙参考数据包括帧标识符和在第一多个图像中检测到的任何光学吸收间隙的指示。该方法还可以包括生成时空注释的查找数据，该查找数据包括帧标识符和任何存在的白细胞的亚型的指示。将第一多个图像与时空注释的第二多个图像在时间上对准可以包括将第一多个图像的帧标识符与视觉上时空注释的第二多个图像的帧标识符在时间上对准。该方法还可以包括将第一多个图像、光学吸收间隙参考数据和时空注释的查找数据输入到机器学习子系统中。该机器学习子系统可以被配置为输出检测到的任何白细胞和/或检测到的任何白细胞的亚型的结果数据并将结果表与基础真实数据进行比较。该机器学习子系统可以被配置为针对第一多个图像中的每个光学吸收间隙输出检测到的任何白细胞和/或检测到的任何白细胞的亚型的结果数据并且将结果数据与基础真实数据进行比较。对第二多个图像进行时空上注释可以还包括指示以下中的一项或多项：白细胞的尺寸、粒度、亮度、速度、伸长和/或边缘和/或位于检测到的白细胞的位置的上游或下游的红细胞的密度变化。该白细胞的亚型可以包括粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞或嗜碱性粒细胞。该光学装置可以包括高分辨率相机。该高级成像装置除其他外可以包括以下中的一个或多个：光谱编码共焦显微镜(SECM)装置、扫描式共焦对准平面激发(SCAPE)显微镜装置、散射共焦对准斜面成像(SCOPI)装置或倾斜背光照式显微镜(OBM)装置。该人类受试者的预定区域除其他外可以包括以下中的一项或多项：手指、甲囊、脚趾、舌头、牙龈、嘴唇、视网膜和/或耳垂。该光学装置可以被配置为输出至少一个光学吸收间隙信号。该高级光学装置可以被配置为输出高级光学信号。对第二多个图像进行时空注释可以是由人执行的。对第二多个图像进行时空注释可以是由处理子系统执行的。该方法可以还包括使用第一多个图像和来自第一多个图像的注释信息以及来自机器学习子系统的信息来确定在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的任何白细胞的亚型，该机器学习子系统已经使用来自高级光学装置获取的第二多个图像的注释信息学习并确定了在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的白细胞的亚型。

在另一方面，提出了一种从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法。该方法包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像，对第一多个图像进行处理以确定位于毛细血管中的一个或多个光学吸收间隙，以及利用在第一多个图像中检测到的任何光学吸收间隙的指示来注释第一多个图像。该方法还包括使用第一多个图像和来自第一多个图像的注释信息以及来自机器学习子系统的信息来确定在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的任何白细胞的亚型，该机器学习子系统已经使用来自利用高级光学装置获取的第二多个图像的注释信息学习并确定了在一个或多个光学吸收间隙存在白细胞和/或存在于一个或多个光学吸收间隙中的白细胞的亚型。

在又一方面，提出了一种从无创性毛细血管视频中确定红细胞密度的方法。该方法包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像，对第一多个图像进行处理以确定位于毛细血管中的一个或多个血红蛋白光学吸收区域，以及利用在第一多个图像中检测到的血红蛋白光学吸收的任何区域的指示来注释第一多个图像。该方法还包括利用能够分辨红细胞的细胞结构的高级光学装置获取同一毛细血管的同一感兴趣区域的第二多个图像，利用在第二多个图像中检测到的任何红细胞的密度的指示对第二多个图像进行时空注释，以及将第一多个图像和来自第一多个图像的注释信息以及来自时空注释的第二多个图像的注释信息输入到机器学习子系统中，该机器学习子系统被配置为确定存在于第一多个图像中的一个或多个光学吸收间隙中的任何红细胞的密度。

在一个实施例中，根据红细胞的密度来确定红细胞计数。

附图说明

根据下面对优选实施例和附图的描述中，本领域技术人员将会明白其他目的、特征和优点，其中：

图1是示出用于从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法的一个实施例的主要步骤的流程图；

图2更详细地示出了可以由图1中所示方法使用的第一多个图像和第二多个图像的帧图像的示例以及附加元件；

图3是示出用于在图1和图2中的一个或多个所示方法的用于人类受试者的预定区域的人类受试者的手指的甲囊的一个示例的示意图；

图4是更详细地示出了由图1-图3中的一个或多个所示方法所使用的附加元件的示例以及感兴趣区域的示例的示意图；

图5示出了用于图1-图4中的一个或多个所示方法所使用的人类受试者的预定区域的附加区域的示例；

图6更详细地示出了可以由用于图1-图5中的一个或多个所示方法的光学装置来检测的图3中所示的甲囊的一个或多个毛细血管的示例；

图7示出了用于图1-图6中的一个或多个中示出的方法的利用光学装置检测然后被注释的图像的OAG参考表的示例以及由高级光学装置检测然后被时空注释的图像的时空注释查找表的示例；

图8示出了用于图1-图7中的一个或多个所示方法的由光学装置输出的OAG信号的曲线图和由高级光学装置输出的高级光学输出信号的曲线图的示例；

图9更详细地示出了用于图1-图8中的一个或多个所示方法的时间上对准的具有帧标识符的第一多个图像和具有帧标识符的第二多个图像的示例；

图10是示出了从无创性毛细血管中检测白细胞和/或白细胞亚型的方法的另一实施例的流程图；和

图11是示出了确定存在于一个或多个吸收间隙中的任何红细胞的密度的方法的一个实施例的流程图。

具体实施方式

除了下面公开的优选实施例或优选多个实施例之外，本发明能够具有其他实施例，并且能够以多种方式实施或执行。因此，需要理解的是，本发明在其应用中不局限于以下描述或者附图中示出的结构细节和元件布置。如果在本文中仅描述了一个实施例，则本文的权利要求不局限于该实施例。此外，除非有明确和令人信服的证据表明某种排除、限制或免责声明，否则不得对其权利要求进行限制性解读。

如图1所示，该方法的一个实施例从无创性毛细血管视频中检测白细胞和/或白细胞亚型。在图1的步骤10中，该方法包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像。图2的第一多个图像12优选地来源于利用光学装置14获取或拍摄的无创性毛细血管视频，例如上文引用并通过引用并入本文的’277专利和/或’221专利申请中所公开的高分辨率相机、成像仪或成像装置，或类似类型的装置。在该示例中，第一多个图像12包括图3和图4中的感兴趣区域(ROI)26的图像或帧16、18、20、22和24，该感兴趣区域(ROI)26包括一个或多个毛细血管，例如人类受试者的预定区域的图2和图4中的毛细血管28。在该示例中，第一多个图像12包括五个图像或帧16、18、20、22和24。在其他示例中，第一多个图像12可以包括多于或少于本示例中示出的五个图像或帧16-24。在一个示例中，人类受试者的预定区域可以是手指的甲囊，例如，图5中人类受试者44的手指42的图3的甲囊40。图3的甲囊40是人类受试者的一个优选区域，因为毛细血管处于更纵向的位置，一个或多个毛细血管更容易被光学装置14检测到，例如，如图6的毛细血管28所示。在其他示例中，图5的人类受试者44的预定区域可以包括人类受试者44的脚趾、舌头、牙龈、嘴唇、视网膜、耳垂或任何类似的身体部分确定的区域。

图4更详细地示出了人类受试者的预定区域的ROI 26的一个示例，其中可以利用光学装置14获取或拍摄一个或多个毛细血管的图像。如’221专利申请和/或’277专利中所公开的，在一个设计中，光源50发射出的光52被反射镜54反射，使得光52穿透ROI 26中40的甲囊56，并且反射的光60被耦合到图2和图4中的处理子系统70的光学装置14检测，以创建包括图2中具有图像或帧16-24的第一多个图像12的无创性毛细血管视频。

在图1的步骤60中，从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法还包括对第一多个图像12进行处理以确定位于毛细血管中的一个或多个OAG。如上文背景技术部分所述，OAG是毛细血管内红细胞耗尽的一个区域，并且不吸收血红蛋白中发生吸收的波长的光(例如约400nm到约600nm)，并且表明一个或多个白细胞的存在，例如在’221专利申请和/或’277专利中所公开的。在一个示例中，耦合到光学设备14的处理子系统70(类似于’221专利申请和/或’277专利中公开的处理器或类似类型的处理子系统)对第一多个图像12进行处理，并在图像或帧16、18、20、22和24中检测毛细血管28中的一个或多个OAG，例如图2的OAG 64。

在图1的步骤62中，从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法还包括利用在多个图像中检测到的任何OAG的指示来注释第一多个图像12。在一个示例中，图2的第一多个图像12被输入到处理子系统70，处理子系统70输出与任何检测到的OAG相关的注释信息72。在一个示例中，注释信息72优选地包括OAG参考数据，例如图7的OAG参考表74或类似类型的OAG参考数据，其优选地包括帧标识符76和在78处指示的在第一多个图像12的每个图像或帧16、18、20、22和24中检测到的任何光学间隙的指示。在该例子中，OAG参考表74包括用于每个图像或帧的帧标识符t

在图1的步骤80中，从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法还包括利用能够分辨白细胞和白细胞亚型的细胞结构的高级光学装置获取同一毛细血管的同一感兴趣区域的第二多个图像。

图2示出了包括图3和图4的相同ROI 26的图像或帧84、86、88、90、92和94的第二多个图像82的一个示例，ROI包括一个或多个毛细血管，例如由图2和图6的能够分辨白细胞和白细胞亚型的细胞结构的高级光学装置96获取或拍摄的人类受试者的预定区域的毛细血管28，如甲囊40。在一个示例中，高级光学装置96可以包括光谱编码共焦显微镜(SECM)装置、扫描共焦对准平面激发(SCAP)显微镜装置、散射共焦对准斜面成像(SCOPI)装置或倾斜背光照显微镜(OBM)装置，例如，如均通过引用并入本文的下述文献中所公开的，Golan等人的Noninvasive Imaging of Flowing Blood Cells Using Label-Free SpectrallyEncoded Flow Cytometry，Biomedical Optics Express，Vol.3No.6(2012)，Bouchard等人的Swept Confocal-Aligned Planar Excitation(SCAP)Microscopy for High-SpeedVolumetric Imaging of Behaving Organisms，Nature Photonics，Vol.9(2015)，Mckay等人的High-Speed Imaging of Scattering Particles Flowing Through Turbid MediaWith Confoncially Aligned，Oblique Plane Illumination，SPIE Bios，San Francisco，CA(2019)，Mckay等人的Imaging Human Blood Cells In Vivo With Oblique Back-Illumination Capillaroscopy，Biomedical Optics Express，Vol.11(5)(2020)，以及Ford，T.N.和Mertz，J.的Video-Rate Imaging of Microcirculation With Single-Exposed Oblique Black Illumination Microscopy，Journal of Biomedical Optics，Vol.18(6)(2013)。

在一个示例中，由高级光学装置96分辨的白细胞和白细胞亚型的细胞结构可以包括检测到的任何白细胞的亚型，例如粒细胞、嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞或嗜碱性粒细胞。图2的图像100示出了由高级光学装置96分辨的图像86和88中的白细胞和/或白细胞亚型的细胞结构的一个示例，例如，在该示例中，由光谱编码共焦显微镜(SECM)或类似类型的高级光学装置分辨。

在图1的步骤102中，从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法还包括利用在第二多个图像中检测到的任何白细胞和/或检测到的任何白细胞亚型的指示来对第二多个图像进行时空注释。对图2的第二多个图像82进行时空注释可以包括指示以下中的一项或多项：白细胞的尺寸、粒度、亮度、速度、伸长和/或边缘和/或位于检测到得白细胞的位置的上游或下游的红细胞的密度变化。在一个示例中，图2的第二多个图像82使用时空注释数据进行空间注释，例如图7的时空注释查找表108，其包括用于每个图像或帧84、86、88、90、92的帧标识符110(例如t

在图1的步骤128中，检测白细胞和/或白细胞亚型的方法还包括将图2的第一多个图像12、来自第一多个图像12的注释信息72和来自时空注释的第二多个图像122的注释信息120输入到机器学习子系统124中，该机器学习子系统124被配置为确定在第一多个图像12的一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的任何白细胞的亚型。在一个示例中，机器学习子系统124可以是本领域技术人员已知的神经网络、支持向量机、利用随机森林学习方法的机器学习子系统、自适应Boost元算法、朴素贝叶斯分类器或深度学习。机器学习子系统122可以被优选地配置为确定OAG中白细胞的存在，并确定全白细胞差异测量和/或部分白细胞差异测量。

在一个示例中，图2的第一多个图像12优选地与时空注释的第二多个图像122在时间上对准。在该示例中，时间上对准包括在图4的光学装置14和高级光学装置96上使用相同的物镜170以创建相同的感兴趣区域，例如图2和图4的ROI 26。在其他示例中，将第一多个图像12与时空注释的第二多个图像122在时间上对准包括为图4的光学装置14和高级光学装置96创建相同的ROI 26，例如通过将光学装置28和高级光学装置90聚焦在毛细血管中的相同位置，例如聚焦在ROI 26和毛细血管28上，如图所示。在其他示例中，将第一多个图像12与时空注释的第二多个图像122在时间上对准可以使用图像对准处理方法，例如本领域技术人员已知的配准或类似的图像对准处理方法。参见例如，Oliveira，F.P.和Travares，J.M.R.等人的Medical Image Registration：A Review，Computer Methods inBiomechanics and Biomedical Engineering，17(2)(2014)，该文通过引用并入本文。

在一个实施例中，从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法优选地包括将图2的第一多个图像12与时空注释的第二多个图像122进行对准。在一个示例中，将第一多个图像12与时空注释的第二多个图像122在时间上对准包括将图7的每个帧标识符76(例如在光学吸收间隙参考表74中的t

图8的曲线129示出了由图2和图4的光学装置14输出并输入到处理子系统70的OAG信号132的一个示例。在该示例中，OAG信号132包括峰值140、142和144，其中每一个都指示了毛细血管中指示白细胞的OAG的存在，例如毛细血管28中的图2和图9的OAG 64。图8的曲线129还示出了由高级光学装置96(在该示例中为SECM装置)输出的高级光学输出信号134、136和138的示例，这些信号被输入到图2和图4的处理子系统70。高级光学信号134、136和138中的每一个优选地包括指示对应于毛细血管中存在或检测到的OAG的白细胞亚型的峰值。例如，高级光学信号134的峰值146指示单核细胞的白细胞亚型，峰值148指示淋巴细胞的白细胞亚型，而峰值150指示粒细胞、嗜中性粒细胞的白细胞亚型。高级光学信号134、136和138的峰值146、148和150分别仅用于示例目的，因为高级光学信号134、136和138可以具有代表其他类型的白细胞亚型的峰值。曲线129还可以包括附加的高级光学信号，其峰值指示附加的白细胞亚型，例如嗜酸性粒细胞、嗜碱性粒细胞或其他白细胞结构。在该示例中，如图所示，处理子系统70将高级光学信号134的峰值146与OAG信号132的峰值140进行时间上对准，这指示在毛细血管28中的图2和图9的OAG 64中存在单核细胞。类似地，如图所示，处理子系统70将高级光学信号136的峰值148与OAG信号132的峰值142在时间上对准，在该示例中，这指示淋巴细胞存在于毛细血管28中的OAG 64中。如图所示，处理子系统70还将高级光学信号138的峰值150与OAG信号132的峰值144在时间上对准，这表明在毛细血管28的OAG 64中存在嗜中性白细胞。以类似的方式，处理子系统70可以将一个或多个附加的高级光学信号的峰值与OAG信号132上的附加的峰值在时间上对准，每个附加的高级光学信号具有指示附加白细胞亚型(例如粒细胞、嗜酸性粒细胞、嗜碱性粒细胞或其他白细胞结构)的峰值。

图9示出了具有分别在帧标识符t

在一个示例中，图2的第一多个图像12、来自第一多个图像的注释信息72(例如图7的OAG参考数据74，例如表格或类似类型的数据和)以及例如来自图2的第二多个图像120的注释信息(例如图7的时空注释的查找数据108，例如表格或类似类型的数据)被输入到图2的机器学习子系统124，其输出结果数据170(例如类似类型的结果数据的表格)，其指示检测到的任何白细胞和/或检测到的任何白细胞的子类型。然后机器学习子系统124优选地将结果数据170与基础真实数据172(例如表格或类似类型的数据)进行比较，以确定和提高所检测的白细胞和/或所确定的白细胞亚型的准确性。如本领域技术人员已知，“基础真实”是相对于关于理想预期结果的真实知识的术语。

在一个实施例中，机器学习子系统122可以输出结果数据174(例如类似类型数据的表格)，其包括根据第一多个图像12中的每个OAG检测到的任何白细胞和/或检测到的任何白细胞亚型，并且将结果数据174与基础真实数据172数据进行比较，以确定和提高检测到的白细胞和/或确定的白细胞亚型的准确性。

一旦图2的机器学习子系统124使用来自利用高级光学装置获取的第二多个图像的注释信息高效且有效地学习并确定在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的白细胞的亚型，在图10的步骤190中，使用与上面参考图1-图9中的一个或多个所讨论的类似技术从另一实施例的无创性毛细血管中检测白细胞和/或白细胞亚型的方法可以包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像。在步骤192中，该方法还可以包括对第一多个图像进行处理以确定位于毛细血管中的一个或多个光学间隙。该方法还可以包括在步骤92中利用在第一多个图像中检测到的任何光学间隙的指示来注释第一多个图像，以及在步骤194中使用第一多个图像和来自第一多个图像的注释信息以及来自机器学习子系统的信息来确定在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的任何白细胞的亚型，该机器学习子系统已经使用来自利用高级光学装置获取的第二多个图像的注释信息学习并确定了在一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的白细胞的亚型。

该结果是从无创性毛细血管视频中检测白细胞和/或白细胞亚型的方法准确、有效并定量地确定白细胞差异测量值和/或部分白细胞差异测量值，以帮助医务人员治疗与白细胞水平低到危险程度相关的各种疾病和情况，例如，嗜中性粒细胞减少症、AID、自身免疫性疾病、器官移植、因各种情况使用免疫抑制剂药物治疗的患者等。一旦机器学习子系统使用来自利用高级光学装置获取的第二多个图像的注释信息高效且有效地学习并确定一个或多个光学吸收间隙中存在白细胞和/或存在于一个或多个光学吸收间隙中的白细胞的亚型，则所要求保护的方法可以利用简单、便携且性价比高的成像装置，例如毛细血管镜来确定OAG中白细胞的存在和白细胞的亚型，并且不需要还利用高级和昂贵的光学成像系统，例如SECM、SCAP、SCOPI、OPBM等。

使用与上面参考图1-图9中的一个或多个所讨论的类似技术，在图10的步骤200中，本发明的一个实施例的从无创性毛细血管视频中确定红细胞密度的方法包括从利用光学装置拍摄的无创性毛细血管视频中获取包括人类受试者的预定区域的一个或多个毛细血管在内的感兴趣区域的第一多个图像。在步骤202中，对第一多个图像进行处理以确定位于毛细血管中的一个或多个血红蛋白光学吸收区域。在步骤204中，利用在第一多个图像中检测到的血红蛋白光学吸收的任何区域的指示来注释第一多个图像。在步骤206中，利用能够分辨红细胞的细胞结构的高级光学装置获取同一毛细血管的同一感兴趣区域的第二多个图像。在步骤208中，利用在第二多个图像中检测到的任何红细胞的密度的指示对第二多个图像进行时空注释。在步骤210中，第一多个图像和来自第一多个图像的注释信息以及来自时空注释的第二多个图像的注释信息被输入到机器学习子系统中，该机器学习子系统被配置为确定存在于一个或多个光学吸收间隙中的任何红细胞的密度。

在一个示例中，根据红细胞密度来确定红细胞计数。

尽管本发明的特定特征在一些附图中示出而在其它附图中没有示出，但这仅仅是为了方便，因为根据本发明，每个特征可以与任何或所有其它特征相结合。本文使用的词语“包括”、“包含”、“具有”和“带有”将被广泛和全面地解释，并且不限于任何物理互连。此外，本申请中公开的任何实施例不应被视为唯一可能的实施例。本领域技术人员将想到其他实施例，并且这些实施例在以下权利要求的范围内。

此外，在本专利的专利申请起诉过程中提出的任何修正都不是对提交的申请中提出的任何权利要求要素的免责声明：本领域技术人员不能合理地期望起草字面上包含所有可能的等同物的权利要求，许多等同物在修正时是不可预见的，并且超出了对要放弃的内容(如果有的话)的合理解释，修正的基本原理可以与许多等同物没有太大关系，和/或有许多其他原因不能期望申请人描述任何修正的权利要求要素的某些非实质性替代物。