CN115078226A - 分析方法以及分析装置 - Google Patents

分析方法以及分析装置 Download PDF

Info

Publication number
CN115078226A
CN115078226A CN202210235157.7A CN202210235157A CN115078226A CN 115078226 A CN115078226 A CN 115078226A CN 202210235157 A CN202210235157 A CN 202210235157A CN 115078226 A CN115078226 A CN 115078226A
Authority
CN
China
Prior art keywords
cell
cells
processor
data
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210235157.7A
Other languages
English (en)
Inventor
朝田祥一郎
木村考伸
田中政道
铃木健一郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sysmex Corp
Original Assignee
Sysmex Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2021040830A external-priority patent/JP2022140145A/ja
Priority claimed from JP2021040829A external-priority patent/JP2022140144A/ja
Priority claimed from JP2021040831A external-priority patent/JP2022140146A/ja
Application filed by Sysmex Corp filed Critical Sysmex Corp
Publication of CN115078226A publication Critical patent/CN115078226A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1404—Handling flow, e.g. hydrodynamic focusing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G01N33/4915—Blood using flow cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N35/00871—Communications between instruments or with remote terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1486—Counting the particles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N2035/00891—Displaying information to the operator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Dispersion Chemistry (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Ecology (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

提供能够对具有多个细胞种类的特征的细胞进行更详细的分析的新的分析方法以及分析装置。在使用了与主计算机连接的分析装置的检体的分析方法中，关于检体中包含的多个细胞的各个细胞，获取细胞的特征数据(S12)，通过使用人工智能算法来解析数据，从而生成将各个细胞分类为多个细胞种类的分类信息(S13)，根据分类信息生成检体的测定结果(S3)，将分类信息中的至少一部分和测定结果显示于分析装置的显示部(S4)，将包含测定结果且分类信息中的至少一部分被去除的输出用数据发送到主计算机(S5)。

Description

分析方法以及分析装置
技术领域
本发明涉及分析检体中的细胞的分析方法以及分析装置。
背景技术
在专利文献1中，记载有使用通过使血球细胞流到流通池而得到的荧光、光散射的参数将白血球分类为子群体的方法。在该方法中，根据包括通过将光照射到流经流通池的血球细胞而产生的轴向光损耗(ALL)、中间角度前方散射(IAS)、荧光(FL1)、偏光侧方散射(PSS)的多个参数对白血球子群体进行分类。分类后的白血球子群体被显示于散布图。
现有技术文献
专利文献
专利文献1：日本特表2016-514267号公报
发明内容
如专利文献1所公开的以往的细胞分类方法将一个细胞择一地分类为一个分类。然而，例如，有时即使是相同的中性粒细胞也因成熟度的不同而具有不同的形态学的特征，在中性粒细胞之中也可能包含具有与未成熟粒细胞相似的形态学的特征的中性粒细胞。在以往的细胞分类方法中，有时即使包含具有如中性粒细胞那样的正常细胞的特征和如未成熟粒细胞那样的异常细胞的特征的细胞，这样的细胞也被择一地分类为一个种类，有时不会进行更详细的分析。另外，当为了能够进行比以往详细的分析而增加提供给用户的信息量时，还需要应对数据容量增大的问题。
鉴于上述课题，本发明的目的在于提供能够对具有多个细胞种类的特征的细胞进行更详细的分析的新的分析方法以及分析装置。
本发明的分析方法是使用了与主计算机连接的分析装置的检体的分析方法，所述分析方法的特征在于，关于检体中包含的多个细胞的各个细胞，获取所述细胞的特征数据，通过使用人工智能算法来解析所述特征数据，从而生成将各个所述细胞分类为多个细胞种类的分类信息，根据所述分类信息生成检体的测定结果，将所述分类信息中的至少一部分和所述测定结果显示于所述分析装置的显示部，将包含所述测定结果且所述分类信息中的至少一部分被去除的输出用数据发送到所述主计算机。
本发明的分析装置具备：测定单元，关于检体中包含的多个细胞的各个细胞，获取所述细胞的特征数据；处理器，通过使用人工智能算法来解析所述特征数据，从而生成将各个所述细胞分类为多个细胞种类的分类信息，根据所述分类信息生成检体的测定结果；以及显示部，显示所述分类信息中的至少一部分和所述测定结果，所述处理器将包含所述测定结果且所述分类信息中的至少一部分被去除的输出用数据发送到与所述分析装置连接的主计算机。
根据本发明，能够避免向主计算机的数据通信负荷的增大，并关于包含具有多个细胞种类的特征的细胞的检体提供与详细的分析相关的信息。
附图说明
图1是示出细胞分析装置以及主计算机的图。
图2是测定单元的框图。
图3是试样调制部的框图。
图4是FCM检测部的示意图。
图5是说明由A/D变换部进行的数字信号的生成的处理的图。
图6是说明特征参数数据的构造的图。
图7是说明基于深度学习算法的细胞分类的处理的示意图。
图8是示出基于深度学习算法的解析对象的细胞的种类的图。
图9是处理单元的框图。
图10是说明细胞分析装置的动作的流程图。
图11是说明检查结果数据生成过程的流程图。
图12是示意地示出检查结果数据的数据构造的第1例的图。
图13是示意地示出检查结果数据的数据构造的第2例的图。
图14是示意地示出检查结果数据的数据构造的第3例的图。
图15是示意地示出检查结果数据的数据构造的第4例的图。
图16是示意地示出检查结果数据的数据构造的第5例的图。
图17是检查结果显示过程的第1例的流程图。
图18是示出检体一览画面的一个例子的图。
图19是示出详细画面的一个例子的图。
图20是示出分析画面的一个例子的图。
图21是示出分析画面的一个例子的图。
图22是示出分析画面的一个例子的图。
图23是示出分析画面的一个例子的图。
图24是检查结果显示过程的第2例的流程图。
图25是示出分析画面的一个例子的图。
图26是示出分析画面的一个例子的图。
图27是示出分析画面的一个例子的图。
图28是示出分析画面的一个例子的图。
图29是检查结果显示过程的第3例的流程图。
图30是检查结果显示过程的第4例的流程图。
图31是示出分析画面的一个例子的图。
图32是示出分析画面的一个例子的图。
图33是示出分析画面的一个例子的图。
图34是示出分析画面的一个例子的图。
图35是示出分析画面的一个例子的图。
图36是示出分析画面的一个例子的图。
图37是示出分析画面的一个例子的图。
图38是示出分析画面的一个例子的图。
图39的(a)、(b)分别是示出散点图的另一例子的图。
图40是检查结果显示过程的第5例的流程图。
图41是示出分析画面的一个例子的图。
图42是示出分析画面的一个例子的图。
图43是向主计算机的发送过程的流程图。
图44的(a)、(b)分别是示出输出用数据的构造的一个例子的图。
图45的(a)、(b)分别是示出输出用数据的构造的一个例子的图。
图46的(a)、(b)分别是示出受理与输出用数据有关的设定的画面的一个例子的图。
图47是并行处理处理器的结构例的图。
图48是示出向测定单元的并行处理处理器的搭载例的图。
图49是示出向测定单元的并行处理处理器的搭载例的图。
图50是示出向测定单元的并行处理处理器的搭载例的图。
图51是示出向测定单元的并行处理处理器的搭载例的图。
图52是示出由处理器以及并行处理处理器执行的运算处理的概要的图。
图53的(a)、(b)分别是示出并行处理处理器执行的矩阵运算的概要的图。
图54是示出由并联运算处理处理器执行多个运算处理的图。
图55的(a)、(b)分别是示出与卷积层有关的运算处理的概要的图。
图56是使用了基于处理器以及并行处理处理器的深度学习算法的细胞分类的流程图。
图57是并行处理执行的流程图。
图58是示出细胞分析装置的其它结构例的框图。
图59是示出细胞分析装置的其它结构例的框图。
图60是示出细胞分析装置的其它结构例中的处理器所进行的并行处理处理器的控制的示意图。
图61是示出细胞分析装置的其它结构例的框图。
图62是示出细胞分析装置的其它结构例的框图。
图63是示出细胞分析装置的其它结构例的框图。
图64是示出细胞分析装置的其它结构例的框图。
图65是示出细胞分析装置的其它结构例的框图。
图66是示出细胞分析装置的其它结构例中的处理器所进行的并行处理处理器的控制的示意图。
图67是示出细胞分析装置的其它结构例的框图。
图68是示出细胞分析装置的其它结构例的框图。
图69是示出细胞分析装置的其它结构例的框图。
图70的(a)～(c)分别是说明神经网络的构造的图。
图71是说明神经网络的训练的图。
符号说明
60：深度学习算法；100：细胞分析装置(分析装置)；400：测定单元；500：主计算机；3001、4831：处理器；3002、4833：并行处理处理器；3015：显示部。
具体实施方式
以下，参照附图，详细地说明本发明的概要以及实施方式。此外，在以下的说明以及附图中，相同的符号表示相同的或者类似的构成要素，省略与相同或者类似的构成要素有关的说明。
以下说明的分析方法是如下方法：关于检体中包含的多个细胞的各个细胞，获取细胞的特征数据，通过使用人工智能算法来解析特征数据，从而生成将各个细胞分类为多个细胞种类的分类信息。
检体也可以是从被检者提取的生物体试样。例如，生物体试样可以包括静脉血、动脉血等外周血、尿、血液以及尿以外的体液。作为血液以及尿以外的体液，可以包括骨髓液、腹水、胸水、脑脊液等。以下，有时将血液以及尿以外的体液简称为“体液”。血液试样是能够进行细胞数的计数以及细胞类别的判定的试样，也就是说是包含细胞的状态的试样，优选的是全血。血液优选的是外周血。例如，关于血液，能够举出使用乙二胺四乙酸盐钠盐或者钾盐)、肝素钠等抗凝剂采集到的外周血。外周血既可以从动脉提取，也可以从静脉提取。
通过该分析方法分类的细胞种类以基于形态学上的分类的细胞类别为基准，根据生物体试样的种类而不同。在生物体试样是血液的情况下，在血液是从健康人采集到的血液的情况下，在本实施方式中要判定的细胞种类中例如包括红血球、白血球等有核细胞、血小板等。有核细胞中例如包括中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞中例如包括叶状核中性粒细胞以及杆状核中性粒细胞。在血液是从非健康人采集到的血液的情况下，有核细胞中包括异常细胞。
异常细胞是指在健康人的外周血中通常看不到的细胞。异常细胞也可以包括淋巴细胞系异常细胞。淋巴细胞系异常细胞例如包括异型淋巴细胞(反应性淋巴细胞)、包含成熟淋巴瘤的异常淋巴细胞、浆细胞。异常细胞也可以包含芽细胞。芽细胞包括骨髓芽细胞、淋巴芽细胞、前成红芽细胞、碱性成红芽细胞、多色成红芽细胞、正色成红芽细胞、前巨成红芽细胞，碱性巨成红芽细胞、多色巨成红芽细胞以及正色巨成红芽细胞等。异常细胞也可以包括巨核细胞。异常细胞也可以包括未成熟粒细胞。未成熟粒细胞例如包括前骨髓细胞、骨髓细胞、后骨髓细胞等。
异常细胞也可以包括健康人的外周血中不包含的其它异常细胞。异常细胞的例子是在患上疾病时出现的细胞，例如是肿瘤细胞。在是造血系的情况下，疾病例如是骨髓异型性综合征、急性骨髓芽细胞性白血病、急性骨髓芽细胞性白血病、急性前骨髓细胞性白血病、急性骨髓单核细胞性白血病、急性单核细胞性白血病、红白血病、急性巨核芽细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、淋巴芽细胞性白血病、慢性骨髓性白血病、或者慢性淋巴细胞性白血病等白血病、霍奇金氏淋巴瘤、非霍奇金氏淋巴瘤等恶性淋巴瘤或者多发性骨髓瘤。
在生物体试样是尿的情况下，细胞种类中例如可以包括红血球、白血球、移行上皮，鳞状上皮等上皮细胞等。作为异常细胞，例如可以包括细菌、丝状真菌、酵母等真菌、肿瘤细胞等。
在生物体试样是腹水、胸水、髓液等不包含通常血液成分的体液的情况下，细胞种类中例如可以包括红血球、白血球、大型细胞。在此所称的“大型细胞”是指从体腔内膜或者内脏的腹膜脱落的细胞，是比白血球大的细胞，例如，中皮细胞、组织细胞、肿瘤细胞等符合。
在生物体试样是骨髓液的情况下，细胞种类作为正常的细胞，可以包括成熟的血球细胞和幼体血球系细胞。成熟的血球细胞中例如包括红血球、白血球等有核细胞、血小板等。白血球等有核细胞中例如包括中性粒细胞、淋巴细胞、浆细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞中例如包括叶状核中性粒细胞以及杆状核中性粒细胞。作为幼体血球系细胞中例如包括造血系干细胞、未成熟粒细胞系细胞、幼若淋巴细胞系细胞、幼若单核细胞系细胞、幼若红血球系细胞、巨核细胞系细胞、间叶系细胞等。未成熟粒细胞中例如可以包括后骨髓细胞、骨髓细胞、前骨髓细胞、骨髓芽细胞等细胞。幼若淋巴细胞系细胞中例如包括淋巴芽细胞等。幼若单核细胞系细胞中包括单芽细胞等。幼若红血球系细胞中例如包括前成红芽细胞、碱性成红芽细胞、多色成红芽细胞、正色成红芽细胞、前巨成红芽细胞、碱性巨成红芽细胞、多色巨成红芽细胞以及正色巨成红芽细胞等有核红血球。巨核细胞系细胞中例如包括巨核芽细胞等。
作为骨髓中能够包含的异常细胞，例如能够举出上述骨髓异型性综合征、急性骨髓芽细胞性白血病、急性骨髓芽细胞性白血病、急性前骨髓细胞性白血病、急性骨髓单核细胞性白血病、急性单核细胞性白血病、红白血病、急性巨核芽细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、淋巴芽细胞性白血病、慢性骨髓性白血病或者慢性淋巴细胞性白血病等白血病、霍奇金氏淋巴瘤、非霍奇金氏淋巴瘤等恶性淋巴瘤或者多发性骨髓瘤的造血系肿瘤细胞、骨髓以外的器官所产生的恶性肿瘤的转移性肿瘤细胞。
使用对包含细胞的检体进行分析的细胞分析装置来适合地实施该分析方法。细胞分析装置也可以具备：测定单元，关于检体中包含的多个细胞的各个细胞，获取细胞的特征数据；以及控制部，通过使用人工智能算法来解析特征数据，从而将各个细胞分类为多个细胞种类。以下说明这样的细胞分析装置的一个例子。
[1.基本结构]
参照图1，说明细胞分析装置的基本结构。图1是示出细胞分析装置100的外观的示意图。细胞分析装置100是根据从主计算机500发送的检查次序来分析来源于生物体的检体的装置。细胞分析装置100具备测定单元400和处理单元300。将主计算机500和细胞分析装置100总称为检查系统1000。
[2.测定单元的结构]
参照图2，说明测定单元400的结构。图2示出测定单元400的框图的例子。如图2所示，测定单元400具备吸引检体的检体吸引部450、从所吸引的检体调制测定试样的试样调制部440、检测测定试样中的血球的FCM检测部410、对从FCM检测部410输出的模拟信号进行处理的模拟处理部420、将由模拟处理部420处理后的信号变换为数字信号而进行解析的测定单元控制部480以及装置机构部430。
图3是用于说明检体吸引部450和试样调制部440的示意图。检体吸引部450具备用于从采血管T吸引血液检体的管嘴451和用于对管嘴451赋予阴压/阳压的泵452。管嘴451通过由装置机构部430被上下移动而插入到采血管T。当在管嘴451插入到采血管T的状态下泵452赋予阴压时，经由管嘴451吸引血液检体。
试样调制部440具备5个反应室440a～440e。反应室440a～440e分别在DIFF、RET、WPC、PLT－F、WNR的测定通道中使用。收容有作为与各测定通道对应的试剂的溶血剂的溶血剂容器和收容有染色液的染色液容器经由流路连接于各反应室。由一个反应室和与其连接的试剂(溶血剂以及染色液)构成测定通道。例如，DIFF测定通道包括作为DIFF测定用试剂的DIFF溶血剂以及DIFF染色液和反应室440a。其它测定通道也同样地构成。此外，在此，例示出一个测定通道具备一个溶血剂和一个染色液的结构，但一个测定通道也可以未必具备溶血剂和染色液这两方，也可以由多个测定通道共用一个试剂。
吸引了血液检体的管嘴451通过基于装置机构部430的水平及上下移动，从上方接近反应室440a～440e中的与和次序对应的测定通道对应的反应室，排出所吸引的血液检体。试样调制部440对血液检体被排出的反应室供给对应的溶血剂和染色液，在反应室内将血液检体、溶血剂以及染色液进行混合，从而调制测定试样。调制出的测定试样经由流路从反应室供给到FCM检测部410，进行基于流式细胞法的细胞的测定。
图4示出了FCM检测部410的光学系统的结构例。如图4所示，在由流式细胞仪进行的测定中，在测定试样中包含的细胞通过流式细胞仪内所具备的流通池(鞘流通池)4113时，光源4111将光照射到流通池4113，利用受光元件4116、4121、4122检测由于该光而从流通池4113内的细胞发出的散射光以及荧光。
在图4中，从作为光源4111的激光二极管射出的光经由照射透镜系统4112照射到通过流通池4113内的细胞。
如图4所示，从通过流通池4113的粒子发出的前方散射光经由聚光透镜4114和针孔部4115被受光元件4116接收。受光元件4116例如是光电二极管。侧方散射光经由聚光透镜4117、分色镜4118、带通滤光器4119以及针孔部4120被受光元件4121接收。受光元件4121例如是光电倍增管。侧方荧光经由聚光透镜4117以及分色镜4118被受光元件4122接收。受光元件4122例如是光电倍增管。此外，作为受光元件4116，也可以代替光电二极管而使用雪崩光电二极管或者光电倍增管。作为受光元件4121、受光元件4122，也可以使用光电二极管或者雪崩光电二极管。
从各受光元件4116、4121以及4122输出的受光信号分别经由放大器4151、4152以及4153被输入到模拟处理部420。模拟处理部420经由信号传送路径421连接于后述测定单元控制部480的A/D变换部482。
返回到图2，模拟处理部420对从FCM检测部410输入的模拟信号进行噪声去除、平滑化等处理，将处理后的模拟信号输出到测定单元控制部480。
测定单元控制部480具备A/D变换部482、处理器4831、RAM4834、存储部4835、总线控制器4850、并行处理处理器4833、总线485以及与处理单元300连接的接口部489。测定单元控制部480具备介于总线485与A/D变换部482之间的接口部484。测定单元控制部480还具备介于各种硬件(即检体吸引部450、装置机构部430、试样调制部440、FCM检测部410)与总线485之间的接口部488。
A/D变换部482按照预定的采样率(例如，以10纳秒间隔进行1024点的采样，以80纳秒间隔进行128点的采样，或者以160纳秒间隔进行64点的采样等)对从模拟处理部420输出的模拟信号进行采样，变换为数字信号。A/D变换部482将从检体的测定开始至测定结束为止的模拟信号变换为数字信号。在通过某个测定通道中的测定而生成多个种类的模拟信号(例如，与前方散射光强度、侧方散射光强度以及荧光强度分别对应的模拟信号)的情况下，A/D变换部482将从各个模拟信号的测定开始至测定结束为止变换为数字信号。如参照图4进行说明那样，3个种类的模拟信号(即前方散射光信号、侧方散射光信号以及荧光信号)分别经由对应的多个信号传送路径421输入到A/D变换部482。A/D变换部482将从多个信号传送路径421输入的模拟信号分别变换为数字信号。
图5是用于说明由A/D变换部482进行的模拟信号的采样的处理的示意图。当使包含细胞C的测定试样流到流通池4113，将光照射到流通池4113时，相对于光的行进方向而在前方产生前方散射光。同样地，相对于光的行进方向而在侧方产生侧方散射光和侧方荧光。前方散射光由受光元件4116接收，输出与受光量相应的信号。侧方散射光由受光元件4121接收，输出与受光量相应的信号。侧方荧光由受光元件4122接收，输出与受光量相应的信号。随着测定试样中包含的多个细胞通过流通池4113，从受光元件4116、4121、4122输出表示与时间经过相伴的信号的变化的模拟信号。将与前方散射光对应的模拟信号称为“前方散射光信号”，将与侧方散射光对应的模拟信号称为“侧方散射光信号”，将与侧方荧光对应的模拟信号称为“荧光信号”。各模拟信号的1个脉冲对应于1个细胞。
模拟信号被输入到A/D变换部482。A/D变换部482以从受光元件4116、4121、4122输入的模拟信号中的前方散射光信号的电平达到作为预定的阈值而设定的电平的时间点为起始点，进行前方散射光信号、侧方散射光信号、荧光信号的采样。A/D变换部482按照预定的采样率(例如，以10纳秒间隔进行1024点的采样，以80纳秒间隔进行128点的采样，或者以160纳秒间隔进行64点的采样等)，对各个模拟信号进行采样。采样时间不取决于脉冲的大小，是固定的。采样时间被设定成比在一个细胞通过流通池4113的束光点时从模拟信号的电平上升起至下降为止的时间长。由此，作为与一个细胞对应的数字信号，能够得到将表示多个时间点下的模拟信号电平的值作为元素的矩阵数据。这样A/D变换部482生成与一个细胞对应的前方散射光的数字信号、侧方散射光的数字信号、侧方荧光的数字信号。在得到数字信号的细胞数达到预定数量为止或者在从使测定试样开始流到流通池4113起经过预定时间为止，反复进行A/D变换。由此，如图5所示，关于测定试样中的N个细胞，能够得到使各细胞的模拟信号的波形数字化的数字信号。在本说明书中，将数字信号中包含的针对各细胞的采样数据的集合(在图5的例子中从t＝0ns至t＝10240ns为止的1024个数字值的集合)称为波形数据。
对由A/D变换部482生成的各个波形数据赋予用于识别各个细胞的索引。关于索引，例如按所生成的波形数据的顺序赋予1～N的整数，对从相同的细胞得到的前方散射光的波形数据、侧方散射光的波形数据、侧方荧光的波形数据分别赋予相同的索引。索引对应于后述细胞的数据构造中包含的细胞ID。
一个波形数据对应于一个细胞，所以索引对应于测定出的细胞。对与相同的细胞对应的波形数据赋予相同的索引，从而在后述深度学习算法中，对与各个细胞对应的前方散射光的波形数据、侧方散射光的波形数据以及荧光的波形数据进行解析，对细胞的类别进行分类。
A/D变换部482除了生成与各细胞对应的波形数据之外，还计算各信号的脉冲的峰值，生成特征参数数据。图6是示出特征参数数据的一个例子的示意图。A/D变换部482与为了生成波形数据而将各细胞的模拟信号变换为数字值的处理并行地，从特征参数数据的前头列起依次保存各细胞的波形数据中包含的数字值的最大值。在N列第N个，保存生成了波形数据的细胞的值。列的位置与对波形数据的前头赋予的索引一致。也就是说与索引“N”的波形数据对应的数字值保存于N列。数字值的最大值相当于细胞的模拟信号的脉冲的波峰高度。因而，关于前方散射光信号、侧方散射光信号以及侧方荧光信号的各个信号，抽取各细胞的波形数据中包含的数字值的最大值，从而关于各细胞能够得到前方散射光信号的脉冲的峰值(称为FSCP)、侧方散射光信号的脉冲的峰值(称为SSCP)以及侧方荧光信号的脉冲的峰值(称为SFLP)。
返回到图2，A/D变换部482将所生成的数字信号和特征参数数据输入到总线485。总线控制器4850例如通过DMA(Direct Memory Access，直接内存访问)转送来将从A/D变换部482输出的数字信号发送到RAM4834。RAM4834存储数字信号和特征参数数据。
处理器4831经由总线485而与接口部489、接口部488、接口部484、RAM4834、存储部4835连接。处理器4831经由总线485而与并行处理处理器4833连接。处理单元300经由接口部489和总线485连接于测定单元400的各部分。总线485例如是具有几百MB/s以上的数据转送速度的传送路。总线485例如也可以由具有1GB/s以上的数据转送速度的传送路构成。总线485例如根据PCI－Express或者PCI－X标准来进行数据转送。
处理器4831使用并行处理处理器4833，执行保存于存储部4835的解析软件4835a，从而分析数字信号。
处理器4831例如是CPU(Central Processing Unit，中央处理单元)。并行处理处理器4833并行地执行作为与波形数据的分析有关的处理中的至少一部分的多个运算处理。并行处理处理器4833例如是GPU(Graphics Processing Unit，图形处理单元)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)。在并行处理处理器4833是FPGA的情况下，并行处理处理器4833中，例如也可以预先编程有与通过解析软件4835a实现的深度学习算法60有关的运算处理。在并行处理处理器4833是ASIC的情况下，并行处理处理器4833例如既可以预先编入有用于执行与深度学习算法60有关的运算处理的电路，也可以除了内置有这样的编入电路之外，还内置有可编程的模块。并行处理处理器4833例如适当地使用NVIDIA公司制的GeForce、Quadro、TITAN、Jetson等。
图7是说明解析软件4835a的深度学习算法60的运算处理的图。
深度学习算法60由包括多层的中间层的神经网络构成。神经网络优选是具有卷积层的卷积神经网络(Convolutional Neural Network：CNN)。神经网络中的输入层60a的节点数对应于输入的1个细胞的波形数据中包含的排列数。在图6的例子中，输入层60a的节点数对应于1个细胞的波形数据86a、86b、86c的1024个×3的排列的数量。
神经网络的输出层60b具备与解析对象的细胞种类对应的数量的节点。在图8的例子中，解析对象的细胞种类存在“中性粒细胞(NEUT)、“淋巴细胞(LYMPH)”、“单核细胞(MO否)”、“嗜酸性粒细胞(EO)”、“嗜碱性粒细胞(BASO)”、“未成熟粒细胞(IG)”、“芽细胞(Blast)”、“异常淋巴细胞(Abn LYMPH)”以及“无符合(NONE)”这9个种类。该情况下的输出层60b的节点的数量是9。
当波形数据被输入到构成深度学习算法60的神经网络的输入层60a时，作为将细胞分类为多个细胞种类(Cell type)的分类信息82，从输出层60b输出与波形数据对应的细胞符合各细胞种类的概率。从输出层60b输出的数据包括细胞ID、细胞种类的识别信息(图8的标签值)以及与各细胞种类对应的概率的数值。
处理器4831将通过深度学习算法60得到的细胞的分类信息82保存于RAM4834。各细胞的分类信息82和特征参数数据经由接口部489被发送到处理单元300。
[3.处理单元300的结构]
参照图9，说明处理单元300的结构。处理单元300经由接口部3006以及总线3003而与测定单元400的处理器4831连接，能够接收由测定单元400生成的分类信息82以及特征参数数据。接口部3006例如是USB接口。
处理单元300具备处理器3001、总线3003、存储部3004、接口部3006、显示部3015以及操作部3016。处理单元300作为硬件由普通的个人计算机构成，通过执行保存于存储部3004的专用的程序，作为细胞分析装置100的处理单元发挥功能。
处理器3001是CPU，能够执行存储于存储部3004的程序。
存储部3004具备硬盘装置。在存储部3004中，至少保存有用于对从测定单元400发送的细胞的分类信息82进行处理而生成检体的检查结果的程序。
显示部3015具备计算机屏幕。显示部3015经由接口部3006和总线3003连接于处理器3001。显示部3015能够接受从处理器3001输入的图像信号而显示检查结果。
操作部3016具备包括键盘、鼠标或者触摸面板的指向设备。医生、检查人员等用户通过对操作部3016进行操作，从而能够将测定次序输入到细胞分析装置100，依照测定次序输入测定指示。操作部3016还能够从用户受理显示检查结果的指示。用户能够对操作部3016进行操作，阅览与检查结果有关的各种信息例如图、图表、对检体赋予的标志信息。
[4.细胞分析装置100的动作]
参照图10，说明由细胞分析装置100进行的检体的分析动作。
处理单元300的处理器3001当经由操作部3016从用户受理测定次序和测定指示时，将测定指令发送到测定单元400(步骤S1)。
测定单元400的处理器4831当接收到测定指令时，开始检体的测定。处理器4831使检体吸引部450从采血管T吸引检体(步骤S10)。接下来，处理器4831使检体吸引部450将所吸引的检体分注到试样调制部440的任意的反应室440a～440e。在步骤S1中从处理单元300发送的测定指令中，包含根据测定次序请求测定的测定通道的信息。处理器4831根据测定指令中包含的测定通道的信息，以将检体排出到对应的测定通道的反应室的方式控制检体吸引部450。
处理器4831使试样调制部440调制测定试样(步骤S11)。在步骤S11中，试样调制部440接受来自处理器4831的命令，将试剂(溶血剂以及染色液)供给到检体被排出的反应室，将检体与试剂进行混合。由此在反应室内，调制出红血球被溶血剂溶血、且白血球、网状红血球等测定通道作为目标的细胞被染色性地染色的测定试样。
处理器4831使FCM检测部410测定调制出的测定试样(步骤S12)。在步骤S12中，处理器4831控制装置机构部430，将处于试样调制部440的反应室内的测定试样供给到FCM检测部410。反应室与FCM检测部410用流路连接，从反应室供给的测定试样在流通池4113内流动，由光源4111照射激光(参照图4)。
测定试样被供给到流通池4113，从而前方散射光信号、侧方散射光信号以及侧方荧光信号被输入到A/D变换部482。A/D变换部482生成作为与各个细胞对应的波形数据的集合的数字信号和保存有各细胞的波形数据中包含的最大值的特征参数数据。波形数据和特征参数的生成方法与已经叙述的一样。
处理器4831控制总线控制器4850，通过DMA转送来使由A/D变换部482生成的波形数据和特征参数数据取入到RAM4834。通过DMA转送，波形数据不经由处理器4831而直接被转送到RAM4834。波形数据保存于RAM4834。
处理器4831使用深度学习算法60，根据所生成的波形数据来执行细胞分类，生成分类信息(步骤S13)。
处理器4831将作为步骤S14的结果而得到的各个细胞的分类信息82和特征参数数据发送到处理单元300(步骤S14)。
处理单元300的处理器3001当从测定单元接收到分类信息82和特征参数数据时(步骤S2)，使用保存于存储部3004的程序来分析分类信息82，生成检体的检查结果数据(步骤S3)。检查结果数据保存于存储部3004。关于步骤S3的处理将在后面叙述。
处理器3001将检查结果显示于显示部3015(步骤S4)。关于步骤S4的处理将在后面叙述。
处理器3001将检查结果发送到主计算机500(步骤S5)。关于步骤S5的处理将在后面叙述。
主计算机500接收从处理单元300的处理器3001发送的检查结果(步骤S21)。由此一连串的处理结束。
[5.检查结果数据生成过程]
图11是示出由处理单元300的处理器3001执行的步骤S3(检查结果数据生成过程)的详细内容的流程图。
处理器3001根据从测定单元400接收到的分类信息82，决定细胞的主细胞种类(步骤S31)。具体而言，处理器3001根据分类信息82中包含的每个细胞种类的概率，将概率最高的细胞种类决定为主细胞种类。例如，关于某个细胞得到的概率数据在以下的情况下，概率最高的细胞种类是中性粒细胞，所以该细胞的主细胞种类是中性粒细胞。
【表1】
Figure BDA0003541764720000161
Figure BDA0003541764720000171
接下来，处理器4831根据所决定的主细胞种类，按细胞种类对检体中包含的细胞的数量进行计数(步骤S32)。在步骤S32的处理中，根据各个细胞的细胞种类的信息，按细胞种类对细胞的数量进行计数。例如，作为测定通道而设定有WDF的情况下的分类对象的细胞种类如图8所例示那样存在9个。处理器3001例如如果主细胞种类是中性粒细胞的细胞的数量存在M个，则生成将中性粒细胞的数量设为M个的计数结果。处理器3001对淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、未成熟粒细胞、芽细胞以及异常淋巴细胞进行同样的处理，关于各细胞种类生成计数结果。
处理器3001进而也可以根据各细胞种类的计数值，判定检体的正常/异常。例如，芽细胞不包含于健康人的外周血，所以在包含预定数量以上的被判定为主细胞种类是芽细胞的细胞的情况下，怀疑该检体存在某些异常。另外，未成熟粒细胞通常不包含于健康人的血液，所以在包含预定数量以上的被判定为主细胞种类是未成熟粒细胞的细胞的情况下，也怀疑该检体存在某些异常。处理器3001也可以将各细胞种类的计数值(绝对值)与预定的数值范围或者阈值进行比较，在计数值偏离数值范围的情况或者超过阈值的情况下，对分析结果附加表示怀疑存在异常的标志。
处理器3001进而也可以根据各细胞种类的计数值，求出细胞的含有比率。例如，处理器3001在作为测定通道而设定有WDF的情况下，求出中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞这5个白血球子类目的比率。在健康人的血液中，按照预定的比例含有这5个白血球子类目。处理器3001也可以通过将白血球子类目的比例与预定的数值范围或者阈值进行比较，从而判定检体的正常/异常。处理器3001也可以在特定的白血球比率偏离预定的数值范围的情况或者超过阈值的情况下，对分析结果附加暗示检体是异常的标志。
处理器3001与细胞ID对应起来生成上述检查结果数据(步骤S33)。图12是示意地示出由处理器3001生成的检查结果数据的数据构造的第1例的图。
检查结果数据由关系型数据库构成，包括多个数据项目(列)。在图12所示的例子中，被检者ID、检体ID、测定结果、测定通道的识别代码、细胞ID、细胞种类的识别信息以及针对各细胞种类的概率被设置为数据项目。
被检者ID的数据保存作为用于识别被提取检体的被检者的信息的被检者ID。被检者ID例如是由数字与字母的组合构成的多位的字符串。
检体ID的数据保存作为用于识别检体的信息的检体ID。检体ID例如是由数字与字母的组合构成的多位的字符串。
测定结果的数据保存通过由处理器3001在步骤S32中根据主细胞种类来分析测定数据而得到的测定结果。测定结果如上述那样，包括基于概率最高的细胞种类(主细胞种类)的细胞的计数结果。如果测定通道是WDF，则测定结果包括白血球子类目(单核细胞、中性粒细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞)各自的数量和比例。如果测定通道是RET，则测定结果包括网状血球数。如果测定通道是WPC，则测定结果包括造血前驱细胞数。如果测定通道是WNR，则测定结果包括白血球数以及有核红血球数。
测定通道的数据保存表示对检体进行的测定的测定通道的信息。在本实施方式的测定单元400的例子中，作为测定通道，存在DIFF、RET、WPC、PLT－F、WNR。在测定通道的数据项目中，与进行测定的测定通道对应地，保存“DIFF”、“RET”、“WPC”、“PLT－F”、“WNR”的字符串。表示测定通道的信息既可以是表示测定通道的字符串，也可以是针对每个测定通道分配的数字、字母。例如，也可以如DIFF＝1，RET＝2，WPC＝3，PLT－F＝4，WNR＝5那样分配数字，保存与所使用的测定通道对应的数字。测定通道的数据根据进行测定的测定通道的数量，针对1个检体保存1个或者多个值。
根据通过1个测定通道的测定而检测到的细胞的数量，制作多个细胞ID的数据。细胞ID是如1、2、3、…、N那样的自然数的数值。细胞ID与在与上述各个细胞对应的波形数据的前头附加的索引(参照图5)以及特征参数数据的列的顺位(参照图6)一致。
特征参数的数据保存对应的细胞的前方散射光峰值(FSCP)、侧方散射光峰值(SSCP)、侧方荧光峰值(SFLP)的值。在图12的例子中，特征参数的数据针对一个细胞ID制作FSCP、SSCP、SFLP这3个。如参照图6所说明那样，特征参数数据的列的顺位对应于细胞ID。例如，在特征参数数据的前头列(第1列)，保存有与细胞ID“1”的细胞对应的特征参数。因而，在与细胞ID＝1对应的FSCP的数据中，保存特征参数数据中的FSCP的矩阵数据的前头列的值“59”。同样地，在SSCP、SFLP中，分别保存SSCP的矩阵数据的前头列的值“30”和SFLP的矩阵数据的前头列的值“134”。
细胞种类的数据保存表示分析对象的细胞种类的信息。表示细胞种类的信息例如是指能够确定如图8所示的细胞种类的标签值。根据测定通道的分析对象的细胞种类的数量，制作多个细胞种类的数据。例如，测定通道的分析对象的细胞种类如图8所示是包括“没有”的9种类的情况下，制作9个细胞种类的数据。此外，识别信息也可以不是标签值，而是“中性粒细胞”、“NEUT”等字符串。
针对1个细胞种类的数据，制作1个概率的数据。在概率的数据中，关于对应的细胞ID以及识别信息，以数值数据的形式保存深度学习算法60输出的概率的值。例如，在作为对象的细胞的分类信息82如上述表1那样的情况下，对与中性粒细胞对应的变量保存“90％”，对与淋巴细胞对应的变量保存“10％”，对与其它识别信息对应的变量保存“0％”。
处理器3001生成图12所示的检查结果数据，保存于存储部3004。
图13是示意地示出检查结果数据的第2例的图。在图13所示的检查结果数据的数据构造中，与图12相比，对各识别信息附加有保存主标志的数据。在是图13的数据构造的情况下，分类信息包括识别信息、概率以及主标志。
主标志的数据保存0或者1的值。处理器3001对与概率最大的细胞种类(主细胞种类)对应的主标志保存1，对与其它细胞种类对应的主标志保存0。根据该结构，处理器3001无需每当将主细胞种类的信息用于运算或者输出时关于各个细胞而根据概率确定主细胞种类，能够使处理变快。例如，在后述散点图中，在各细胞的绘制中，按细胞种类划分颜色地显示。在这样的情况下，处理器3001能够通过参照主标志来决定各细胞的绘制的颜色，无需根据各个细胞的概率来确定主细胞种类。此外，在是第2例的情况下，也可以在深度学习算法60生成分类信息82时，执行与分类信息82一起对主标志设置数值的处理。
图14是示意地示出检查结果数据的第3例的图。在图14所示的检查结果数据中，与图12相比，对1个细胞ID附加有1个主细胞种类的数据。在是图14的数据构造的情况下，分类信息包括识别信息、概率以及表示主细胞种类的识别信息。
主细胞种类的数据保存概率最高的细胞种类(主细胞种类)的识别信息。在图13的第2例中，为了确定各个细胞的主细胞种类，需要检索保存有主标志的列，但在图14的第3例中，通过参照主细胞种类的数据，能够确定主细胞种类，能够使处理变得更快。
图15是示意地示出检查结果数据的第4例的图。在图15所示的检查结果数据中，与图12相比，与各识别信息对应地，附加有研究标志的数据。在是图15的数据构造的情况下，分类信息包括识别信息、概率以及研究标志。
研究标志的数据保存0或者1的值。研究标志是在后述结果显示画面中用于区分作为可报告项目的检查结果而显示的细胞种类与作为研究项目而辅助性地显示的细胞种类的标志。处理器3001对与概率为预定的阈值以下的细胞种类对应的研究标志保存“1”，对概率比该阈值大的细胞种类的研究标志保存“0”。当对研究标志设定1时，在显示检查结果数据的情况下，能够对与该细胞种类有关的概率、计数结果等赋予表示优选用作研究目的的信息。
图16是示意地示出检查结果数据的第5例的图。在图16所示的检查结果数据中，与图12相比，对各识别信息附加有顺位的数据。在是图16的数据构造的情况下，分类信息包括识别信息、概率以及顺位。
关于顺位的数据，保存对与细胞ID对应起来的所有的细胞种类按照概率从高到低的顺序附加的1～m(m：分析对象的细胞种类的数量)的数字。处理器4831按照概率从高到低的顺序计算顺位，将计算出的顺位保存为各细胞种类的顺位的数据。在该情况下，处理器3001通过参照顺位的数据，不仅能够顺利地掌握概率最高的细胞种类，例如，还能够顺利地掌握概率第2高的细胞种类。
[6.检查结果显示过程]
图17是图示出由处理器3001执行的检查结果显示过程(步骤S4)的第1例的流程图。
处理器3001显示检体一览画面700(样本资源管理器画面)(步骤S410)。处理器3001根据用户的操作，显示详细画面800(浏览器画面)(步骤S411)。处理器3001根据来自用户的显示指示，显示包括散点图的分析画面900(步骤S412)。处理器3001读出与在显示于分析画面900的散点图901中选择的点对应的细胞的分类信息，显示所读出的分类信息(步骤S413)。
图18示出检体一览画面700的一个例子。检体一览画面700具备工具栏710和数据显示区域720。在工具栏710中，显示用于在画面上进行预定的操作的多个图标。具体而言，工具栏710包括用于调用检体一览画面700(SE)画面的检体一览画面图标710a、用于调用详细画面800的详细图标710b、用于调用用于输入测定次序的测定次序输入画面的测定登记图标710c以及用于验证检查结果的验证图标710d。
在工具栏710的下部，设置有显示检查结果的数据的数据显示区域720。工具栏710不论显示于数据显示区域720的内容如何都始终显示于画面上部。在检体一览画面700的数据显示区域720，显示检体一览显示区域931和测定结果显示区域932。
在检体一览显示区域931，设置被检者ID、检体ID、日期时间等项目。在检体一览显示区域931，以列表形式显示有根据被检者ID以及检体ID识别的检查结果数据。
在测定结果显示区域932，显示基于在检体一览显示区域931选择的检体ID的测定结果。显示于测定结果显示区域932的测定结果是基于主细胞种类的计数结果、比率信息。
当用户在检体一览画面700选择详细图标710b，或者在检体一览显示区域931选择(例如双击)一个检体的记录时，显示详细画面800。
图19是示出详细画面800的一个例子的图。详细画面800包括工具栏810(710)和数据显示区域820。工具栏810与在检体一览画面700显示的工具栏相同。在数据显示区域820，显示用于显示测定结果的测定结果区域820a、显示标志信息的标志区域820b以及显示图的图区域820c。在测定结果区域820a，显示对作为显示对象的检体进行测定的所有的测定通道的测定结果。在标志区域820b，在根据测定结果对检体设定有标志的情况下，显示标志(怀疑消息)。在图区域820c，显示与各测定通道对应的图。
在图19的例子中，在图区域820c，显示有WDF散点图、WNR散点图、WPC散点图、RET散点图、PLT－F散点图、RBC直方图以及PLT直方图。显示于图区域820c的散点图是根据上述特征参数来制作并显示的。
用户在参照显示于详细画面800的分析结果来验证检查结果数据的情况下，对验证图标710d进行操作。由此，该检查结果数据被验证。在不验证检查结果数据的情况下，用户例如能够对测定登记图标710c进行操作而输入重新检查次序。
用户能够为了确认细胞的分类信息而使分析画面900显示。当用户在详细画面800的图区域820c对任意的图进行操作(例如双击)时，分析画面900被弹出显示，叠加显示于详细画面800之上。
图20是分析画面900的一个例子。在图20中，例示出在用户选择WDF散点图的情况下显示的分析画面900。
在分析画面900，显示有散点图901以及详细显示区域902。图20所示的散点图901根据与检查结果数据中包含的测定通道对应起来的细胞的特征参数来显示。在图20所示的散点图901中，横轴是侧方散射光信号的峰值(SSCP)，纵轴是侧方荧光信号的峰值(SFLP)。处理器3001关于根据细胞ID确定的各个细胞，根据SSCP以及SFLP来决定散点图901中的坐标，在所决定的坐标处描绘点，由此绘制细胞。处理器3001对处于与所显示的散点图901对应的测定通道的属下的所有的细胞的数据进行同样的处理，在散点图901中绘制细胞。
处理器3001根据绘制的细胞的分类信息来设定点的颜色。具体而言，处理器3001用不同的颜色的点显示不同的细胞种类的细胞。例如，在与WDF通道对应的散点图901中，用第1颜色(例如蓝色)显示中性粒细胞，用第2颜色(例如紫色)显示淋巴细胞，用第3颜色(例如绿色)显示单核细胞，用第4颜色(例如红色)显示嗜酸性粒细胞，用第5颜色(例如黄色)显示嗜碱性粒细胞。
此外，在以往的血球计数装置中的白血球分类中，采用在如图20所示的散点图901那样的坐标平面绘制细胞，根据各细胞的坐标将细胞分类为多个群体的聚类解析的方法。因此，在相同的坐标处绘制出的细胞被分类为相同的种类的细胞。另一方面，在本实施方式中，与以往的白血球分类不同，仅仅是将细胞的特征参数(SSCP以及SFLP)用于在散点图901中绘制细胞。本实施方式中的细胞的分类如上述那样使用深度学习算法60来分析各个细胞的波形数据，从而无需依赖于聚类的手法，而单独地确定细胞的种类。换言之，散点图901中的细胞绘制的坐标是根据表示细胞的特征的参数来表示测定试样中包含的细胞的分布的片断性的信息，坐标不用于细胞种类的确定。因此，即使存在在相同的坐标处绘制出的多个细胞，这些细胞也有时根据深度学习算法60分类为不同的细胞。当在相同的坐标处绘制出不同的种类的细胞的情况下，处理器3001根据在相同的坐标处绘制的多个细胞的主细胞种类，描绘与比例最多的主细胞种类对应的颜色的点。
在图17的流程图的步骤S413中，当用户进行选择散点图901上的点的操作(例如双击)时，处理器3001弹出显示详细显示区域902。详细显示区域902包括分类信息显示区域902a，分类信息显示区域902a显示在散点图901中选择的点中包含的细胞的分类信息。在图20中，示出了显示有多个细胞种类以及与各细胞种类对应的概率的例子。在分类信息显示区域902a，设置有滚动条，该滚动条用于变更分类信息显示区域902a内的显示范围来使得能够显示所有的细胞种类以及概率。在散点图901上选择的点上绘制出多个细胞的情况下，在详细显示区域902，显示多个细胞的每个细胞的分类信息显示区域902a。用户通过对滚动条进行操作，能够滚动显示分类信息。
在图20的分析画面900中，通过弹出来显示选择的点中包含的细胞的分类信息，但也可以如图21所示将分类信息显示区域902a设置于分析画面900。在该情况下，在选择点之前，分类信息显示区域902a是空白的，响应于选择出点，与所选择的点对应的细胞的分类信息显示于分类信息显示区域902a。
在上述例子中，响应于散点图901上的点被操作(例如双击)，弹出显示详细显示区域902，但用于调用详细显示区域902的操作只要能够确定散点图901上的任意的坐标，就可能包括各种操作。例如，也可以仅通过使光标对准散点图901，就能够显示详细显示区域902，在该情况下，将光标放置于散点图901上的操作成为用于调用详细显示区域902的操作。另外，操作也可以是代替双击而进行长按、右击、在将光标放置于坐标处的状态下按下键盘或者软键盘的预定的键(例如Enter键)的操作。
根据图20、图21的画面，用户通过参照分类信息显示区域902a，能够确认与在散点图901上选择的点对应的细胞的分类信息。另外，用户通过变更在散点图901上选择的点，能够动态地切换分类信息显示区域902a的显示内容，连续地确认显示内容。
此外，在分类信息显示区域902a，作为分类信息，不限于每个细胞种类的概率，也可以显示其它信息。例如，在检查结果数据具有图13的结构的情况下，也可以显示每个细胞种类的主标志的值。另外，在检查结果数据具有图14的结构的情况下，既可以对主细胞种类(概率最高的细胞种类)显示标记，也可以另行显示主细胞种类。另外，在检查结果数据具有图15的结构的情况下，也可以显示每个细胞种类的研究标志的值。另外，在检查结果数据具有图16的结构的情况下，也可以显示每个细胞种类的顺位。
在图20、图21中用数值显示每个细胞种类的概率。也可以代替此，如图22以及图23所示显示与每个细胞种类的概率相应的图。图22是示出分析画面900的另一例子的图。在图22的例子中，在分类信息显示区域902a，针对与所选择的点对应的每个细胞，用100％堆叠条状图(percentage bar chart)显示细胞的概率信息。该100％堆叠条状图与各细胞ID对应地显示，每个识别信息的概率的值是堆叠型，以作为整体成为100％的方式显示。由此，用户能够在视觉上掌握每个细胞种类的概率。
图23是示出分析画面900的另一例子的图。在图23的分析画面900，显示有散点图901、详细显示区域902、放大按钮903以及放大图904。
当用户对放大按钮903进行操作时，在散点图901上显示参照范围的门901a。门901a用于通过范围指定来选择散点图901上的所期望的点。用户通过进行拖拽等操作，能够在散点图901上变更门901a的位置。在放大图904中，门901a内的散点图901的部分被放大显示。当用户进行选择放大图904上的点的操作时，与图20、图21同样地，所选择的细胞的分类信息显示于详细显示区域902内的分类信息显示区域902a。
根据图23的画面，用户通过在散点图901上设定门901a而使放大图904显示，能够在放大图904中容易地选择目标细胞。由此，关于在散点图901中处于细胞的点密集的范围的细胞，也能够顺利地确认分类信息。
此外，也可以通过对门901a的边界线进行拖拽等操作，从而变更门901a的大小。另外，也可以每当对放大按钮903进行操作时，阶段性地变更门901a的大小。
在图20～图23的例子中，示出了选择散点图901上的一个点的例子，但一次能够选择的点不限于一个。例如，也可以通过在保持点击散点图901上的任意的点的状态下拖拽光标，从而在散点图901上通过范围指定来选择多个点。但是，当一次选择多个点时，产生作为显示对象的细胞的数量过多的情况，当针对每个细胞单独显示分类信息时，有时用户难以看到。因此，也可以如参照后述图29进行说明那样，根据所选择的点的数量来切换显示方法。例如，也可以在所选择的点的数量为预定的阈值以下的情况下，单独显示细胞的分类信息，在所选择的点的数量比预定的阈值大的情况下，不进行单独显示，而进行统计显示。
图24是示出检查结果显示过程的第2例的流程图。在图24中，与图17的流程图相比，步骤S413被变更。在图24的步骤S413中，读出与在散点图901中选择的点对应的细胞的分类信息，作为统计信息显示于分析画面900。
在图17的检查结果显示过程的第1例中，如图20～图23的例子所示，示出了针对每个细胞单独显示与所选择的点对应的细胞的分类信息的例子。代替此，在以下所示的图25～图28的例子中，对与所选择的点对应的多个细胞的分类信息进行总计，显示统计信息。图25～图28示出分析画面900的例子。
在图25的分析画面900，显示有散点图901、放大按钮903、放大图904以及详细显示区域905。
在详细显示区域905，根据门901a内的所有的细胞的分类信息，通过直方图905a来显示每个细胞种类的概率和个数的统计信息。直方图905a是将门901a内的所有的细胞针对每个该细胞种类中的概率进行总计的度数分布信息。在直方图905a中，横轴是概率，纵轴是细胞的个数。在直方图905a中示出的个数中，还包括不是主细胞种类的细胞(该细胞种类的概率低的细胞)的计数结果。在详细显示区域905，设置有滚动条，该滚动条用于变更详细显示区域905内的显示范围来使得能够显示所有的细胞种类的直方图905a。
根据图25的画面，用户通过使详细显示区域905显示每个细胞种类的直方图905a，从而能够关于门901a中的所有的细胞，掌握每个细胞种类的概率的分布。例如，在使用了以往的散点图的聚类的手法中，在散点图901上，多个细胞种类的分布范围有时会重叠。相对于此，根据本实施方式，在这样的分布重叠的范围设定门901a来参照直方图905a，从而能够确认细胞种类的度数分布。由此，用户能够关于该检体进行详细的判断，例如能够判断在分布重叠的范围中各细胞种类的细胞能够包含何种程度。
图26是示出分析画面900的另一例子的图。在分析画面900，作为散点图901、放大按钮903、放大图904、细胞种类选择区域906以及统计信息而显示有3维直方图907。
在细胞种类选择区域906，设置有用于选择细胞种类的复选框。在细胞种类选择区域906，设置有用于变更细胞种类选择区域906内的显示范围而使得能够显示所有的细胞种类的滚动条。3维直方图907是将门901a内的所有的细胞针对每个所选择的细胞种类中的概率进行总计的度数分布信息。3维直方图907在前后方向上并排地3维地显示所选择的每个细胞种类的直方图。在图26的例子中，在细胞种类选择区域906选择了淋巴细胞和单核细胞，所以在3维直方图907中，淋巴细胞的直方图和单核细胞的直方图同时显示。
根据图26的分析画面900，用户通过选择两个以上的细胞种类，参照3维直方图907，从而能够同时确认两个以上的细胞种类的度数分布。在图25的例子中，在画面内同时显示两个直方图905a，但在图26的例子中，选择3个以上的细胞种类，从而在画面内显示3个以上的直方图。这样，根据图26的画面，用户相比于图25的画面，能够同时掌握更多的度数分布。另外，用户能够容易地进行每个概率的度数比较。
此外，图26的3维直方图907是将图25所示的直方图905a在进深方向上排列多个的直方图，但也可以代替此，通过表面绘制等来显示多个细胞种类的概率的分布状态。
图27是示出分析画面900的另一例子的图。在图27的分析画面900，显示有散点图901、放大按钮903、放大图904以及个数显示区域908。
在个数显示区域908，关于门901a内的所有的细胞，针对每个细胞种类将概率比0％大的细胞进行总计的计数值作为统计信息而用条状图显示。在该情况下，门901a内的多个细胞重叠地被计数，所以个数显示区域908内的计数值的合计比门901a内的细胞的实际的个数多。例如，在图27的门901a中，包含1个具有单核细胞90％、中性粒细胞5％、未成熟粒细胞5％的概率信息的细胞。在该情况下，该细胞关于单核细胞、中性粒细胞、未成熟粒细胞的各个细胞而被计数为1。也就是说，如果属于多个细胞种类的概率为0％以上，则该细胞的个数与多个细胞种类重叠地被计数。此外，总计方法不限于此，也可以根据概率用1以下的小数表示个数来计数。例如，在如上述例子那样，具有单核细胞90％、中性粒细胞5％、未成熟粒细胞5％的概率信息的细胞在门901a的参照范围内包含1个的情况下，也可以视为包括0.9个单核细胞、0.05个中性粒细胞以及0.05个未成熟粒细胞而进行总计。
在个数显示区域908内的条状图中，在细胞种类的计数结果比预定的阈值(例如，10个等)少的情况下，附注细胞种类的计数值。在图27的例子中，未成熟粒细胞的计数值是5个，所以对未成熟粒细胞的条状图附注“5”。另外，在个数显示区域908，设置有用于变更个数显示区域908内的显示范围而使得能够显示所有的细胞种类的滚动条。
根据图27的分析画面900，用户通过参照个数显示区域908，能够在门901a中确认每个细胞种类的个数。概率超过预定的百分比的细胞被计数为1，所以在确认多数派的细胞种类和少数派的细胞种类时是方便的。另外，关于在个数显示区域908中计数值小的细胞种类，作为如能够确认计数值的程度那样的辅助显示而附注计数值，所以能够明确地确认计数值小的细胞种类的计数值。由此，用户能够顺利地判断稀少的细胞种类能够包含于该检体的可能性。
此外，在个数显示区域908，显示有对概率比0％大的细胞种类进行计数的计数值，但用于计数的阈值不限于0％，也可以设定比0％大且小于100％的任意的值。另外，能够受理用于计数的阈值的用户界面(例如，图31的概率选择区域910)可以设置于画面内。
图28是示出分析画面900的另一例子的图。在分析画面900，显示有散点图901以及详细显示区域913。
当用户进行选择散点图901上的点的操作时，关于与所选择的点对应的细胞的统计信息显示于详细显示区域913。详细显示区域913具有区域913a～913d。区域913a关于在所选择的点上绘制的一个或者多个细胞(以下，所选择的细胞)，将概率高的细胞种类显示上位两个。区域913b关于所选择的细胞，显示白血球5分类中的概率最高的细胞种类。区域913c关于所选择的细胞，显示概率最高的异常细胞种类。区域913d关于所选择的细胞，将有可能存在的细胞种类即概率比0％大的细胞种类全部显示。
根据图28的分析画面900，用户通过参照详细显示区域913，能够掌握所选择的细胞有可能会被分类为怎样的细胞种类。
此外，也可以在显示于区域913a～913d的细胞种类名的附近，一起显示该细胞种类的概率。在所选择的细胞仅是一个的情况下，能够显示对应的细胞的概率信息。在所选择的细胞存在多个的情况下，也可以求出多个细胞的细胞种类的概率的代表值来显示。代表值例如能够用平均值、中央值、最频值表示。另外，在区域913a，既可以仅显示最上位的细胞种类，或者也可以显示上位3个以上的细胞种类。在区域913b、913c，也可以显示上位两个以上的细胞种类。在区域913d，也可以显示概率比预定的阈值大的细胞种类。
图29是示出检查结果显示过程的第3例的流程图。在步骤S414中，处理器3001将与在散点图901上选择的点对应的细胞的数量与阈值进行比较。如果细胞的数量为阈值以下，则处理器3001在步骤S416中针对每个细胞单独显示分类信息。每个细胞的分类信息的单独显示与参照图20～图23进行说明的一样。如果细胞的数量比阈值多，则处理器3001在步骤S415中对分类信息进行总计，显示统计信息。统计信息的显示与参照图25～图28进行说明的一样。
如上述那样，当一次选择多个点，或者设定宽范围的门901a时，产生作为显示对象的细胞的数量过多的情况，当针对每个细胞单独显示分类信息时，有时对于用户而言视觉辨认性下降。另一方面，在与所选择的点对应的细胞的数量少的情况下，有时能够显示个别的细胞的分类信息时符合用户的目的。例如，如在图28的散点图901上选择的点那样，由用户选择了从细胞的聚类的中心远离的位置、细胞的分布稀疏的位置的情况下，有时还期望将细胞不作为群体而单独地进行分析。因而，在图29的例子中，在所选择的点的数量为预定的阈值以下的情况下，单独显示细胞的分类信息，在所选择的点的数量比预定的阈值大的情况下，不进行单独显示，而进行统计显示，从而能够自动地提供对于用户而言视觉辨认性高的画面。
图30是示出检查结果显示过程的第4例的图。在上述检查结果过程的第1例～第3例中，示出了在散点图901之上选择作为目的的细胞的点，从而显示与该点对应的细胞的分类信息的例子。在以下说明的图31～图38的例子中，显示包括图的分析画面900(步骤S417)，高亮显示满足所定义的抽取条件的细胞的点(步骤S418)。在步骤S418中，不在散点图901上选择点，而由用户定义作为抽取对象的细胞的条件时，抽取满足该条件的细胞而在图上显示。
图31是示出分析画面900的另一例子的图。在分析画面900，显示有散点图901、细胞种类选择区域909以及概率选择区域910。
细胞种类选择区域909以及概率选择区域910由所谓的下拉菜单构成。细胞种类选择区域909构成为能够从与由用户选择的测定通道(在图31中是WDF通道)对应的所有的细胞种类选择1个细胞种类。在概率选择区域910，作为选项，以能够在概率的数值为0％～100％的范围内按照5％间隔选择的方式显示。具体而言，概率选择区域910构成为能够选择“＝100％”、“>95％”、“>90％、…、“>5％”、“>0％”、“＝0％”等将概率与等号或者不等号合起来的字符串。
当用户在细胞种类选择区域909中选择作为目的的细胞种类，在概率选择区域910中选择概率时，高亮显示散点图901上的对应的点。在图31所示的例子中，作为细胞种类而选择嗜碱性粒细胞，作为概率而选择“>85％”。在该情况下，在散点图901上高亮显示嗜碱性粒细胞的概率比85％大的细胞的点(区域901b内的点)。高亮显示例如是将点的颜色用与其它点不同的颜色显示、强调显示点的轮廓、使点闪烁等能够将抽取出的点与其它点进行区分的显示方法即可。
根据图31的画面，用户作为抽取条件而定义作为目的的细胞种类和概率，从而能够掌握与散点图901上的条件一致的细胞的位置。由此，用户能够掌握根据分类信息(细胞种类和概率)分类的细胞在以往的散点图901上存在于哪个位置，例如能够成为判断基于分类信息的分类的精度时的材料。
图32是示出分析画面900的另一例子的图。图32的分析画面900代替概率选择区域910而具备用于概率的数值选择的刻度条910a和抽取对象选择区域910c。刻度条910a具备能够左右滑动的指针910b。用户通过使指针910b左右移动，能够选择0％～100％的范围内的任意的百分比。在抽取对象选择区域910c，与在刻度条910a中选择的百分比组合的不等号以能够选择的方式显示。例如，如图32所示，当在细胞种类选择区域909中作为细胞种类而选择嗜碱性粒细胞，在刻度条910a中，指针910b置于80％的位置，在抽取对象选择区域910c中选择“>”时，抽取条件成为“嗜碱性粒细胞的概率>80％”。在散点图901中，高亮显示满足“嗜碱性粒细胞的概率>80％”的抽取条件的细胞的点。
当用户在刻度条910a中使指针910b移动时，与其相伴地，连续性(阶段性)地变更抽取条件中包含的百分比的数值范围。当变更抽取条件时，追随于其，在散点图901上抽取的点动态地变更。
例如，当从图32所示的状态起使指针910b向右滑动时，抽取条件从“嗜碱性粒细胞的概率>80％”变更为“嗜碱性粒细胞的概率>85％”。根据该抽取条件的变更，在散点图901上高亮显示的细胞的点也从“嗜碱性粒细胞的概率>80％”动态地变化为“嗜碱性粒细胞的概率>85％”。也就是说高亮显示的点的数量减少。相反，当使指针910b向左滑动时，抽取条件从“嗜碱性粒细胞的概率>80％”变更为“嗜碱性粒细胞的概率>75％”。通过该抽取条件的变更，在散点图901上高亮显示的细胞的点也从“嗜碱性粒细胞的概率>80％”动态地变化为“嗜碱性粒细胞的概率>75％”。也就是说高亮显示的点的数量增加。
这样，通过使刻度条910a的指针910b滑动来使抽取条件连续性地变化，与其相伴地，通过使与显示于散点图901上的抽取条件一致的细胞的点的高亮显示动态地变化，从而用户能够容易地掌握作为目的的细胞处于散点图901上的哪个位置。
图33是示出分析画面900的另一例子的图。图33示出了与抽取条件的设定有关的另一例子。图33的分析画面900具备用于分别设定抽取条件1、抽取条件2、抽取条件3的条件设定区域910d、910e、910f。条件设定区域910d、910e、910f分别具备与图31所示的细胞种类选择区域909和概率选择区域910相当的下拉菜单。在条件设定区域910d、910e、910f之间，设置有两个运算符设定区域910g、910h。运算符设定区域910g、910h都由下拉菜单构成，能够设定用于将抽取条件1～3进行组合的逻辑运算符。逻辑运算符的选项是“AND”、“OR”、“NOT”等。在图33的例子中，逻辑运算符都是“AND”。
在各条件设定区域910d、910e、910f中定义抽取条件1～3，在运算符设定区域910g、910h中设定逻辑运算符，从而根据逻辑运算符连结抽取条件1～3而成的复合条件被定义。在散点图901中，高亮显示满足被定义的复合条件的细胞的点(区域901b内的点)。如图33的例子那样，基于细胞种类与概率的1对1的组合的抽取条件不是仅为1个，而是根据将多个抽取条件进行组合的复合条件来抽取细胞，从而能够进行更详细的抽取条件的设定。
图34是示出分析画面900的另一例子的图。在图34的画面，显示有散点图901、第1直方图910i、第2直方图910j以及显示区域910k。
在图34所示的例子中，在分析画面900默认仅显示散点图901。用户能够在所显示的散点图901之上选择特定的种类的细胞群体。例如，当用户将光标重叠于散点图901上的特定的细胞群体时，该细胞群体被选择。
在图34中，示出了选择淋巴细胞的群体的状态。当选择特定的种类的细胞群体时，表示所选择的细胞群体的概率分布的第1直方图910i和表示与和所选择的细胞群体对应的异常细胞有关的概率分布的第2直方图910j显示于分析画面900。第1直方图910i以及第2直方图910j例如与图25的直方图905a相同，针对概率的轴表示细胞的个数。与所选择的细胞群体对应的异常细胞是指在形态学上与所选择的细胞群体类似的异常细胞。异常细胞根据所选择的细胞群体，基于预先决定的对应关系确定。例如，在选择淋巴细胞的情况下，异常细胞可能存在异常淋巴细胞或者芽细胞。例如在选择单核细胞的情况下，异常细胞可能存在芽细胞。例如在选择嗜酸性粒细胞或者嗜碱性粒细胞的情况下，异常细胞可能存在未成熟粒细胞。
在图34的例子中，当选择特定的细胞群体时，抽取具有与所选择的细胞群体对应的异常细胞的概率的细胞，这些概率的分布作为第2直方图910j进行显示。用户通过将所选择的细胞群体的概率分布与异常细胞的概率分布进行对比，能够掌握所选择的细胞群体的概率分布以何种程度接近100％。或者，相反，能够统计性地掌握包含多少所选择的细胞群体中的有是异常细胞的概率的细胞。
图34的分析画面900除了具备第1直方图910i以及第2直方图910j之外，还具备显示基于统计信息的指标的显示区域910k。在显示区域910k，例如显示为“淋巴细胞群体中的包括异常淋巴细胞的概率的细胞的比例15％(前次值：12％)”。即显示区域910k作为指标显示将所选择的细胞群体作为母群体的、具有对应的异常细胞的概率的细胞的比例。
在图34的例子中，将针对母群体的标本定义为“具有异常细胞的概率的细胞”，但标本的定义不限于此。例如，还能够设为“是异常细胞的概率是顺位第2位的细胞”。如果这样做，则有时能够仅取出是异常细胞的概率更高的细胞而计算指标，能够减少噪声。另外，指标不限于如比例那样的定量的指标，也可以是根据具有异常细胞的概率的细胞的绝对数，阶段性地显示电平那样的定性的指标。
在图34的例子中，能够与特定的细胞群体对应地，容易地掌握具有异常细胞的概率的细胞的数量或者比例。在上述图25～图28中，在用户能够任意地指定散点图901上的特定的细胞或者细胞群体这点上是有利的，但有时难以在散点图901上仅指定特定的细胞群体。在存在于聚类的边缘的细胞与邻接的聚类重复的情况、远离聚类的情况下，有可能会特别难。在图34的例子中，仅通过将光标重叠于散点图901上的特定的细胞群体，例如仅通过重叠于淋巴细胞的群体，就能够选择将淋巴细胞作为主细胞的细胞群体。另外，自动地抽取具有作为与淋巴细胞对应的异常细胞的异常淋巴细胞的概率的细胞，显示概率分布、指标，所以用户能够容易地认识包含多少作为主细胞是正常细胞但具有是异常细胞的概率的细胞。
图35是示出分析画面900的另一例子的图。在图35的画面，显示有散点图901、细胞种类选择区域909以及直方图911。
图35图示出作为显示对象的测定通道而指定WPC通道的例子。因此，散点图901根据与该测定通道对应的全细胞的特征参数，细胞种类选择区域909构成为作为显示对象的细胞种类而能够选择成熟白血球、异常淋巴细胞以及芽细胞等与WPC通道对应起来的全细胞种类。
当用户在细胞种类选择区域909进行选择细胞种类的操作时，根据所选择的细胞种类来显示直方图911。直方图911是按概率对所选择的细胞种类进行总计的度数分布信息。在直方图911中，横轴是概率，纵轴是细胞的个数。当用户进行选择直方图911上的条状图的操作时，高亮显示散点图901上的对应的点(区域901c内的点)。在图35所示的例子中，作为细胞种类而选择异常淋巴细胞，选择概率70％的条状图。在该情况下，异常淋巴细胞的概率为大致70％的细胞的点(分布于区域901c附近的细胞)在散点图901上被高亮显示。
根据图35的分析画面900，与图31～图33的分析画面900同样地，用户通过选择细胞种类和概率，能够在散点图901上掌握与条件一致的细胞的位置。由此，用户能够掌握能够根据分类信息(细胞种类和概率)分类的细胞在以往的散点图901上存在于哪个位置。
在上述图31～图35的例子中，示出了将满足由细胞种类与概率的组合构成的抽取条件的细胞的点显示于散点图901上的例子。也可以代替散点图901，如图36～图38所示，通过直方图来显示满足抽取条件的细胞的个数。
在图36～图38的分析画面900，显示有概率选择区域910以及个数显示区域912。
在图36的分析画面900中，用户在概率选择区域910进行选择概率的操作时，在个数显示区域912，按细胞种类显示与作为对象的测定通道对应的所有的细胞中的与在概率选择区域910选择的概率对应的细胞的个数。在个数显示区域912，设置有以从上到下按照个数从多到少的顺序排列细胞种类的方式设定的降序按钮912a和以从上到下按照个数从少到多的顺序排列细胞种类的方式设定的升序按钮912b。图36示出降序按钮912a被操作的状态，图37示出了升序按钮912b被操作的状态。另外，图38示出了在图37的画面中作为概率条件而设定了“>20％”的状态。
根据图36～图38的画面，用户通过在概率选择区域910选择概率之后，对降序按钮912a进行操作，从而能够如图36所示，以使个数按照降序排列的方式设定个数显示区域912的显示，通过对升序按钮912b进行操作，从而能够如图37所示，以使个数按照升序排列的方式设定个数显示区域912的显示。由此，用户能够顺利地确认与所选择的条件的概率相应的细胞种类中的例如个数多的细胞种类、个数少的细胞种类。
用户从图37所示的状态起在概率选择区域910再次选择其它概率，从而能够如图38所示，根据重新选择的概率来重新设定个数显示区域912的显示。这样，对概率选择区域910进行操作，从而能够顺利地确认基于不同的概率条件的细胞种类的个数。
此外，也可以在图36～图38中也设置散点图901。在该情况下，也可以当选择个数显示区域912上的条状图时，在散点图901中，高亮显示与所选择的条状图对应的细胞(点)。另外，也可以在图36～图38中也设置直方图911(参照图35)。在该情况下，也可以当选择个数显示区域912上的条状图时，与所选择的条状图的细胞种类有关的概率的分布状况显示于直方图911。
图39的(a)、(b)是示意地示出上述散点图901的其它结构的图。
在图39的(a)所示的散点图901中，与和特征参数(在图39的(a)中是SSCP、SFLP)相应的细胞的绘制一起，重叠有与每个细胞种类的概率相应的细胞的分布信息。该情况下的分布信息由将概率相同的细胞连结成等高线状的条纹图样和用深浅表示概率相同程度的范围的分布区域构成。在图39的(a)中，概率越高，则用越深的颜色表示分布区域。另外，在图39的(a)中，在散点图901上绘制出基于特征参数的细胞(点)，但也可以如图39的(b)那样，在散点图901上不绘制基于特征参数的细胞的点。
根据图39的(a)、(b)所示的散点图901，在基于特征参数的以往的散点图901上，一起显示与每个细胞种类的概率相应的细胞的分布信息。由此，用户能够在以往的散点图901中，在视觉上掌握细胞种类的概率怎样分布。
图40是示出检查结果显示过程的第5例子的流程图。在上述第1～第4例中，分析画面900通过对详细画面800的散点图进行双击而显示。在第5例中，在图19的详细画面800中选择“研究”标签的情况下，代替分析画面900而显示研究画面900R(步骤S419)。在该例子中，基于主细胞种类的分析结果显示于检体一览画面700和详细画面800，与主细胞种类以外的细胞种类有关的信息或者分析结果画面仅显示于研究画面900R。然后，根据研究标志，读出所选择的细胞种类的分类信息，显示图(步骤S420)。
图41的画面是在研究信息按钮921被操作的情况下显示的画面的一个例子。在图41的画面，显示有细胞种类选择区域933以及个数显示区域934。细胞种类选择区域933包括能够选择与被指定的测定通道有关的细胞种类的复选框。
当用户在细胞种类选择区域933进行选择细胞种类的操作时，在个数显示区域934，关于所选择的细胞种类，按细胞种类用条状图显示对概率比0％大的细胞种类进行计数的计数值。
这样，用户在对研究信息按钮921进行操作之后，在图41的画面中，在细胞种类选择区域933选择细胞种类，从而能够参照个数显示区域934，确认关于子细胞的详细的分析结果。即，如图41所示，在研究信息显示模式下，通常，不会成为主细胞的芽细胞、异常淋巴细胞的个数也被显示，所以用户能够根据在研究信息显示模式下显示的分析结果，进行更详细的分析。
图42的画面是在研究信息按钮921被操作的情况下显示的画面的一个例子。在图42的画面，显示有细胞种类选择区域933、直方图935以及散点图936。
当用户在细胞种类选择区域933进行选择细胞种类的操作时，根据所选择的细胞种类来显示直方图935。直方图935是将与该测定通道对应的所有的细胞按所选择的细胞种类中的概率进行总计的度数分布信息。当用户选择直方图935的条状图时，高亮显示散点图936上的对应的细胞(点)(区域936a内的点)。在图42所示的例子中，作为细胞种类而选择芽细胞，选择概率50％的条状图。在该情况下，芽细胞的概率为大致50％的细胞(分布于区域936a附近的细胞)在散点图936上被高亮显示。
这样，用户在对研究信息按钮921进行操作之后，在图42的画面中，在细胞种类选择区域933选择细胞种类，在直方图935中选择条状图，从而能够确认更详细的分析结果。
此外，当在图42的细胞种类选择区域933选择多个细胞种类的情况下，如图26的3维直方图907那样，在直方图935中显示多个细胞种类的图。另外，当在直方图935中选择多个条状图的情况下，散点图936上的对应的细胞(点)全部被高亮显示。
[7.主计算机发送过程]
接下来，说明从处理单元300发送到主计算机500的数据(以下，称为“输出用数据”)。图43是示出主计算机发送的子例程的流程图。
处理单元300的处理器3001从用户受理验证操作，生成用于根据验证操作向主计算机500发送的输出用数据(步骤S141)。
如参照图18以及图19所说明那样，在作为检查结果画面的检体一览画面700以及详细画面800，显示在画面间共同地显示的验证图标710d。用户确认上述检查结果画面而对检查结果进行证实(verification)。当证实的结果是用户判断为能够将结果报告给主计算机500时，用户点击验证图标710d。此外，用户对作为对象的检体不执行验证，对作为对象的被检者设定重新检查的情况下，操作测定登记图标710c来制作用于重新检查的检查次序。
当进行验证操作时，处理器3001根据保存于存储部3004的分析结果数据，生成用于向主计算机500发送的输出用数据(步骤S141)。然后，处理器3001将所生成的输出用数据发送到主计算机500(步骤S142)。
图44的(a)～图45的(b)是示意地示出由处理器3001生成并被发送到主计算机500的输出用数据的结构的图。输出用数据通过从检查结果数据除去与预定的细胞种类对应的分类信息而构成即可，例如，如图44的(a)～图45的(b)中的任意图所示构成。
图44的(a)所示的输出用数据包括检体ID、测定结果、测定通道、细胞ID、与主细胞种类有关的识别信息以及与主细胞种类有关的概率。即，图44的(a)所示的输出用数据是从图12～16所示的检查结果数据去除图44的(a)所示的输出用数据以外的数据而得到的。
图44的(b)所示的输出用数据包括检体ID、测定结果、测定通道、细胞ID、与概率高的上位两个细胞种类有关的识别信息以及与概率高的上位两个细胞种类有关的概率。即，图44的(b)所示的输出用数据是对图44的(a)所示的输出用数据附加与概率第2高的细胞种类有关的识别信息以及概率而得到的。此外，图44的(b)所示的输出用数据不限于具有上位两个细胞种类以及概率，也可以具有从上位至预定的顺位为止的细胞种类以及概率。
图45的(a)所示的输出用数据包括检体ID以及测定结果。即，图45的(a)所示的输出用数据是从图12～16所示的检查结果数据去除图45的(a)所示的输出用数据以外的数据而得到的。即，输出用数据完全不包含与概率有关的信息。
图45的(b)所示的输出用数据包括检体ID、测定结果以及异常细胞的检测信息。即，图45的(b)所示的输出用数据是在与图45的(a)同样的输出用数据中对测定结果附加异常细胞的检测信息而得到的。在概率比0％大的异常细胞(例如，异常淋巴细胞、芽细胞)的个数在检体中存在预定数量以上的情况下，在检查结果数据的生成时，检测到该异常细胞的事实作为异常细胞的检测信息而被附加到测定结果。异常细胞的检测信息例如是“检测到异常淋巴细胞”、“Abn LYMPH？”、“检测到芽细胞”、“Blast？”等字符串。异常细胞的检测信息也可以是检测到的异常细胞的细胞种类及其个数。异常细胞的检测信息例如显示于图18的测定结果显示区域932。
如以上那样，包括计数结果，与关联性有关的信息(细胞种类以及概率等)中的至少一部分被去除后的输出用数据被发送到主计算机500。如上所述，当针对每个细胞获取到与多个细胞种类对应起来的概率时，检查结果数据的容量变得巨大。因而，当检查结果数据全部被发送到主计算机500时，数据发送所致的通信负荷变大。相对于此，根据图44的(a)～图45的(b)所示的输出用数据，巨大的检查结果数据不全部被发送，而仅发送主计算机500的管理所需的数据。由此，能够实现主计算机500中的适当的数据管理和高效的数据发送这两方。
也可以在图44的(a)～图45的(b)所示的输出用数据中，包含特征参数、散点图。
另外，在此，处理器3001以成为图44的(a)～图45的(b)所示的任意的结构的方式生成输出用数据。然而，输出用数据的结构也可以根据用户的指示来设定。
图46的(a)、(b)分别是示意地示出用于选择输出用数据中包含的数据的画面的结构的图。
在图46的(a)的画面，显示有细胞种类选择区域951和OK按钮952。在细胞种类选择区域951，设置有用于选择细胞种类的复选框。当用户在细胞种类选择区域951进行选择细胞种类的操作，对OK按钮952进行操作时，处理单元300的处理器3001将设定内容存储于存储部3004。处理器3001在从下次起生成输出用数据时，将所设定的细胞种类和与所设定的细胞种类对应的概率包含于输出用数据。
在图46的(b)的画面，显示有细胞范围选择区域961和OK按钮962。在细胞范围选择区域961，设置有用于选择细胞种类的范围的复选框。在细胞范围选择区域961，能够选择“仅主细胞种类”、“主细胞种类以外的子细胞种类”、“所有的细胞种类”、“不发送”等细胞种类的范围。当选择“仅主细胞种类”时，仅所有的识别信息以及概率中的主细胞种类的识别信息以及概率包含于输出用数据。当选择“主细胞种类以外的子细胞种类”时，仅所有的识别信息以及概率中的主细胞种类以外的所有的子细胞种类的识别信息以及概率包含于输出用数据。当选择“所有的细胞种类”时，所有的识别信息以及概率包含于输出用数据。当选择“不发送”时，所有的识别信息以及概率不包含于输出用数据。
当用户在细胞范围选择区域961进行选择细胞种类的范围的操作，对OK按钮962进行操作时，处理器3001将设定内容存储于存储部3004。处理器3001在从下次起生成输出用数据时，根据所设定的细胞种类的范围来生成输出用数据。
[8.处理器以及并行处理处理器的结构]
(结构例1)
接下来，再次参照图2，详细地说明搭载于测定单元400的并行处理处理器4833的结构。以下，关于处理器4831以及并行处理处理器4833，说明结构例1。
如参照图2所说明那样，处理器4831使用并行处理处理器4833，依照深度学习算法60，执行所生成的数字信号中包含的波形数据的分析处理。即，处理器4831以依照深度学习算法60执行数字信号中包含的波形数据的分析处理的方式被编程。用于根据深度学习算法60来分析细胞的数据的解析软件4835a也可以保存于存储部4835。在该情况下，处理器4831通过执行保存于存储部4835的解析软件4835a，从而执行基于深度学习算法60的数据的分析处理。处理器4831例如是CPU(Central Processing Unit，中央处理单元)。处理器4831例如也可以使用因特尔公司制的Core i9、Core i7、Core i5、AMD公司制的Ryzen 9、Ryzen 7、Ryzen 5、Ryzen 3等。
处理器4831控制并行处理处理器4833。并行处理处理器4833根据由处理器4831进行的控制，例如执行与矩阵运算有关的并行处理。也就是说，处理器4831是并行处理处理器4833的主体处理器，并行处理处理器4833是处理器4831的从处理器。处理器4831还被称为主机处理器或者主处理器。
并行处理处理器4833并行地执行作为与波形数据的分析有关的处理中的至少一部分的多个运算处理。并行处理处理器4833例如是GPU(Graphics Processing Unit，图形处理单元)、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application Specific Integrated Circuit，专用集成电路)。在并行处理处理器4833是FPGA的情况下，并行处理处理器4833中，例如也可以预先编程有与已训练的深度学习算法60有关的运算处理。在并行处理处理器4833是ASIC的情况下，并行处理处理器4833例如既可以预先编入有用于执行与已训练的深度学习算法60有关的运算处理的电路，也可以除了内置有这样的编入电路之外，还内置有可编程的模块。并行处理处理器4833例如也可以使用NVIDIA公司制的GeForce、Quadro、TITAN、Jetson等。如果是Jetson系列，例如使用JetsonNano、Jetson Tx2、Jetson Xavier、Jetson AGX Xavier。
处理器4831例如执行与测定单元400的控制有关的计算处理。处理器4831例如执行与在与装置机构部430、试样调制部440、检体吸引部450之间发送接收的控制信号有关的计算处理。处理器4831例如执行与处理单元300之间的信息的发送接收有关的计算处理。处理器4831例如读出来自存储部4835的程序数据，执行与向RAM4834的程序的展开、与RAM4834之间的数据的发送接收有关的处理。由处理器4831执行的上述各处理例如要求按照预定的顺序执行。例如，当将装置机构部430、试样调制部440、检体吸引部450的控制所需的处理设为A、B以及C时，有时要求按照B、A、C的顺序执行。处理器4831执行依赖于这样的顺序的连续的处理的情形较多，所以即使增加运算单元(有时被称为“处理器内核”、“内核”等)的数量，处理速度也未必会提高。
另一方面，并行处理处理器4833例如如包含大量的元素的矩阵数据的运算那样，执行定型且大量的计算处理。在本实施方式中，并行处理处理器4833执行使依照深度学习算法60分析波形数据的处理中的至少一部分并行化的并行处理。在深度学习算法60中例如包括大量的矩阵运算。在深度学习算法60中，例如有时包括至少100个矩阵运算，另外，有时还至少包括1000个矩阵运算。并行处理处理器4833具有多个运算单元，这些运算单元各自能够同时执行矩阵运算。也就是说，并行处理处理器4833能够作为并行处理而并行地执行由多个运算单元的各个运算单元进行的矩阵运算。例如，深度学习算法60中包含的矩阵运算能够分割为相互没有顺序依赖的多个运算处理。这样分割后的运算处理能够由多个运算单元各自并行地执行。这些运算单元有时被称为“处理器内核”、“内核”等。
通过执行这样的并行处理，能够使作为测定单元400整体的运算处理变快。如深度学习算法60中包含的矩阵运算那样的处理例如有时被称为“单一命令多个数据处理”(SIMD：Single Instruction Multiple Data)。并行处理处理器4833例如适于这样的SIMD运算。这样的并行处理处理器4833有时被称为矢量处理器。
如上所述，处理器4831适于执行多样且复杂的处理。另一方面，并行处理处理器4833适于并行地执行被定型化的大量的处理。通过并行地执行被定型化的大量的处理，计算处理所需的TAT(Turn Around Time，检测周转时间)被缩短。
此外，并行处理处理器4833执行的并行处理的对象不限于矩阵运算。例如，在并行处理处理器4833依照深度学习算法60执行学习处理时，与学习处理有关的微分运算等可能成为并行处理的对象。
处理器4831的运算单元的数量例如是双内核(内核数：2)、四内核(内核数：4)、八内核(内核数：8)。另一方面，并行处理处理器4833例如具有至少10个运算单元(内核数：10)，能够并行地执行10个矩阵运算。并行处理处理器4833例如有时还具有几十个运算单元。另外，并行处理处理器4833例如有时还具有至少100个运算单元(内核数：100)，并行地执行100个矩阵运算。并行处理处理器4833例如有时还具有几百个运算单元。另外，并行处理处理器4833例如有时还具有至少1000个运算单元(内核数：1000)，能够并行地执行1000个矩阵运算。并行处理处理器4833例如有时还具有几千个运算单元。
图47示出并行处理处理器4833的结构例。并行处理处理器4833包括多个运算单元4836以及RAM4837。运算单元4836各自并行地执行矩阵数据的运算处理。RAM4837存储与运算单元4836执行的运算处理有关的数据。RAM4837是至少具有1千兆字节的容量的存储器。RAM4837也可以是具有2千兆字节、4千兆字节、6千兆字节、8千兆字节或者10千兆字节以上的容量的存储器。运算单元4836从RAM4837获取数据，执行运算处理。运算单元4836有时被称为“处理器内核”、“内核”等。
图48～图50示出向测定单元400的并行处理处理器4833的搭载例。图48～图50示出并行处理处理器4833以被编入到测定单元400的内部的形式搭载于细胞分析装置100的例子。图48以及图49示出将处理器4831和并行处理处理器4833分开地设置的搭载例。如图48所示，处理器4831例如搭载于基板4838。并行处理处理器4833例如搭载于图形板4830，图形板4830经由连接器4839连接于基板4838。处理器4831经由总线485而与并行处理处理器4833连接。如图49所示，并行处理处理器4833例如也可以直接搭载于基板4838，经由总线485连接于处理器4831。图50示出将处理器4831和并行处理处理器4833设置成一体的搭载例。如图50所示，并行处理处理器4833例如也可以内置于搭载于基板4838的处理器4831。
图51示出并行处理处理器4833向测定单元400的其它搭载例。图51示出利用与测定单元400连接的外置装置4800将并行处理处理器4833搭载于测定单元400的例子。并行处理处理器4833例如安装于作为USB(Universal Serial Bus，通用串行总线)设备的外置装置4800，该USB设备经由接口部487连接于总线485，从而并行处理处理器4833搭载于细胞分析装置100。USB设备例如也可以是如USB加密狗那样的小型设备。接口部487例如是具有几百Mbps的转送速度的USB接口，更优选的是具有几Gbps～几十Gbps以上的转送速度的USB接口。作为安装有并行处理处理器4833的外置装置4800，例如，也可以使用Intel公司制Neural Compute Stick 2。
也可以通过将安装有并行处理处理器4833的多个USB设备连接于接口部487，从而将多个并行处理处理器4833搭载于细胞分析装置100。关于安装于一个USB设备的并行处理处理器4833，有时运算单元4836的数量比GPU等少，所以增设多个与测定单元400连接的USB设备，从而能够进行内核数的扩大。
图52、图53的(a)、(b)以及图54示出根据在处理器4831上动作的解析软件4835a的控制而由并行处理处理器4833执行的运算处理的概要。
图52示出执行运算处理的并行处理处理器4833的结构例。
并行处理处理器4833具有多个运算单元4836、RAM4837。执行解析软件4835a的处理器4831能够对并行处理处理器4833发出命令，使并行处理处理器4833执行用深度学习算法60分析波形数据的情况下所需的至少一部分的运算处理。处理器4831对并行处理处理器4833发出执行与基于深度学习算法的波形数据分析有关的运算处理的命令。与由FCM检测部410检测到的信号对应的波形数据的全部或者至少一部分存储于RAM4834。存储于RAM4834的数据被转送到并行处理处理器4833的RAM4837。存储于RAM4834的数据例如通过DMA(Direct Memory Access，直接存储器访问)方式被转送到RAM4837。并行处理处理器4833的多个运算单元4836各自并行地执行针对存储于RAM4837的数据的运算处理。多个运算单元4836各自从RAM4837获取所需的数据，执行运算处理。与运算结果对应的数据存储于并行处理处理器4833的RAM4837。与运算结果对应的数据例如以DMA方式从RAM4837转送到RAM4834。
图53的(a)、(b)示出并行处理处理器4833执行的矩阵运算的概要。
当依照深度学习算法60分析波形数据时，执行矩阵的积的计算(矩阵运算)。并行处理处理器4833例如并行地执行与矩阵运算有关的多个运算处理。图53的(a)示出矩阵的积的计算式。在(a)所示的计算式中，通过n行n列的矩阵a与n行n列的矩阵b之积来求出矩阵c。如图53的(a)所例示那样，计算式按照多层循环结构记述。图53的(b)示出由并行处理处理器4833并行地执行的运算处理的例子。图53的(a)所例示的计算式例如能够分割为作为第1层的循环用变量i与第2层的循环用变量j的组合数的n×n个运算处理。这样分割后的运算处理分别是不相互依赖的运算处理，所以能够并行地执行。
图54是示出由并行处理处理器4833并行地执行图53的(b)所例示的多个运算处理的概念图。
如图54所示，多个运算处理各自被分配给并行处理处理器4833所具备的多个运算单元4836中的任意运算单元。运算单元4836各自相互并行地执行所分配的运算处理。也就是说，运算单元4836各自同时执行分割后的运算处理。
通过基于图53的(a)、(b)以及图54所例示的并行处理处理器4833的运算，例如，求出与和波形数据对应的细胞属于多个细胞种类的各个细胞种类的概率有关的信息。根据运算的结果，执行解析软件4835a的处理器4831进行与和波形数据对应的细胞的细胞种类有关的解析。运算结果存储于并行处理处理器4833的RAM4837，从RAM4837转送到RAM4834。处理器4831经由总线485以及接口部489将根据存储于RAM4834的运算结果解析出的结果发送到处理单元300。
细胞属于多个细胞种类的各个细胞种类的概率的运算也可以由与并行处理处理器4833不同的处理器进行。例如，基于并行处理处理器4833的运算结果从RAM4837转送到RAM4834，处理器4831也可以根据从RAM4834读出的运算结果，运算与和各个波形数据对应的细胞属于多个细胞种类的各个细胞种类的概率有关的信息。另外，也可以将基于并行处理处理器4833的运算结果从RAM4837转送到处理单元300，搭载于处理单元300的处理器运算与和各个波形数据对应的细胞属于多个细胞种类的各个细胞种类的概率有关的信息。
在本实施方式中，图53的(a)、(b)以及图54所示的处理例如应用于深度学习算法60中的与卷积层有关的运算处理(还被称为过滤器处理)。
图55的(a)、(b)示出与卷积层有关的运算处理的概要。
图55的(a)作为被输入到深度学习算法60的波形数据而示出前方散射光(FSC)的波形数据的例子。本实施方式的波形数据如参照图5所说明那样是一维的矩阵数据。更简单而言，波形数据是将元素排成一列的排列。在此，为了便于说明，波形数据的元素数设为n(n是1以上的整数)。在图55的(a)中，示出了多个过滤器。过滤器通过深度学习算法60的学习处理而生成。多个过滤器各自是表示波形数据的特征的一维的矩阵数据。图55的(a)所示的过滤器是1行3列的矩阵数据，但列数不限于3。通过对被输入到深度学习算法60的波形数据和各个过滤器进行矩阵运算，从而计算与和波形数据有关的细胞种类对应的特征。图55的(b)示出波形数据和过滤器的矩阵运算的概要。如图55的(b)所示，一边使各过滤器相对于波形数据的各元素各偏移1个，一边执行矩阵运算。通过下述式1来执行矩阵运算的计算。
【数1】
Figure BDA0003541764720000471
在式1中，x的下标是表示波形数据的行编号以及列编号的变量。h的下标是表示过滤器的行编号以及列编号的变量。在是图55的(a)、(b)所示的例子的情况下，波形数据是一维的矩阵数据，过滤器是1行3列的矩阵数据，所以L＝1，M＝3，p＝0，q＝0、1、2，i＝0，j＝0、1、…、n－1。
并行处理处理器4833利用多个运算单元4836各自来并行地执行用式1表示的矩阵运算。根据并行处理处理器4833执行的运算处理，生成与各细胞的细胞种类有关的分类信息。所生成的分类信息被发送到用于基于分类信息的检体的检查结果的生成以及显示的处理单元300。
接下来，参照图56，说明图10的流程图中的步骤S13的细胞分类的处理。
步骤S13的细胞分类的处理是处理器4831根据解析软件4835a的动作进行的处理。处理器4831将在步骤S13中取入到RAM4834的数字信号转送到并行处理处理器4833(步骤S101)。处理器4831如图52所示通过DMA转送将数字信号从RAM4834转送到RAM4837。处理器4831例如控制总线控制器4850，使数字信号从RAM4834以DMA的方式转送到RAM4837。
处理器4831对并行处理处理器4833指示执行针对数字信号中包含的波形数据的并行处理(步骤S102)。处理器4831例如通过调用并行处理处理器4833的核函数，从而指示并行处理的执行。由并行处理处理器4833执行的处理将在图57所例示的流程图中后述。处理器4831例如对并行处理处理器4833指示执行与深度学习算法60有关的矩阵运算。数字信号被分解为多个波形数据，依次被输入到深度学习算法60。数字信号中包含的与各细胞对应的索引不被输入到深度学习算法60。被输入到深度学习算法60的波形数据由并行处理处理器4833运算。
处理器4831接收由并行处理处理器4833执行的运算结果(步骤S103)。运算结果例如如图52所示从RAM4837通过DMA转送到RAM4834。
处理器4831根据基于并行处理处理器4833的运算结果，生成测定出各个细胞的细胞种类的解析结果(步骤S104)。
图57示出根据与解析软件4835a的动作相应的处理器4831的指示而执行的并行处理处理器4833的运算处理的动作例。
执行解析软件4835a的处理器4831使并行处理处理器4833执行针对运算单元4836的运算处理的分配(步骤S110)。处理器4831例如通过调用并行处理处理器4833的核函数，使并行处理处理器4833执行向运算单元4836的运算处理的分配。如图54所示，例如，与深度学习算法60有关的矩阵运算被分割为多个运算处理，分割后的各运算处理被分配给运算单元4836。多个波形数据依次被输入到深度学习算法60。与波形数据对应的矩阵运算被分割为多个运算处理，分配给运算单元4836。
各运算处理由多个运算单元4836并行地处理(步骤S111)。对多个波形数据执行运算处理。
通过由多个运算单元4836并行地进行处理而生成的运算结果从RAM4837转送到RAM4834(步骤S112)。例如，运算结果通过DMA从RAM4837转送到RAM4834。
(结构例2)
参照图58以及图59，说明由测定单元400以及处理单元300构成的细胞分析装置100的其它结构例。在本结构例2中，并行处理处理器设置于处理单元300。
图58示出结构例2的测定单元400的框图。
图58所示的测定单元400除了不具备A/D变换部482、处理器4831、RAM4834、存储部4835、并行处理处理器4833，且设置有连接端口4201之外，具有与在图1～图57及其关联记载中说明的结构例1的测定单元400同样的结构以及功能。连接缆线4202连接于连接端口4201。
图59示出结构例2的处理单元300的框图。
如图59所示，处理单元300具备处理器3001、并行处理处理器3002、存储部3004、RAM3005、接口部3006、A/D变换部3008、总线控制器4850、接口部3009，这些连接于总线3003。也就是说，在图59的例子中，并行处理处理器3002以被编入到处理单元300的内部的形式搭载于细胞分析装置100。
总线3003例如是具有几百MB/s以上的数据转送速度的传送路。总线3003也可以是具有1GB/s以上的数据转送速度的传送路。总线3003例如根据PCI－Express、PCI－X标准来进行数据转送。处理器3001、并行处理处理器3002、存储部3004、RAM3005的结构以及由这些执行的处理与在上述图47～图57中说明的处理器4831、并行处理处理器4833、存储部4835、RAM4834的结构以及处理相同。A/D变换部3008如上所述对从测定单元400输出的模拟信号进行采样，生成包含细胞的波形数据的数字信号。关于数字信号的生成方法，与上述一样。
在图58以及图59的例子中，连接缆线4202例如具备与从测定单元400传送到处理单元300的模拟信号的种类对应的数量的传送路径。例如，连接缆线4202由双绞缆线构成，具有与被传送到处理单元300的模拟信号的种类对应的数量的配对数的布线。连接端口3007至A/D变换部3008的传送路径也可以具有与被传送到处理单元300的模拟信号的种类对应的数量的布线。在连接端口3007至A/D变换部3008的传送路径中，例如模拟信号作为差动信号而被传送。
如图60所示，处理器3001以及并行处理处理器3002具有与上述处理器4831以及并行处理处理器4833同样的结构以及功能。并行处理处理器3002包括多个运算单元3200以及RAM3201。在处理器3001上，执行解析测定出的细胞的细胞种类的解析软件3100。此外，并行处理处理器3002无需直接连接于总线3003，例如，也可以安装于USB设备，该USB设备经由接口部(未图示)连接于总线3003，从而作为处理单元300的一部分而搭载于细胞分析装置100。该USB设备例如也可以是如USB加密狗那样的小型设备。
如图58以及图59所示，处理单元300经由接口部3006而与测定单元400的接口部489连接。处理单元300经由接口部3006将装置机构部430以及试样调制部440的控制信号发送到测定单元400。接口部3006例如是USB接口。
在图58以及图59所示的例子中，处理单元300除了经由接口部3006之外，还经由与A/D变换部3008连接的连接端口3007、与连接端口3007连接的连接缆线4202而与测定单元400的连接端口4201连接。连接端口4201与模拟处理部420连接。从连接端口4201输出到处理单元300的模拟信号如上述那样是由模拟处理部420对测定单元400的FCM检测部410的输出进行处理的信号。模拟处理部420对从FCM检测部410输入的模拟信号进行包括噪声去除的处理。由模拟处理部420处理后的模拟信号经由连接端口4201、连接缆线4202被传送到处理单元300。关于连接缆线4202，为了降低信号传送中的噪声，例如由1米或者其以下的长度构成。模拟信号例如作为差动信号而经由连接缆线4202被传送到处理单元300。在该情况下，连接缆线4202优选的是双绞缆线。
处理单元300也可以具备多个连接端口3007。处理单元300也可以经由多个连接端口3007从多个测定单元400获取模拟信号。
从测定单元400经由连接缆线4202传送的模拟信号由处理单元300的A/D变换部3008变换为数字信号。A/D变换部3008例如如参照图5所说明那样，按照预定的采样率(例如，以10纳秒间隔进行1024点的采样，以80纳秒间隔进行128点的采样，或者以160纳秒间隔进行64点的采样等)，对所传送的模拟信号进行采样，生成每个细胞的波形数据。波形数据经由总线3003存储于存储部3004或者RAM3005。波形数据例如通过DMA转送到RAM3005。处理器3001以及并行处理处理器3002对存储于存储部3004或者RAM3005的波形数据执行运算处理。
在处理器3001上进行动作的解析软件3100具有与图52所示的解析软件4835a同样的功能。处理器3001通过执行解析软件3100，从而通过与图52、图53的(a)、(b)、图54、图56、图57及其关联记载同样的动作，生成与测定出的细胞的细胞种类有关的分类信息。
在该图58、图59所示的结构例2的细胞分析装置100的情况下，在处理单元300中进行图10所示的流程图中的步骤S12的波形数据以及特征参数的生成和步骤S13的基于深度学习算法的细胞分类。省略步骤S14(分类信息的发送)。图56、图57的处理由处理单元300的处理器3001和并行处理处理器3002进行。
(结构例3)
参照图61以及图62，说明由测定单元400以及处理单元300构成的细胞分析装置100的其它结构例。在本结构例3中，并行处理处理器3002也以编入到处理单元300的内部的形式搭载于细胞分析装置100。
图61示出结构例3的测定单元400的框图。
图61所示的测定单元400除了不具备处理器4831、RAM4834、存储部4835、并行处理处理器4833，且设置有用于将由A/D变换部482生成的数字信号传送到处理单元300的接口部4851和传送路4852之外，具有与在图2、图47及其关联记载中说明的结构例1的测定单元400同样的结构以及功能。
接口部4851例如是作为具备1千兆比特/秒以上的通信频带的专用线路的接口。例如，接口部4851是遵循千兆以太网、USB3.0或者Thunderbolt3的接口。在接口部4851是千兆以太网的情况下，传送路4852例如是LAN缆线。在接口部4851是USB3.0的情况下，传送路4852是遵循USB3.0的USB缆线。传送路4852例如是用于在测定单元400与处理单元300之间传送数字信号的专用的传送路。
图62示出结构例3的处理单元300的框图。
图62所示的处理单元300除了不具备A/D变换部3008以及连接端口3007以及具备接口部3010之外，具备与在图59及其关联记载中说明的结构例2的处理单元300同样的结构以及功能。处理单元300也可以经由多个接口部3010以及多个接口部3006而与多个测定单元400连接。
处理器3001以及并行处理处理器3002具有与在图60及其关联记载中说明的处理器3001以及并行处理处理器3002同样的结构以及功能。在图62中，并行处理处理器3002不必直接连接于总线3003，例如也可以安装于USB设备，该USB设备经由接口部(未图示)连接于总线3003。该USB设备例如也可以是如USB加密狗那样的小型设备。
在处理器3001上动作的解析软件3100具有与图52所示的解析软件4835a同样的功能。解析软件3100通过与图52、图53的(a)、(b)、图54、图56、图57及其关联记载同样的动作，对测定出的细胞的细胞种类进行解析。
在是该图61、图62所示的结构例3的细胞分析装置100的情况下，在处理单元300中进行图10所示的流程图中的步骤S13(细胞分类)。省略步骤S14(分类信息的发送)。由处理单元300的处理器3001和并行处理处理器3002进行图56、图57的处理。
在图61、图62的结构中，由FCM检测部410生成的细胞的模拟信号(前方散射光信号、侧方散射光信号、侧方荧光信号)在测定单元400内的A/D变换部482中被变换为数字信号。数字信号经由接口部484、总线485、接口部4851、传送路4852发送到处理单元300。传送路4852如上述那样是用于在测定单元400与处理单元300之间传送数字信号的专用的传送路。例如，测定单元400与处理单元300经由传送路4852一对一地连接。换言之，传送路4852例如是与构成细胞分析装置100的构件(例如，测定单元400以及处理单元300)以外的装置关联的数据的传送不介入的传送路。传送路4852例如与内联网或者因特网是不同的传送路。由此，即使将在测定单元400内进行A/D变换而生成的数字信号发送到处理单元300，也能够避免数字信号的传送的通信速度的瓶颈。
(结构例4)
参照图63、图64、图65、图66以及图67，说明细胞分析装置100的结构例4。
在本结构例4中，如图63所例示那样，在测定单元400与处理单元300之间，设置解析单元600。也就是说，在图63、图64、图65、图66、图67的结构中，细胞分析装置100构成为具备测定单元400、处理单元300以及解析单元600。解析单元600对测定出的细胞的细胞种类进行解析。如后述那样，在本结构例中，并行处理处理器6002以编入到解析单元600的形式搭载于细胞分析装置100。
图64图示结构例4的测定单元400的结构。
图64所例示的测定单元400的结构具有与在图61及其关联记载中说明的结构例3的测定单元400同样的结构以及功能。在测定单元400与处理单元300之间，设置有解析单元600。解析单元600也可以与多个测定单元400连接。解析单元600也可以与多个处理单元300连接。接口部4851例如是具备1千兆比特/秒以上的通信频带的接口。例如，接口部4851是遵循千兆以太网、USB3.0或者Thunderbolt3的接口。在接口部4851是千兆以太网的情况下，传送路4852例如是LAN缆线。在接口部4851是USB3.0的情况下，传送路4852是遵循USB3.0的USB缆线。传送路4852如上述那样是用于在测定单元400与处理单元300之间传送数字信号的专用的传送路。例如，测定单元400与处理单元300经由传送路4852一对一地连接。
图65示出解析单元600的结构例。
解析单元600例如具备处理器6001、并行处理处理器6002、总线6003、存储部6004、RAM6005、接口部6006、接口部6007，这些连接于总线6003。总线6003例如是具有几百MB/s以上的数据转送速度的传送路。总线3003也可以是具有1GB/s以上的数据转送速度的传送路。总线3003例如根据PCI－Express、PCI－X标准来进行数据转送。解析单元600也可以经由多个接口部6006而与多个测定单元400连接。在设置有多个测定单元400的情况下，也可以对测定单元400各自连接解析单元600(例如，多个测定单元400与多个解析单元600分别一对一地连接)。
如图66所示，处理器6001以及并行处理处理器6002具有与上述处理器4831以及并行处理处理器4833同样的结构以及功能。并行处理处理器6002包括多个运算单元6200以及RAM6201。对测定出的细胞的细胞种类进行解析的解析软件6100在处理器6001上动作。在处理器6001上动作的解析软件6100具有与图52所示的解析软件4835a同样的功能。解析软件6100通过与图52、图53的(a)、(b)、图54、图55的(a)、(b)、图56、图57及其关联记载同样的动作对测定出的细胞的细胞种类进行解析。解析软件6100经由接口部6007将测定出的细胞的分类信息发送到处理单元300。接口部6007例如是以太网(注册商标)，USB。接口部6007也可以是能够进行无线通信的接口(例如，WiFi(注册商标)、蓝牙(Bluetooth(注册商标)))。
图67示出结构例4的处理单元300的结构。
图67所示的处理单元300也可以如图59以及图62所示的处理单元300那样不具备并行处理处理器3002。另外，在图67所示的处理器3001上，图59以及图62所示的解析软件3100也可以不进行动作。处理单元300经由接口部3006，接收基于解析单元600的解析结果。接口部3006例如是以太网、USB。接口部3006也可以是能够进行无线通信的接口(例如，WiFi、Bluetooth)。
在图64、图65、图66、图67的结构中，在FCM检测部410中生成的细胞的模拟信号(前方散射光信号、侧方散射光信号、侧方荧光信号)在测定单元400内的A/D变换部482中被变换为数字信号。波形数据经由接口部484、总线485、接口部4851、传送路4852发送到解析单元600。接口部4851如上述那样是将测定单元400与解析单元600进行连接的专用的接口，将测定单元400与解析单元600一对一地进行连接。换言之，传送路4852例如是与构成细胞分析装置100的构件(例如，测定单元400以及处理单元300)以外的装置关联的数据的传送不介入的传送路。传送路4852例如与内联网或者因特网是不同的传送路。由此，即使将在测定单元400内进行A/D变换而生成的数字信号发送到处理单元300，也能够避免数字信号的传送的通信速度的瓶颈。
在该图64、图65、图66、图67所示的结构例4的细胞分析装置100的情况下，在解析单元600中进行图10所示的流程图中的步骤S13(细胞分类)和步骤S14(分类信息的发送)。即，在步骤S13中生成的数字信号从测定单元400发送到解析单元600，在步骤S14中分类信息被发送到处理单元300。图56、图57的处理由解析单元600的处理器6001和并行处理处理器6002进行。
(结构例5)
参照图63、图67以及图68，说明细胞分析装置100的结构例5。
该结构例5的细胞分析装置100也与前述的结构例4同样地，构成为具备测定单元400、处理单元300以及解析单元600。图68所示的结构例5的测定单元400具备与在图58及其关联记载中说明的测定单元400同样的功能以及结构。图68所示的结构例5的测定单元400经由连接缆线4202而与解析单元600连接。例如，连接缆线4202由双绞缆线构成，具有与被传送到处理单元300的模拟信号的种类对应的数量的配对数的布线。关于连接缆线4202，为了降低信号传送中的噪声，例如由1米或者其以下的长度构成。测定单元400经由连接缆线4202，将模拟信号传送到解析单元600。
图69所示的解析单元600具备与在图65及其关联记载中说明的解析单元600同样的功能以及结构。也就是说，在图69的例子中，并行处理处理器6002以编入到解析单元600的形式搭载于细胞分析装置100。图69所示的解析单元600还具备连接端口6008、A/D变换部6009。从解析单元600经由连接缆线4202传送的模拟信号经由连接端口6008被输入到A/D变换部6009。A/D变换部6009通过与A/D变换部482同样的处理，将模拟信号变换为数字信号。
解析单元600也可以经由多个连接端口6008而与多个测定单元400连接。在设置有多个测定单元400的情况下，也可以对测定单元400各自连接解析单元600(例如，多个测定单元400与多个解析单元600分别一对一地连接)。
如图66所示，处理器6001以及并行处理处理器6002具有与上述处理器4831以及并行处理处理器4833同样的结构以及功能。对测定出的细胞的细胞种类进行解析的解析软件6100在处理器6001上动作。在处理器6001上动作的解析软件6100具有与图52所示的解析软件4835a同样的功能。解析软件6100通过与图52、图53的(a)、(b)、图54、图55的(a)、(b)、图56、图57及其关联记载同样的动作对测定出的细胞的细胞种类进行解析。解析软件6100经由接口部6007将测定出的细胞的细胞种类的解析结果发送到处理单元300。接口部6007例如是以太网、USB。接口部6007也可以是能够进行无线通信的接口(例如，WiFi、Bluetooth)。
在该图68、图69所示的结构例5的细胞分析装置100的情况下，在解析单元600中进行图10所示的流程图中的步骤S12中的波形数据以及特征参数的生成和步骤S13(细胞分类)以及步骤S14(分类信息的发送)。即，在解析单元600的A/D变换部6009中进行波形数据的生成(步骤S12)，由解析单元600的处理器6001和并行处理处理器6002进行基于数字信号的细胞分类(步骤S13)，分类信息从解析单元600发送到处理单元300(步骤S14)。图56、图57的处理由解析单元600的处理器6001和并行处理处理器6002进行。
[9.深度学习算法60的神经网络构造以及训练]
(神经网络的构造)
图70的(a)例示实现深度学习算法60的卷积神经网络的构造。
神经网络具备输入层60a、输出层60b及输入层60a以及输出层60b之间的中间层60c，中间层60c由多层构成。构成中间层60c的层的数量例如能够设为5层以上，优选的是设为50层以上，更优选的是设为100层以上。
在神经网络中，以层状配置的多个节点89在层间结合。由此，信息从输入侧的输入层60a向输出侧的输出层60b仅在图中箭头D所示的一个方向上传播。
(各节点中运算)
图70的(b)是示出各节点中的运算的示意图。
在各节点89中，接收多个输入，计算1个输出(z)。在是图70的(b)所示的例子的情况下，节点89接收4个输入。节点89接收的总输入(u)作为例子而用以下的(式2)表示。在此，在本实施方式中，作为训练用输入数据以及分析用输入数据而使用一维的行数列数据，所以在运算式的变量对应于二维的矩阵数据的情况下，进行以使变量对应于一维的矩阵数据的方式进行变换的处理。
【数2】
u＝w1x1+w2x2+w3x3+w4x4+b…(式2)
对各输入分别施加不同的权重。(式2)中，b是被称为偏置的值。节点的输出(z)是针对用(式2)表示的总输入(u)的预定的函数f的输出，用以下的(式3)表示。函数f被称为激活函数。
【数3】
z＝f(u)…(式3)
图70的(c)是示出节点间的运算的示意图。
在神经网络中，针对用(式2)表示的各节点89的总输入(u)，输出用(式3)表示的结果(z)的节点以层状排列。前面的层的节点的输出成为接下来的层的节点的输入。在图70的(c)所示的例子中，图中左侧的层的节点89a的输出成为图中右侧的层的节点89b的输入。各节点89b分别接收来自节点89a的输出。对各节点89a与各节点89b之间的各结合施加不同的权重。当将多个节点89a各自的输出设为x1～x4时，针对3个节点89b的各个节点的输入用以下的(式4-1)～(式4-3)表示。
【数4】
u1＝w11x1+w12x2+w13x3+w14x4+b1…(式4-1)
u2＝w21x1+w22x2+w23x3+w24x4+b2…(式4-2)
u3＝w31x1+w32x2+w33x3+w34x4+b3…(式4-3)
当将这些(式4-1)～(式4-3)一般化时，成为以下的(式4-4)。在此，i＝1、...、I，j＝1、...、J。I是输入总数，J是总输出数。
【数5】
Figure BDA0003541764720000591
当将(式4-4)应用于激活函数时，能够得到输出。输出用以下的(式5)表示。
【数6】
zj＝f(uj)(j＝1，2，3)…(式5)
(激活函数)
在实施方式的细胞种类的分析方法中，作为激活函数，使用标准化线性函数(rectified linear unit function)。标准化线性函数用以下的(式6)表示。
【数7】
f(u)＝max(u，0)…(式6)
(式6)是z＝u的线性函数中的将u＜0的部分设为u＝0的函数。在图70的(c)所示的例子中，j＝1的节点的输出根据(式6)用以下的式表示。
【数8】
z1＝max((w11x1+w12x2+w13x3+w14x4+b1)，0)
(神经网络的学习)
当将使用神经网络表达的函数设为y(x：w)时，使神经网络的参数w变化时，函数y(x：w)变化。将以针对输入x选择使神经网络更适合的参数w的方式调整函数y(x：w)的动作称为神经网络的学习。设为提供使用神经网络表达的函数的输入与输出的多个组。当将针对某个输入x的理想的输出设为d时，输入输出的组按照{(x1，d1)，(x2，d2)，...，(xn，dn)}提供。将用(x，d)表示的各组的集合称为训练数据。
神经网络的学习意味着以针对任何输入输出的组(xn，dn)都使提供输入xn时的神经网络的输出y(xn：w)尽量接近输出dn的方式使用误差函数来调整权重w。
【数9】
y(xn：w)≈dn
误差函数(error function)是指测量使用神经网络表达的函数与训练数据的接近度的尺度。误差函数还被称为损失函数(loss function)。在实施方式的细胞种类的分析方法中使用的误差函数E(w)用以下的(式7)表示。(式7)被称为交叉熵(cross entropy)。
【数10】
Figure BDA0003541764720000601
说明(式7)的交叉熵的计算方法。在实施方式的细胞种类的分析方法中使用的神经网络的输出层中，即在神经网络的最终层中，使用用于根据内容将输入x分类为有限个类目的激活函数。激活函数被称为softmax函数(softmax function)，用以下的(式8)表示。此外，设为在输出层60b，排列有数量与类目数k相同的节点。设为输出层L的各节点k(k＝1、...、K)的总输入u是利用uk(L)从前层L-1的输出提供的。由此，输出层的第k个节点的输出用以下的(式8)表示。
【数11】
Figure BDA0003541764720000611
(式8)是softmax函数。根据(式8)确定的输出y1、…、yk的总和始终是1。
当将各类目表示为C1、…、Ck时，输出层L的节点k的输出yk(即uk(L))表示所提供的输入x属于类目Ck的概率。输入x被分类为用以下的(式9)表示的概率成为最大的类目。
【数12】
Figure BDA0003541764720000612
在神经网络的学习中，将用神经网络表示的函数视为各类目的事后概率(posterior probability)的模型，在这样的概率模型之下，对针对训练数据的权重w的似然度(likelihood)进行评价，选择如使似然度最大化那样的权重w。
仅在输出是正解的类目的情况下，将基于(式8)的softmax函数的目标输出dn设为1，在除此以外的情况下，输出成为0。当以dn＝[dn1，…，dnk]这样的矢量形式表示目标输出时，例如在输入xn的正解类目是C3的情况下，仅目标输出dn3成为1，除此以外的目标输出成为0。当这样进行编码时，事后分布(posterior)用以下的(式10)表示。
【数13】
Figure BDA0003541764720000613
针对训练数据{(xn，dn)}(n＝1、…、N)的权重w的似然度L(w)用以下的(式11)表示。当取似然度L(w)的对数而使符号反转时，(式7)的误差函数被导出。
【数14】
Figure BDA0003541764720000621
学习意味着关于神经网络的参数w使根据训练数据计算的误差函数E(w)最小化。在实施方式的细胞种类的分析方法中，误差函数E(w)用(式7)表示。
关于参数w使误差函数E(w)最小化是与求出函数E(w)的局部的极小点相同的意思。参数w是节点间的结合的权重。权重w的极小点通过以任意的初始值为出发点而反复更新参数w的反复计算来求出。作为这样的计算的一个例子，存在梯度下降法(gradientdescent method)。
在梯度下降法中，使用用下面的(式12)表示的矢量。
【数15】
Figure BDA0003541764720000622
在梯度下降法中，反复进行多次使当前的参数w的值向负的梯度方向(即-
Figure BDA0003541764720000623
)移动的处理。当将当前的权重设为w(t)，将移动后的权重设为w(t+1)时，基于梯度下降法的运算用以下的(式13)表示。值t意味着使参数w移动的次数。
【数16】
Figure BDA0003541764720000631
在上述(式13)中使用的以下的(式14)所示的记号是决定参数w的更新量的大小的常数，被称为学习系数。
【数17】
∈…(式14)
通过反复进行用(式13)表示的运算，从而与值t的增加相伴地误差函数E(w(t))减少，参数w达到极小点。
此外，基于(式13)的运算既可以对所有的训练数据(n＝1、…、N)进行实施，也可以仅对一部分的训练数据进行实施。仅对一部分的训练数据进行的梯度下降法被称为随机梯度下降法(stochastic gradient descent)。在实施方式的细胞种类的分析方法中，使用随机梯度下降法。
将图71作为例子，说明深度学习算法60的训练的概要。深度学习算法60如上所述由包括多层的中间层的神经网络构成。作为训练数据，细胞种类预先被确定的细胞的波形数据被输入到神经网络的输入层60a。作为训练数据，概率数据78被输入到神经网络的输出层60b。在通过深度学习算法60进行分类的细胞种类的数量如图8所示是9个种类的情况下，输出层60b的节点数是9，对各节点分配任意的细胞种类。概率数据78是与被输入到输入层60a的波形数据对应的、将预先确定的细胞种类的标签值的概率设为100％并将其它细胞种类的概率设为0％的数据群。这样，训练用数据分别被输入到输入层60a和输出层60b，神经网络被训练。
[10.实施方式的效果]
根据上述实施方式，例如如在图20中代表性地图示那样，显示将各个细胞分类为多个细胞种类的结果。在以往的细胞分类方法中，例如具有中性粒细胞和未成熟粒细胞的特征的细胞被择一地分类为任意的种类，但在上述实施方式中，关于这样的细胞，通过深度学习算法求出属于中性粒细胞和未成熟粒细胞的各个细胞的概率，显示与各个细胞种类对应的概率的值。用户例如能够采取对包含具有是异常细胞的概率的细胞的检体进行以异常细胞的检测为目的的重新检查、目视检查等更详细的分析的行动。
进而，根据上述实施方式，当用户在确认如图20所示的结果的基础上进行验证操作时，生成如在图44中代表性地图示那样的输出用数据，并发送到主计算机。在输出用数据中，所生成的分类信息中的至少一部分被去除，所以能够避免向主计算机的通信负荷的增大。

Claims (26)

1.一种分析方法，是使用了与主计算机连接的分析装置的检体的分析方法，所述分析方法的特征在于，
关于检体中包含的多个细胞的各个细胞，获取所述细胞的特征数据，
通过使用人工智能算法来解析所述特征数据，生成将各个所述细胞分类为多个细胞种类的分类信息，
根据所述分类信息生成检体的测定结果，
将所述分类信息中的至少一部分和所述测定结果显示于所述分析装置的显示部，
将包含所述测定结果且所述分类信息中的至少一部分被去除的输出用数据发送到所述主计算机。
2.根据权利要求1所述的分析方法，其中，
所述输出用数据包含所述分类信息的一部分。
3.根据权利要求1或者2所述的分析方法，其中，
所述分类信息包含一个细胞符合多个细胞种类的各个细胞种类的概率，
所述输出用数据包含与概率最高的细胞种类对应的概率。
4.根据权利要求1或者2所述的分析方法，其中，
所述分类信息包含一个细胞符合多个细胞种类的各个细胞种类的概率，
所述输出用数据包含与概率最高的上位两个种类的细胞种类对应的概率。
5.根据权利要求1或者2所述的分析方法，其中，
所述输出用数据包含细胞符合异常细胞的概率。
6.根据权利要求1～5中的任意一项所述的分析方法，其中，
所述异常细胞是单核细胞、淋巴细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞以外的细胞。
7.根据权利要求6所述的分析方法，其中，
所述异常细胞包括异常淋巴细胞、芽细胞、未成熟粒细胞。
8.根据权利要求1～7中的任意一项所述的分析方法，其中，
响应于所述计数结果被验证，将所述输出用数据发送到所述主计算机。
9.根据权利要求1～8中的任意一项所述的分析方法，其中，
所述测定结果包括根据所述分类信息对细胞进行计数的结果。
10.根据权利要求1～9中的任意一项所述的分析方法，其中，
所述人工智能算法是深度学习算法。
11.根据权利要求10所述的分析方法，其中，
所述分类包括：
将一个细胞的所述数据输入到深度学习算法；以及
作为来自所述深度学习算法的输出，获取将所述细胞分类为多个细胞种类的结果。
12.根据权利要求11所述的分析方法，其中，
在所述深度学习算法中，将与细胞的形态有关的特征数据以及与所述细胞的种类有关的信息作为教师数据进行训练。
13.根据权利要求1～13中的任意一项所述的分析方法，其中，
使用处理器和在所述处理器的命令下进行动作的并行处理处理器来进行所述分类。
14.一种分析装置，其特征在于，具备：
测定单元，关于检体中包含的多个细胞的各个细胞，获取所述细胞的特征数据；
处理器，通过使用人工智能算法来解析所述特征数据，生成将各个所述细胞分类为多个细胞种类的分类信息，根据所述分类信息生成检体的测定结果；以及
显示部，显示所述分类信息中的至少一部分和所述测定结果，
所述处理器将包含所述测定结果且所述分类信息中的至少一部分被去除的输出用数据发送到与所述分析装置连接的主计算机。
15.根据权利要求14所述的分析装置，其中，
所述输出用数据包含所述分类信息的一部分。
16.根据权利要求14或者15所述的分析装置，其中，
所述分类信息包含一个细胞符合多个细胞种类的各个细胞种类的概率，
所述输出用数据包含与概率最高的细胞种类对应的概率。
17.根据权利要求14或者15所述的分析装置，其中，
所述分类信息包含一个细胞符合多个细胞种类的各个细胞种类的概率，
所述输出用数据包含与概率最高的上位两个种类的细胞种类对应的概率。
18.根据权利要求14或者15所述的分析装置，其中，
所述输出用数据包含细胞符合异常细胞的概率。
19.根据权利要求14～18中的任意一项所述的分析装置，其中，
所述异常细胞是单核细胞、淋巴细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞以外的细胞。
20.根据权利要求19所述的分析装置，其中，
所述异常细胞包括异常淋巴细胞、芽细胞、未成熟粒细胞。
21.根据权利要求14～20中的任意一项所述的分析装置，其中，
所述处理器响应于所述测定结果被验证，将所述输出用数据发送到所述主计算机。
22.根据权利要求14～21中的任意一项所述的分析装置，其中，
所述测定结果包括根据所述分类信息对细胞进行计数的结果。
23.根据权利要求14～22中的任意一项所述的分析装置，其中，
所述人工智能算法是深度学习算法。
24.根据权利要求23所述的分析装置，其中，
所述分类包括：
将一个细胞的所述数据输入到深度学习算法；以及
作为来自所述深度学习算法的输出，获取将所述细胞分类为多个细胞种类的结果。
25.根据权利要求24所述的分析装置，其中，
在所述深度学习算法中，将与细胞的形态有关的数据以及与所述细胞的种类有关的信息作为教师数据进行训练。
26.根据权利要求14～25中的任意一项所述的分析装置，其中，
使用处理器和在所述处理器的命令下进行动作的并行处理处理器来进行所述分类。
CN202210235157.7A 2021-03-12 2022-03-11 分析方法以及分析装置 Pending CN115078226A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2021040830A JP2022140145A (ja) 2021-03-12 2021-03-12 分析方法および分析装置
JP2021-040830 2021-03-12
JP2021040829A JP2022140144A (ja) 2021-03-12 2021-03-12 分析方法および分析装置
JP2021-040829 2021-03-12
JP2021-040831 2021-03-12
JP2021040831A JP2022140146A (ja) 2021-03-12 2021-03-12 分析方法および分析装置

Publications (1)

Publication Number Publication Date
CN115078226A true CN115078226A (zh) 2022-09-20

Family

ID=80625024

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202210235236.8A Pending CN115078227A (zh) 2021-03-12 2022-03-11 分析方法以及分析装置
CN202210235266.9A Pending CN115078228A (zh) 2021-03-12 2022-03-11 分析方法以及分析装置
CN202210235157.7A Pending CN115078226A (zh) 2021-03-12 2022-03-11 分析方法以及分析装置

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202210235236.8A Pending CN115078227A (zh) 2021-03-12 2022-03-11 分析方法以及分析装置
CN202210235266.9A Pending CN115078228A (zh) 2021-03-12 2022-03-11 分析方法以及分析装置

Country Status (3)

Country Link
US (3) US20220291199A1 (zh)
EP (3) EP4060319A1 (zh)
CN (3) CN115078227A (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2972321B1 (en) 2013-03-12 2021-02-17 Abbott Laboratories System for analyzing white blood cells
JP2019195304A (ja) * 2018-05-10 2019-11-14 学校法人順天堂 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法
JP7352365B2 (ja) * 2019-03-22 2023-09-28 シスメックス株式会社 細胞の分析方法、深層学習アルゴリズムの訓練方法、細胞分析装置、深層学習アルゴリズムの訓練装置、細胞の分析プログラム及び深層学習アルゴリズムの訓練プログラム
JP7381003B2 (ja) * 2019-04-26 2023-11-15 学校法人順天堂 疾患解析を支援する方法、装置、及びコンピュータプログラム、並びにコンピュータアルゴリズムを訓練する方法、装置、及びプログラム

Also Published As

Publication number Publication date
EP4060320A1 (en) 2022-09-21
EP4060319A1 (en) 2022-09-21
EP4060318A1 (en) 2022-09-21
US20220291200A1 (en) 2022-09-15
US20220291199A1 (en) 2022-09-15
US20220292855A1 (en) 2022-09-15
CN115078228A (zh) 2022-09-20
CN115078227A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN103930762B (zh) 用于样本显示与查看的系统和方法
CN101097180B (zh) 分析仪及分析方法
CN110023759B (zh) 用于使用多维分析检测异常细胞的系统、方法和制品
WO2009100410A2 (en) Method and system for analysis of flow cytometry data using support vector machines
Da Costa Digital image analysis of blood cells
US20230221238A1 (en) Cell analysis method and cell analyzer
Priyankara et al. An extensible computer vision application for blood cell recognition and analysis
CN115078226A (zh) 分析方法以及分析装置
JP2022140145A (ja) 分析方法および分析装置
JP2022140144A (ja) 分析方法および分析装置
JP2022140146A (ja) 分析方法および分析装置
JP2016502078A (ja) フローサイトメトリのデータ区分結果の評価システム及び方法
US20230338953A1 (en) Specimen analyzer, specimen analysis method, and program
US20230314300A1 (en) Cell analysis method and cell analyzer
AU2015271917B2 (en) Systems and methods for sample display and review
JP7374943B2 (ja) 表示方法および検体分析装置
CN116773441A (zh) 被检物分析装置、被检物分析方法以及程序
WO2018110005A1 (ja) 血液細胞に関するスキャッタグラムにおける分類境界線の決定方法、および当該方法を行うための処理部を有する血液分析装置
JP2011002465A (ja) 血液撮像装置および血液撮像方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination