CN115803622A - 细胞分析方法以及细胞分析装置 - Google Patents

细胞分析方法以及细胞分析装置 Download PDF

Info

Publication number
CN115803622A
CN115803622A CN202180049739.XA CN202180049739A CN115803622A CN 115803622 A CN115803622 A CN 115803622A CN 202180049739 A CN202180049739 A CN 202180049739A CN 115803622 A CN115803622 A CN 115803622A
Authority
CN
China
Prior art keywords
cell
data
cells
processor
parallel
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
CN202180049739.XA
Other languages
English (en)
Inventor
朝田祥一郎
木村考伸
田中政道
铃木健一郎
南乡与平
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
Application filed by Sysmex Corp filed Critical Sysmex Corp
Publication of CN115803622A publication Critical patent/CN115803622A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N15/1456—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
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
    • 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
    • G01N15/1433—Signal processing using image recognition
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control
    • 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
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/012—Red blood cells
    • 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
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/016—White blood cells
    • 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
    • G01N15/02—Investigating particle size or size distribution
    • G01N2015/0294—Particle shape
    • 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
    • G01N2015/1488—Methods for deciding
    • 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
    • G01N2015/1497—Particle shape

Landscapes

  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

在对由细胞测定装置测定出的细胞的数据进行分析的结构中，对细胞测定装置不要求高的信息处理能力而提高细胞分类的精度。细胞分析方法包括：在利用人工智能算法对细胞进行分析的细胞分析装置中，获取由细胞测定装置测定出的与细胞相关的数据，对所述数据进行分析，针对各个所述细胞生成与细胞类别相关的信息，将所述信息发送到所述细胞测定装置。

Description

细胞分析方法以及细胞分析装置
技术领域
本发明涉及细胞分析方法以及细胞分析装置。
背景技术
专利文献1中记载了如下方法：在搭载有处理器的数据处理系统中，对利用流式细胞仪测定血细胞而得到的数据进行解析，根据类别对细胞进行分类。
现有技术文献
专利文献
专利文献1：日本特表2012-519848号公报
发明内容
发明所要解决的技术课题
根据专利文献1的装置，用数据处理系统中设定的算法来对细胞进行分类。由于根据已有的算法，基于从细胞得到的有限的参数来对细胞进行分类，因此虽然对系统不要求高的信息处理能力，但分类精度受限。
本发明的一个方式涉及不要求高信息处理能力而能够提高细胞分类精度的细胞分析方法以及细胞分析装置。
用于解决技术课题的技术方案
为了解决上述技术课题，本发明的一个方式的细胞分析方法包括：在利用人工智能算法(50、60)对细胞进行分析的细胞分析装置(1)中，获取由细胞测定装置(4000、4000'、4000”、4000”')测定出的与细胞相关的数据，对所述数据进行分析，针对各个细胞生成与细胞类别相关的信息，将所述信息发送到细胞测定装置(4000、4000'、4000”、4000”')。
为了解决上述技术课题，本发明的一个方式的细胞分析装置(1)为利用人工智能算法(50、60)对细胞进行分析的细胞分析装置(1)，细胞分析装置(1)具备处理部(10)，处理部(10)获取由细胞测定装置(4000、4000'、4000”、4000”')测定出的与细胞相关的数据，对所述数据进行分析，针对各个细胞生成与细胞类别相关的信息，将所述信息发送到细胞测定装置(4000、4000'、4000”、4000”')。
为了解决上述技术课题，本发明的其它方式的细胞分析方法包括：通过细胞测定装置(4000、4000'、4000”、4000”')测定细胞来获取细胞的数据，将所述数据发送到利用人工智能算法(50、60)对细胞进行分析的细胞分析装置(1)，获取细胞分析装置(1)依照人工智能算法(50、60)对所述数据进行分析而得到的、与细胞的细胞类别相关的信息。
为了解决上述技术课题，本发明的其它方式的细胞分析方法为利用细胞分析装置(1)对被检物中包含的细胞进行分析的分析方法，包括：从多个细胞测定装置(4000、4000'、4000”、4000”')以与识别信息对应起来的方式获取与细胞相关的数据，通过由并行处理处理器(12)进行的并行处理对所述数据进行分析，基于并行处理的结果，针对多个细胞的各个细胞以与所述识别信息对应起来的方式生成与细胞类别相关的信息。
发明效果
根据本发明，能够不使细胞测定装置的处理能力降低而提高细胞分类的精度。
附图说明
图1的(a)示出以往方法的白细胞分类的例子。图1的(b)示出本方法的白细胞分类的例子。
图2的(a)示出对在流通池流动的细胞照射光的例子。图2的(b)示出进行对前向散射光信号、侧向散射光信号、荧光信号的采样的例子。图2的(c)示出通过采样得到的波形数据的例子。
图3示出训练数据的生成方法的例子。
图4示出标签值的例子。
图5示出分析数据的分析方法的例子。
图6示出包括细胞分析装置的系统的结构例。
图7示出包括细胞分析装置的系统的另一结构例。
图8示出包括细胞分析装置的系统的另一结构例。
图9示出包括细胞分析装置的系统的另一结构例。
图10示出测定单元的框图的例子。
图11示出被检物抽吸部和试样制备部的例子。
图12示出FCM检测部的光学系统的结构例。
图13示出处理单元的结构例。
图14示出细胞分析装置的框图。
图15示出并行处理处理器的结构例。
图16示出并行处理处理器安装到细胞分析装置的例子。
图17示出并行处理处理器安装到细胞分析装置的另一例子。
图18示出并行处理处理器安装到细胞分析装置的另一例子。
图19示出表示并行处理处理器安装到细胞分析装置的另一例子的框图。
图20示出处理器使用并行处理处理器执行矩阵数据的运算处理的工作的概要。
图21的(a)示出矩阵的积的计算式。图21的(b)示出由并行处理处理器并行地执行的运算处理的例子。
图22示出用并行处理处理器执行运算处理的情形。
图23的(a)示出前向散射光的波形数据作为被输入到深度学习算法的波形数据的例子。图23的(b)示出波形数据和滤波器的矩阵运算的概要。
图24示出由细胞分析装置进行的被检物的分析工作的例子。
图25示出细胞分析处理的例子。
图26示出并行处理的例子。
图27示出测定单元的框图的例子。
图28示出流式细胞仪的光学系统的概略的例子。
图29示出测定单元的试样制备部的概略的例子。
图30示出进行深度学习的细胞分析装置的功能块的例子。
图31示出用于生成训练数据的处理部的工作的流程图例。
图32示出用于说明神经网络的示意图。图32的(a)示出表示神经网络的概要的示意图。图32的(b)示出表示各节点处的运算的示意图。图32的(c)示出表示节点之间的运算的示意图。
图33示出参照法得出的判定结果与使用深度学习算法的判定结果的混合矩阵。
图34的(a)示出中性粒细胞的ROC曲线。图34的(b)示出淋巴细胞的ROC曲线。图34的(c)示出单核细胞的ROC曲线。
图35的(a)示出嗜酸性粒细胞的ROC曲线。图35的(b)示出嗜碱性粒细胞的ROC曲线。图35的(c)示出质控血液(CONT)的ROC曲线的ROC曲线。
图36示出作为图像分析装置的细胞测定装置的结构例。
图37示出作为拍摄装置的细胞测定装置的结构例。
图38示出训练数据的生成方法的例子。
图39示出标签值的例子。
图40示出图像的分析方法的例子。
图41示出分析结果的一个实施方式。
附图标记
1：细胞分析装置；10：处理部；11、3001、4831：处理器(主机处理器(hostprocessor))；12：并行处理处理器；50：训练前的深度学习算法(人工智能算法)；60：训练完毕深度学习算法(人工智能算法)；400、500、700：测定单元；121：运算单元；4000、4000'、4000”、4000”'：细胞测定装置
具体实施方式
以下参照附图，详细说明本发明的概要及实施方式。此外，在以下的说明及附图中，相同的附图标记表示相同或类似的构成要素，因而省略与相同或类似的构成要素相关的说明。
[1.细胞的分析方法]
本实施方式涉及一种分析方法，包括：在利用人工智能算法对细胞进行分析的细胞分析装置中，获取由细胞测定装置测定出的与细胞相关的数据，对所述数据进行分析，针对各个所述细胞生成与细胞类别相关的信息，将所述信息发送到所述细胞测定装置。
根据本分析方法，由细胞测定装置测定出的数据的分析不是由细胞测定装置来进行而是由细胞分析装置来进行。细胞分析装置利用人工智能算法对与细胞相关的数据进行分析而生成与细胞类别相关的信息，生成的信息被送回至细胞测定装置。由此，根据本分析方法，细胞测定装置无需具备为了进行基于人工智能算法的高精度的细胞分类而具有高信息处理能力的处理器。因而，能够应用于例如从高价格/高处理能力的分析装置到低价格/低处理能力的分析装置的广泛范围的分析装置。另外，在细胞分析装置连接于多个细胞测定装置的情况下，与在各个细胞测定装置中更新/运用人工智能算法的情况相比，能够降低更新/运用所涉及的劳作及成本。例如，由于人工智能算法的更新只用在细胞分析装置进行即可，因此能够降低更新所涉及的劳作及成本。
使用图1来说明本实施方式的概要的例子。图1的(a)为示意性表示以往方法的白细胞分类的图，图1的(b)为示意性示出本方法的白细胞分类的图。在图1的(a)、图1的(b)中，FSC示出表示前向散射光的信号强度的模拟信号，SSC示出侧向散射光的模拟信号，SFL示出表示侧向荧光的信号强度的模拟信号。如图1的(a)所图示的那样，根据以往方法，用流式细胞仪测定被检物中包含的各个细胞，获取前向散射光、侧向散射光、侧向荧光各自的模拟信号的脉冲的波峰高度作为前向散射光强度、侧向散射光强度、侧向荧光强度。接下来，基于前向散射光强度、侧向散射光强度、侧向荧光强度，将细胞分类为特定类别。对细胞进行分类后的结果显示为如图1的(a)所示的散点图。在图1的(a)的散点图中，横轴表示侧向散射光的强度，纵轴表示侧向荧光的强度。
如图1的(a)所示，以往的白细胞分类仅基于模拟波形的波峰高度的信息来判定血细胞的类别。与此相对，在本实施方式的方法中，如图1的(b)所示，作为与被检物中的细胞相关的数据，将利用流式细胞仪从1个细胞获取的模拟信号的波形整体作为解析对象的数据进行分析从而对细胞进行分类。图1的(b)中示出了绘制利用流式细胞仪得到的模拟信号而得到的波形，而如后述的那样，在本实施方式中与被检物中的细胞相关的数据意指以通过将该模拟信号进行A/D变换而得到的表示多个时间点的信号强度的值作为元素的数字数据(后述的波形数据)。该数字数据群组为矩阵数据，在本实施方式中，例如为一行多列的矩阵数据(即一维数组数据)。
在本实施方式中，使图1的(b)所示的训练前的深度学习算法50对每个细胞类别的波形数据进行学习。然后，通过将被检物中包含的细胞类别为未知的细胞的波形数据输入到训练完毕的深度学习算法60，从而从深度学习算法60针对各个细胞导出细胞类别的判定结果。深度学习算法50、60为人工智能算法之一，由包括多层中间层的神经网络构成。在本实施方式中，在依照训练完毕的深度学习算法60执行与波形数据的分析相关的处理时，使用搭载于细胞分析装置的并行处理处理器通过并行处理执行深度学习算法60中包含的大量矩阵运算。细胞分析装置具备能够执行并行处理的并行处理处理器和使并行处理处理器执行并行处理的执行命令处理器(以下简称为处理器)。
以下，将为了判定细胞类别而被用于分析的生物体试样中的各个细胞也称为“分析对象细胞”。换言之，生物体试样可包括多个分析对象细胞。多个细胞可包括作为分析对象的多个类别的细胞。
作为生物体试样，能够举出从被检者采得的生物体试样。例如，生物体试样可包括例如静脉血、动脉血等外周血、尿液、血液及尿液以外的体液。作为血液及尿液以外的体液，可包括骨髓液、腹水、胸水、脑脊液等。以下有时将血液及尿液以外的体液简称为“体液”。血液试样只要为能够对细胞数量进行计数以及对细胞类别进行判定的状态，就不受限制。血液优选为外周血。例如，作为血液，能够举出使用乙二胺四乙酸盐钠盐或钾盐)、肝素钠等抗凝剂而采集得到的外周血。外周血可从动脉采得也可从静脉采得。
在本实施方式中想要判定的细胞类别是以基于形态学分类的细胞类别为基准的，根据生物体试样的种类而不同。在生物体试样为血液且血液为从健康者采集得到的情况下，在本实施方式中想要判定的细胞类别包含例如红细胞、白细胞等有核细胞、血小板等。有核细胞包含例如中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞包含例如分叶核中性粒细胞及杆状核中性粒细胞。另一方面，在血液为从非健康者采集得到的情况下，有核细胞有时包含例如从由未成熟粒细胞及异常细胞构成的群组中选择的至少一种。这样的细胞也包含于在本实施方式中想要判定的细胞类别中。未成熟粒细胞例如可包含后髓细胞、髓细胞、前髓细胞、成髓细胞等细胞。
另外，有核细胞除了正常细胞之外，还可含有健康人的外周血中不包含的异常细胞。作为异常细胞的例子是在罹患预定疾病时出现的细胞，例如为肿瘤细胞。在为造血系统的情况下，预定疾病例如可以是从由骨髓异型性综合征、急性成髓细胞性白血病、急性成髓细胞性白血病、急性前髓细胞性白血病、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、急性原巨核细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、成淋巴细胞性白血病、慢性骨髓性白血病或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以及多发性骨髓瘤构成的群组中选择的疾病。
而且，异常细胞可包含例如成淋巴细胞、浆细胞、异型淋巴细胞、反应性淋巴细胞、前成红细胞、嗜碱性成红细胞、多染性成红细胞、正染性成红细胞、前巨成红细胞、嗜碱性巨成红细胞、多染性巨成红细胞及正染性巨成红细胞等作为有核红细胞的成红细胞以及包括微巨核细胞(micromegakaryocyte)的巨核细胞等在健康人的外周血中通常看不到的细胞。
另外，在生物体试样为尿液的情况下，在本实施方式中想要判定的细胞类别可包含例如红细胞、白细胞、移行上皮、扁平上皮等上皮细胞等。作为异常细胞，可包含例如细菌、丝状真菌、酵母等真菌、肿瘤细胞等。
在生物体试样为腹水、胸水、脑脊液等不含通常血液成分的体液的情况下，细胞类别可包括例如红细胞、白细胞、大型细胞。此处所谓的“大型细胞”是指从体腔内膜或内脏的腹膜脱落的且大于白细胞的细胞，例如间皮细胞、组织细胞、肿瘤细胞等是符合的。
在生物体试样为骨髓液的情况下，在本实施方式中想要判定的细胞类别可包括作为正常细胞的成熟的血细胞和未成熟的血细胞系细胞。成熟的血细胞例如包含红细胞、白细胞等有核细胞、血小板等。白细胞等有核细胞例如包含中性粒细胞、淋巴细胞、浆细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞包含例如分叶核中性粒细胞及杆状核中性粒细胞。未成熟的血细胞系细胞包含例如造血干细胞、未成熟粒细胞系细胞、未成熟淋巴细胞系细胞、未成熟单核细胞系细胞、未成熟红细胞系细胞、巨核细胞系细胞、间充质细胞等。未成熟粒细胞可包含例如后髓细胞、髓细胞、前髓细胞、成髓细胞等细胞。未成熟淋巴细胞系细胞包含例如成淋巴细胞等。未成熟单核细胞系细胞包含成单核细胞等。未成熟红细胞系细胞包含例如前成红细胞、嗜碱性成红细胞、多染性成红细胞、正染性成红细胞、前巨成红细胞、嗜碱性巨成红细胞、多染性巨成红细胞及正染性巨成红细胞等有核红细胞。巨核细胞系细胞例如包含成巨核细胞等。
作为骨髓中可能包含的异常细胞，能够举出例如从由上述的骨髓异型性综合征、急性成髓细胞性白血病、急性成髓细胞性白血病、急性前髓细胞性白血病、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、急性原巨核细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、成淋巴细胞性白血病、慢性骨髓性白血病或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以及多发性骨髓瘤构成的群组中选择的造血系肿瘤细胞、在骨髓以外的器官产生的恶性肿瘤的转移肿瘤细胞。
在图1中，作为从细胞得到的信号，例示了对在流通池流动的细胞照射光而得到的作为光学信号的前向散射光信号、侧向散射光信号、侧向荧光信号，但只要是能够表现细胞的特征且能够将细胞按照每个类别进行分类的信号，就没有特别限制。
作为从细胞得到的信号，可以为表现细胞的形态学特征的信号、表现化学特征的信号、表现物理特征的信号、表现遗传学特征的信号中的任意者，优选为表现细胞的形态学特征的信号。表现细胞的形态学特征的信号优选为从细胞得到的光学信号。
光学信号优选为通过对细胞照射光而作为光学响应得到的光信号。光信号可包括从基于光散射的信号、基于光吸收的信号、基于透射光的信号及基于荧光的信号中选择的至少一种。
基于光散射的信号可包括通过光照射而产生的散射光信号以及通过光照射而产生的光损耗信号。散射光信号根据散射光相对于照射光的行进方向的光接收角度而成为表示细胞的特征的不同参数。前向散射光信号被用作表征细胞大小的参数。侧向散射光信号被用作表征细胞核的复杂性的参数。
前向散射光的“前向”意指从光源发出的光的行进方向。作为“前向”，可包括在设照射光的角度为0度的情况下，光接收角度为0至5度附近的前向低角度以及/或者光接收角度为5至20度附近的前向高角度。“侧向”只要不与“前向”重叠就不受限制。作为“侧向”，在设照射光的角度为0度的情况下，可包括光接收角度为25度至155度附近、优选为45度至135度附近、更优选为90度附近。
基于光散射的信号可包括偏振光或去偏振作为信号的分量。例如，使对细胞照射光而产生的散射光通过偏光板来进行接收，从而能够仅接收偏振为特定角度的散射光。另外，使光通过偏光板而照射到细胞，使产生的散射光通过仅透射与照射用偏光板不同角度的偏振光的偏光板来进行接收，从而能够仅接收去偏振散射光。
光损耗信号表示基于由于光照射到细胞发生散射而导致光接收部的光接收量减少这一情况下的光接收量的损耗量。光损耗信号优选作为照射光在光轴方向上的光损耗(轴向光损耗)来得到。光损耗信号能够表示为在设细胞不在流通池流动的状态下光接收部的光接收量为100％时的细胞在流通池流动时的光接收量的占比。轴向光损耗与前向散射光信号同样地被用作表征细胞大小的参数，而在细胞具有透射性的情况下和细胞不具有透射性的情况下得到的信号是不同的。
基于荧光的信号可以为通过对用荧光物质标记过的细胞照射光而激发的荧光，也可以为从非染色的细胞产生的自体荧光。荧光物质可以是与核酸、膜蛋白结合的荧光色素，也可以是用荧光色素修饰与细胞的特定蛋白质结合的抗体而得到的标记抗体。
可以对细胞照射光，以拍摄被照射的细胞而得到的图像数据的格式获取光学信号。能够利用所谓的成像流式细胞仪，通过用TDI相机、CCD相机等拍摄元件拍摄在流路流动的各个细胞来得到图像数据。或者，可以是在载玻片上涂布、散布或点涂包含细胞的被检物或测定试样，通过用拍摄元件拍摄载玻片来得到细胞的图像数据。
从细胞得到的信号不限于光学信号，也可以为从细胞得到的电信号。关于电信号，例如可以是对流通池施加直流电流，将由于细胞在流通池流动而产生的阻抗变化用作电信号。像这样得到的电信号成为反映细胞容积的参数。或者，关于电信号，也可以是将对在流通池流动的细胞施加无线电频率时的阻抗变化作为电信号。像这样得到的电信号成为反映细胞的导电性的参数。
作为从细胞得到的信号，可以组合上述的从细胞得到的信号中的至少两种以上的多种信号。通过组合多个信号，能够从多方面对细胞的特征进行分析，能够进行更高精度的细胞分类。作为组合，例如可以是组合多个光学信号，例如前向散射光信号、侧向散射光信号、荧光信号中的至少两个，也可以是组合角度不同的散射光信号，例如低角度散射光信号与高角度散射光信号。或者还可以组合光学信号与电信号，组合的信号的种类及数量没有特别限制。
<细胞的分析方法的概要>
接下来，使用图2、图3～图5所示的例子来说明训练数据75的生成方法以及波形数据的分析方法。
<波形数据>
图2为用于说明在本分析方法中使用的波形数据的示意图。如图2的(a)所示，当使含有细胞C的被检物流到流通池FC、对在流通池FC流动的细胞C照射光时，相对于光的行进方向在前向产生前向散射光FSC。同样地，相对于光的行进方向在侧向产生侧向散射光SSC和侧向荧光SFL。前向散射光被第1光接收部D1接收，输出与光接收量相应的信号。侧向散射光被第2光接收部D2接收，输出与光接收量相应的信号。侧向荧光被第3光接收部D3接收，输出与光接收量相应的信号。由此，从光接收部D1～D3输出表示信号随着时间经过的变化的模拟信号。将与前向散射光对应的模拟信号称为“前向散射光信号”，将与侧向散射光对应的模拟信号称为“侧向散射光信号”，将与侧向荧光对应的模拟信号称为“荧光信号”。各模拟信号的1个脉冲对应于一个细胞。
模拟信号被输入到A/D变换部并被变换为数字信号。图2的(b)为示意性示出A/D变换部进行的到数字信号的变换的图。在此为了简化说明而采用将模拟信号直接输入到A/D变换部的图。可以将模拟信号的电平按原样变换为数字信号，也可以根据需要进行噪声去除、基线校正、归一化等处理。如图2的(b)所示，A/D变换部将从光接收部D1～D3输入的模拟信号当中的前向散射光信号的电平达到被设定为预定阈值的电平的时间点设为起点，进行对前向散射光信号、侧向散射光信号、荧光信号的采样。A/D变换部以预定采样率(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。
图2的(c)为示意性示出通过采样得到的波形数据的图。通过采样，作为与一个细胞对应的波形数据，得到以将多个时间点的模拟信号电平表示为数字的值作为元素的矩阵数据。像这样A/D变换部生成与一个细胞对应的前向散射光的数字信号、侧向散射光的数字信号、侧向荧光的数字信号。反复进行A/D变换，直到被数字信号化的细胞数量达到预定数量为止、或者从开始使被检物流到流通池起经过预定时间为止。由此，如图2的(c)所示，得到将1份被检物中包含的N个细胞的波形数据合并得到的数字信号。将针对各细胞的采样数据集(在图1A的例子中为从t＝0ns至t＝10240ns每隔10纳秒1024个数字值的集合)称为波形数据，将从1份被检物得到的波形数据集称为数字信号。
可以对由A/D变换部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，例如按照生成的波形数据的顺序赋予整数1～N，对从相同细胞得到的前向散射光的波形数据、侧向散射光的波形数据、侧向荧光的波形数据分别赋予同一索引。
因为一个波形数据对应于一个细胞，所以索引对应于被测定的细胞。通过对与相同细胞对应的波形数据赋予同一索引，从而后述的深度学习算法能够将与各个细胞对应的前向散射光的波形数据、侧向散射光的波形数据和荧光的波形数据作为1组来解析，对细胞的类别进行分类。
<训练数据的生成>
图3为示出为了训练用于判定细胞的类别的深度学习算法而使用的训练数据的生成方法的一例的示意图。训练数据75为通过流式细胞仪测定被检物、基于针对被检物中包含的细胞得到的前向散射光(FSC)的模拟信号70a、侧向散射光(SSC)的模拟信号70b及侧向荧光(SFL)的模拟信号70c而生成的波形数据。波形数据的获取方法如上所述。
作为训练数据75，能够使用例如如下数据：通过流式细胞仪测定被检物，基于以往方法的散点图对该被检物中包含的细胞进行解析，结果被判断为很有可能是特定细胞类别的细胞的波形数据。以使用血细胞计数装置的例子来进行说明，首先，用流式细胞仪测定血液被检物，积累被检物中包含的各个细胞的前向散射光、侧向散射光、荧光的波形数据。基于侧向散射光强度(侧向散射光信号的脉冲高度)和荧光强度(荧光信号的脉冲高度)，将细胞分类为中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、未成熟粒细胞、异常细胞的群体。通过将与分类出的细胞类别对应的标签值赋予给该细胞的波形数据，从而得到训练数据。例如，求出中性粒细胞的群体中包含的细胞的侧向散射光强度及侧向荧光强度的众数、平均值或中位数，基于这些值确定代表性细胞，对这些细胞的波形数据赋予与中性粒细胞对应的标签值“1”，从而能够得到训练数据。训练数据的生成方法不限于此，也可以是通过例如细胞分选仪(cell sorter)仅回收特定的细胞，通过流式细胞仪测定该细胞，对得到的波形数据赋予细胞的标签值来得到训练数据。
模拟信号70a、70b、70c分别表示由流式细胞仪测定出中性粒细胞时的前向散射光信号、侧向散射光信号、侧向荧光信号。当这些模拟信号如上述那样被进行A/D变换后，得到前向散射光信号的波形数据72a、侧向散射光信号的波形数据72b、侧向荧光信号的波形数据72c。在波形数据72a、72b、72c各自的内部相邻的单元保存按照与采样率对应的间隔、例如10纳秒间隔的信号电平。波形数据72a、72b、72c与表示作为数据的本源的细胞的类别的标签值77组合而以使与各细胞对应的3个波形数据、换言之3个信号强度(前向散射光的信号强度、侧向散射光的信号强度及侧向荧光的信号强度)的数据成组的方式作为训练数据75被输入到深度学习算法50。在图3的例子中，由于作为训练数据的本源的细胞为中性粒细胞，因此对波形数据72a、72b、72c赋予“1”作为表示为中性粒细胞的标签值77，生成训练数据75。图4中示出标签值77的例子。由于训练数据75是按照每个细胞类别来生成的，因此关于标签值，根据细胞类别而赋予不同的标签值77。
<深度学习的概要>
以图3为例，说明神经网络的训练的概要。神经网络50优选为具有卷积层的卷积神经网络。神经网络50中的输入层50a的节点数对应于输入的训练数据75的波形数据中包含的数组的元素数量。数组的元素数量等于与1个细胞对应的前向散射光、侧向散射光、侧向荧光的波形数据72a、72b、72c的元素数量的总和。在图3的例子中，由于波形数据72a、72b、72c各自包括1024个元素，因此输入层50a的节点数为1024×3＝3072个。波形数据72a、72b、72c被输入到神经网络50的输入层50a。训练数据75的各波形数据的标签值77被输入到神经网络的输出层50b，对神经网络50进行训练。图3的附图标记50c表示中间层。
<波形数据的分析方法>
图5中示出对分析对象即细胞的波形数据进行分析的方法的例子。在波形数据的分析方法中，根据通过流式细胞仪从分析对象细胞获取到的前向散射光的模拟信号80a、侧向散射光的模拟信号80b及侧向荧光的模拟信号80c，生成包括通过上述方法得到的波形数据的分析数据85。
优选的是至少使分析数据85和训练数据75的获取条件相同。获取条件是指用于通过流式细胞仪测定被检物中包含的细胞的条件，包括例如测定试样的制备条件、使测定试样流过流通池时的流速、照射到流通池的光的强度、接收散射光及荧光的光接收部的放大率等。获取条件还包含对模拟信号进行A/D变换时的采样率。
当分析对象细胞在流通池流动时，得到前向散射光的模拟信号80a、侧向散射光的模拟信号80b及侧向荧光的模拟信号80c。当这些模拟信号80a、80b、80c如上述那样被A/D变换后，针对每个细胞将获取到信号强度的时间点同步，成为前向散射光信号的波形数据82a、侧向散射光信号的波形数据82b、侧向荧光信号的波形数据82c。以使各细胞的3个信号强度(前向散射光的信号强度、侧向散射光的信号强度及侧向荧光的信号强度)的数据成组的方式组合波形数据82a、82b、82c而作为分析数据85被输入到深度学习算法60。
当将分析数据85输入到构成训练完毕的深度学习算法60的神经网络60的输入层60a时，从输出层60b输出分析结果83，作为与和分析数据85对应的细胞的类别相关的分类信息。图5的附图标记60c表示中间层。与细胞类别相关的分类信息是指例如细胞属于多个细胞类别的各个细胞类别的概率。进而，判断为获取到分析数据85的分析对象细胞属于该概率中值最高的分类，表示该细胞类别的标识符即标签值82等可以包含于分析结果83中。分析结果83除了为标签值本身之外，还可以为将标签值替换为表示细胞类别的信息(例如字符串)的数据。在图5中示出了如下例子：基于分析数据85，深度学习算法60输出获取到分析数据85的分析对象细胞所属的概率最高的标签值“1”，而且输出与该标签值对应的“中性粒细胞”这样的文字数据作为分析结果83。可以是深度学习算法60进行标签值的输出，也可以是其它计算机程序基于深度学习算法60计算出的概率来输出最优选的标签值。
[2.细胞分析装置及细胞测定装置的结构]
(结构例1)
参照图6及图7，说明细胞分析装置及细胞测定装置的结构。图6示出将对血液中的血细胞进行测定的细胞测定装置4000连接于细胞分析装置1的例子。图7示出将测定尿液中有形成分的细胞测定装置4000'连接于细胞分析装置1的例子。本实施方式的波形数据可以在第1细胞测定装置4000或第2细胞测定装置4000'中获取。图6所示的细胞测定装置4000具备：测定单元400；以及处理单元300，用于对测定单元400中的试样的测定条件的设定、测定进行控制，或是对测定结果进行分析。图7所示的细胞测定装置4000'具备：测定单元500；以及处理单元300，用于对测定单元500中的试样的测定条件的设定、测定进行控制，或是对测定结果进行分析。测定单元400、500与处理单元300可以以相互能够通信的方式有线或无线地进行连接。测定单元400、500的结构例不限于以下的例示来解释。
细胞分析装置1为利用人工智能算法(例如深度学习算法60)对由细胞测定装置4000及4000'中的至少任意装置获取的波形数据进行分析的装置。细胞分析装置1例如为内部部署(on-premises)型服务器。
如图6、图7所示，细胞分析装置1、细胞测定装置4000、细胞测定装置4000'被配置于例如同一医院、检验设施等设施(以下称为“检验关联设施2”。)内。细胞分析装置1例如经由设置有细胞测定装置4000、细胞测定装置4000'的检验关联设施2内的通信网络即内联网3，与细胞测定装置4000及细胞测定装置4000'连接。内联网3例如为遵照TCP/IP协议的通信网络。内联网3例如为具有10Gbps以上的转发速度的通信网络。细胞分析装置1、细胞测定装置4000及细胞测定装置4000'能够以有线及无线中的至少任意方式连接于内联网3。细胞分析装置1可以经由内联网3与细胞测定装置4000的测定单元400及处理单元300中的任意一方连接，也可以与细胞测定装置4000的测定单元400及处理单元300这双方连接。同样地，细胞分析装置1可以经由内联网3与细胞测定装置4000'的测定单元500及处理单元300中的任意一方连接，也可以与细胞测定装置4000'的测定单元500及处理单元300这双方连接。细胞分析装置1还可以经由内联网3与配置于检验关联设施2内的多个细胞测定装置4000、多个细胞测定装置4000'连接。
细胞分析装置1和细胞测定装置4000及细胞测定装置4000'可以配置于同一网络域，也可以配置于不同网络域。
细胞分析装置1依照深度学习算法60对经由内联网3从测定单元400、测定单元500或处理单元300接收到的数字信号中包含的波形数据进行分析，判定与波形数据对应的细胞的类别。从测定单元400、测定单元500或处理单元300发送的数字信号可以与测定单元400、测定单元500或处理单元300的装置ID对应起来。
细胞分析装置1可以利用基于训练数据的学习来更新分析波形数据的深度学习算法。细胞分析装置1基于从测定单元400、测定单元500或处理单元300获取的波形数据，生成训练数据。细胞分析装置1可以经由内联网3获取波形数据，也可以经由记录介质获取波形数据。记录介质例如为DVD-ROM、USB(Universal Serial Bus，通用串行总线)存储器等计算机可读取的非临时性有形记录介质。
可以在检验关联设施2配置多个细胞分析装置1。这些多个细胞分析装置1可以被分工为进行波形数据的分析的细胞分析装置1和进行基于训练数据的学习的细胞分析装置1。
(结构例2)
图8示出细胞分析装置1及细胞测定装置4000、4000'的另一结构例。细胞分析装置1例如设置于与设置有细胞测定装置4000、4000'的检验关联设施2不同的场所。细胞分析装置1例如设置于进行细胞分析装置1的管理及运营的数据中心5。细胞分析装置1例如由云型服务器构成。例如，在数据中心5内设置的1个或多个服务器构成为细胞分析装置1。细胞分析装置1与设置于检验关联设施2的细胞测定装置4000、4000'例如能够经由因特网6进行通信。细胞分析装置1对经由因特网6从测定单元400、测定单元500或处理单元300发送的波形数据进行分析，判定与波形数据对应的细胞的类别。细胞分析装置1可以利用基于训练数据的学习来更新对波形数据进行分析的算法。细胞分析装置1基于从测定单元400、测定单元500或处理单元300获取的波形数据，生成训练数据。细胞分析装置1可以经由因特网6获取波形数据，也可以经由记录介质获取波形数据。记录介质例如为DVD-ROM、USB存储器等计算机可读取的非临时性有形记录介质。
可以在数据中心5配置多个细胞分析装置1。这些多个细胞分析装置1可以被分工为进行波形数据的分析的细胞分析装置1和进行基于训练数据的学习的细胞分析装置1。
(结构例3)
图9示出细胞分析装置1及细胞测定装置4000、4000'的另一结构例。图9所示的检验关联设施2为与图6或图7所示的检验关联设施2同样的结构。在图9所示的检验关联设施2中，细胞分析装置1与细胞测定装置4000、4000'例如经由内联网3或USB等接口而连接。在图9所示的例子中，设置于检验关联设施2的细胞分析装置1例如对从细胞测定装置4000、4000'获取到的波形数据进行分析，判定与波形数据对应的细胞所属的细胞类别。另一方面，设置于数据中心5的细胞分析装置1例如利用基于训练数据的学习来更新对波形数据进行分析的算法。也就是说，在图9所示的例子中，检验关联设施2的细胞分析装置1与数据中心5的细胞分析装置1分担任务。
如图6～图9所示的结构例那样，细胞分析装置1可以从同一检验关联设施2内的多个细胞测定装置4000、4000'获取波形数据。另外，细胞分析装置1还可以从在不同检验关联设施2的各个检验关联设施配置的多个细胞测定装置4000、4000'获取波形数据。针对由各个检验关联设施2检验的生物体试样中的各个细胞的每个细胞来获取波形数据。因此，当没有恰当管理波形数据时，可能会发生例如在患者之间、生物体试样之间、检验关联设施2之间搞错数据。因此，测定单元400或处理单元300将波形数据与识别信息对应起来发送到细胞分析装置1。细胞分析装置1将识别信息与分析结果对应起来。
作为识别信息，举出例如：(1)与波形数据对应的生物体试样的识别信息、(2)与波形数据对应的细胞的识别信息、(3)与波形数据对应的患者的识别信息、(4)与波形数据对应的检验的识别信息、(5)波形数据被测定的细胞测定装置的识别信息、(6)波形数据被测定的检验关联设施2的识别信息。此外，(1)与波形数据对应的生物体试样的识别信息可包括如下用于决定并行处理的优先顺序的信息：与针对生物体试样的测定指令被登记的时刻相关的信息、与细胞测定装置识别出生物体试样的时刻相关的信息、与细胞测定装置开始测定生物体试样的时刻相关的信息、用于识别生物体试样是紧急被检物还是通常被检物的信息、用于识别生物体试样是再测量还是新测量的信息等。细胞分析装置1例如在从LIS(Laboratory Information System，实验室信息系统)或处理单元300或测定单元400收取测定指令时，能够从LIS或处理单元300或测定单元400获取上述识别信息(1)～(6)中的至少一个或它们的组合。例如，例示出的(1)～(6)中的至少一个与波形数据对应起来被发送到细胞分析装置1。也可以是例示出的(1)～(6)中的多个的组合与波形数据对应起来被发送到细胞分析装置1。
如以上那样，根据本实施方式，对由多个细胞测定装置4000、4000'测定出的数据的基于深度学习算法60的分析不是由各个细胞测定装置4000、4000'进行，而是由细胞分析装置1集中进行。如将在后说明的那样，细胞分析装置1为具备由例如CPU构成的处理器11(也称为主机处理器)和由例如GPU构成的并行处理处理器12的具有高规格的信息处理能力的装置(计算机)，无需对细胞测定装置4000、4000'要求这样高的信息处理能力而能够进行基于深度学习算法60的高精度的细胞分类。进而，由于将识别信息与在细胞分析装置1生成的分析结果对应起来，因此避免产生搞错分析结果。由此，根据本实施方式，与在各个细胞测定装置4000、4000'侧构筑分析用计算机及分析用程序来进行分析的情况相比，能够在确保数据的管理性的同时降低系统构筑及运用所涉及的劳作及成本。例如，由于分析用程序的更新只用在细胞分析装置1中进行即可，因此能够降低更新所涉及的劳作及成本。
<第1细胞测定装置和测定试样的制备>
(测定单元的结构)
对测定单元400为具备用于对血液试样的细胞进行检测的流式细胞仪即FCM检测部的血液分析装置、更具体而言血细胞计数装置时的结构例进行说明。
图10示出测定单元400的框图的例子。如图10所示，测定单元400具备检测血细胞的FCM检测部410、针对FCM检测部410的输出的模拟处理部420、测定单元控制部480、试样制备部440及装置机构部430。
图11为用于说明被检物抽吸部450和试样制备部440的示意图。被检物抽吸部450具备用于从采血管T抽吸血液被检物(全血)的喷嘴451和用于对喷嘴施加负压/正压的泵452。喷嘴451通过装置机构部430而被上下移动从而被插入到采血管T。当在喷嘴451插入到采血管T的状态下泵452施加负压时，血液被检物经由喷嘴451被抽吸。此外，装置机构部430可以具备在从采血管T抽吸血液之前将采血管T颠倒搅拌的手动构件。
试样制备部440具备5个反应腔室440a～440e。反应腔室440a～440e分别在DIFF、RET、WPC、PLT-F、WNR的测定通道上被使用。容纳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容纳有染色液的染色液容器经由流路连接于各反应腔室。由一个反应腔室和与该反应腔室连接的试剂(溶血剂及染色液)构成测定通道。例如，DIFF测定通道由作为DIFF测定用试剂的DIFF溶血剂及DIFF染色液和DIFF反应腔室440a构成。其它测定通道也是同样地构成。此外，在此例示了一个测定通道具备一个溶血剂和一个染色液的结构，而一个测定通道可以不一定具备溶血剂与染色液这两者，可以由多个测定通道共用一个试剂。
通过由装置机构部430进行的水平、上下移动，抽吸了血液被检物的喷嘴451从上方接近反应腔室440a～440e中的与和指令对应的测定通道对应的反应腔室，排出抽吸的血液被检物。试样制备部440对被排出有血液被检物的反应腔室供给对应的溶血剂和染色液，通过在反应腔室内将血液被检物与溶血剂和染色液混合来制备测定试样。制备出的测定试样经由流路从反应腔室被供给到FCM检测部410，进行基于流式细胞术的细胞的测定。
图12示出FCM检测部410的光学系统的结构例。如图12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在流式细胞仪内具备的流通池(鞘流池)4113时，光源4111对流通池4113照射光，检测由于该光而从流通池4113内的细胞发出的散射光及荧光。
在图12中，从作为光源4111的激光二极管出射的光经由照射透镜系统4112照射到在流通池4113内通过的细胞。
在本实施方式中，流式细胞仪的光源4111没有特别限定，选择适合于激发荧光色素的波长的光源4111。作为这样的光源4111，使用例如包括红色半导体激光光源以及/或者蓝色半导体激光光源的半导体激光光源、氩激光光源、氦-氖激光等气体激光光源、水银弧光灯等。尤其是半导体激光光源因为与气体激光光源相比非常便宜，所以是优选的。
如图12所示，从通过流通池4113的粒子发出的前向散射光经由聚光透镜4114和针孔部4115而被前向散射光接收元件4116接收。前向散射光接收元件4116为光电二极管。侧向散射光经由聚光透镜4117、分色镜4118、带通滤光片4119及针孔部4120而被侧向散射光接收元件4121接收。侧向散射光接收元件4121为光电二极管。侧向荧光经由聚光透镜4117及分色镜4118而被侧向荧光接收元件4122接收。侧向荧光接收元件4122为雪崩光电二极管。此外，可以使用光电倍增管作为前向散射光接收元件4116、侧向散射光接收元件4121、侧向荧光接收元件4122。
从各光接收元件4116、4121及4122输出的光接收信号分别经由放大器4151、4152及4153被输入到模拟处理部420。
返回至图10，模拟处理部420对从FCM检测部410输入的作为模拟信号的电信号进行包括噪声去除的处理，将处理后的结果作为电信号对测定单元控制部480进行输出。
如图10所示，测定单元控制部480具备A/D变换部482、数字值运算部483和与处理单元300连接的接口部489。而且还具备处于与装置机构部430之间的接口部488。
数字值运算部483经由接口部484及总线485与接口部489连接。另外，接口部489经由总线485及接口部488与FCM检测部410、装置机构部430、试样制备部440及被检物抽吸部450连接。测定单元400经由接口部489与处理单元300、细胞分析装置1连接。接口部489例如为USB接口。测定单元400可以具备接口部490。接口部490例如为具有10Gbps以上的转发速度的接口。测定单元400能够经由接口部490与内联网3及因特网6连接。测定单元400能够经由内联网3或因特网6与细胞分析装置1连接。
A/D变换部482将从模拟处理部420输出的作为模拟信号的电信号变换为数字信号，将变换后的数字信号输出到数字值运算部483。A/D变换部482以预定采样率(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)对电信号进行采样，生成数字信号。
数字值运算部483对从A/D变换部482输出的数字信号进行预定的运算处理。作为预定的运算处理，例如包括如下处理：在从前向散射光达到预定阈值起开始获取前向散射光的信号强度、侧向散射光的信号强度、侧向荧光的信号强度，直到在预定时间后结束获取为止的期间，针对1个训练对象细胞以恒定间隔在多个时间点获取各波形数据的处理，提取波形数据的峰值的处理等，但不限于此。根据由A/D变换部482得到的数字信号而获取波形数据的运算处理可以由A/D变换部482执行。
图13为示出处理单元300的结构的图。处理单元300具备处理器3001、总线3003、存储部3004、接口部3006a～3006d、显示部3015和操作部3016。处理单元300包括通常的个人计算机作为硬件，通过执行保存于存储部3004的专用程序，从而作为细胞分析装置4000的处理单元发挥功能。
处理器3001为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。存储部3004中至少保存有用于对从细胞分析装置1发送的细胞的分类信息进行处理而生成被检物的检验结果的程序60。此外，所谓被检物的检验结果，如将在后说明的那样，意指基于由测定单元400得到的各个细胞的分类信息82，对被检物中包含的血细胞进行计数而得到的结果。
显示部3015具备计算机屏幕。显示部3015经由接口部3006a和总线3003连接于处理器3001。显示部3015能够收到从处理器3001输入的图像信号而显示从细胞分析装置1收取到的测定结果(细胞的分类信息)和处理器3001对测定结果进行分析而得到的检验结果。
操作部3016具备包括键盘、鼠标或触摸面板的指点设备。操作部3016经由接口部3006b和总线3003连接于处理器3001。医生、检验技师等用户通过操作操作部3016，能够对细胞分析装置4000输入测定指令，能够依照测定指令输入测定指示。操作部3016也能够从用户接受显示检验结果的指示。用户操作操作部3016，能够浏览与检验结果相关的各种信息，例如曲线图、图表、对被检物赋予的标志信息。
处理器3001经由总线3003及接口部3006c与测定单元400连接。另外，处理器3001经由总线3003及接口部3006d连接于内联网3或因特网6，经由内联网3或因特网6连接于细胞分析装置1。
(细胞分析装置的结构)
图14示出细胞分析装置1的框图。细胞分析装置1具备处理部10。处理部10例如具备处理器11、并行处理处理器12、存储部13、RAM 14、接口部16、接口部17。处理器11、并行处理处理器12、存储部13、RAM 14、接口部16、接口部17经由总线15而相互电连接。总线15例如为具有几百MB/s以上的数据转发速度的传输通路。总线15可以为具有1GB/s以上的数据转发速度的传输通路。总线15例如基于PCI-Express、PCI-X标准进行数据转发。
细胞分析装置1能够经由接口部16与测定单元400及处理单元300连接。接口部16可以为图7中例示出的接口部4。细胞分析装置1能够经由接口部17与内联网3或因特网6连接。细胞分析装置1经由内联网3或因特网6连接于测定单元400或处理单元300，从测定单元400或处理单元300获取与生物体试样中的各个细胞相关的波形数据。细胞分析装置1例如针对生物体试样中的各个细胞获取多个波形数据(例如FSC、SSC、SFL)。
细胞分析装置1将本实施方式的程序及由训练前的神经网络构成的深度学习算法50以例如执行格式预先记录于存储部13。执行格式为例如由编译器从编程语言进行变换而生成的格式。细胞分析装置1使用记录于存储部13的程序来进行对训练前的神经网络50的训练处理。
另外，细胞分析装置1为了分析波形数据，将本实施方式的程序及由训练完毕的神经网络构成的深度学习算法60以例如执行格式预先记录于存储部13。执行格式为例如由编译器从编程语言进行变换而生成的格式。处理器11及并行处理处理器12使用记录于存储部13的程序及深度学习算法60来进行处理。也就是说，换言之，细胞分析装置1的处理器11被编程为基于深度学习算法60对细胞的数据进行分析。
处理器11使用并行处理处理器12，依照深度学习算法60执行对波形数据的分析。处理器11例如为CPU(Central Processing Unit，中央处理单元)。并行处理处理器12并行地执行作为与波形数据的分析相关的处理的至少一部分的多个运算处理。并行处理处理器12例如为GPU(Graphics Processing Unit，图形处理单元)、FPGA(Field ProgrammableGate 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12为FPGA的情况下，并行处理处理器12例如可以被编程为对应于与训练完毕的深度学习算法60相关的运算处理。在并行处理处理器12为ASIC的情况下，在并行处理处理器12中，例如可以被预先嵌入有用于执行与训练完毕的深度学习算法60相关的运算处理的电路，也可以在这样的嵌入式电路之外还内置有可编程模块。作为并行处理处理器12，例如可以使用NVIDIA公司制造的Jetson等来安装。
另外，处理器11执行例如与细胞分析装置1的控制相关的计算处理。例如，处理器11例如执行和从存储部13读出程序数据、将程序展开到RAM 14、与RAM 14之间的数据的发送接收相关的处理。关于由处理器11执行的上述的各处理，被要求例如按照预定顺序执行处理。例如当设预定控制所需的处理为A、B及C时，有时会要求按照B、A、C的顺序来执行处理。由于处理器11大多执行像这样的依赖于顺序的连续处理，因此即使增加运算单元(有时也被称为“处理器内核”、“内核”等)的数量，处理速度也不一定会提高。
另一方面，并行处理处理器12执行例如包括大量元素的矩阵数据的运算那样定型且大量的计算处理。在本实施方式中，并行处理处理器12执行使依照深度学习算法60来分析波形数据的处理中的至少一部分并行化后的并行处理。深度学习算法60中包含例如大量矩阵运算。深度学习算法60中例如有时至少包含100个矩阵运算，另外也有时至少包含1000个矩阵运算。并行处理处理器12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12能够将由多个运算单元各自进行的矩阵运算作为并行处理来并行地执行。例如，深度学习算法60中包含的矩阵运算能够分割为彼此不依赖顺序的多个运算处理。像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，能够使细胞分析装置1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有时例如被称为“单指令多数据处理”(SIMD：Single Instruction Multiple Data)。并行处理处理器12适于例如这样的SIMD运算。这样的并行处理处理器12有时被称为矢量处理器。
如上述那样，处理器11适于执行多样且复杂的处理。另一方面，并行处理处理器12适于并行地执行定型化的大量处理，通过并行地执行定型化的大量处理，计算处理所需的TAT(Turnaround Time，周转时间)被缩短。
此外，并行处理处理器12执行的并行处理的对象不限于矩阵运算。例如，当并行处理处理器12依照深度学习算法50执行学习处理时，与学习处理相关的微分运算等可成为并行处理的对象。
处理器11的运算单元的数量例如为双核(内核数：2)、四核(内核数：4)、八核(内核数：8)。另一方面，关于并行处理处理器12的运算单元的数量(内核数)，可以具有例如至少10个(内核数：10)，并行地执行10个矩阵运算。并行处理处理器12有时也具有例如几十个运算单元。另外，并行处理处理器12有时也可具有例如至少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12有时也具有例如几百个运算单元。另外，并行处理处理器12有时也可具有例如至少1000个运算单元(内核数：1000)，并行地执行1000个矩阵运算。并行处理处理器12有时还具有例如几千个运算单元。
图15示出并行处理处理器12的结构例。并行处理处理器12包括多个运算单元121以及RAM 122。运算单元121各自并行地执行矩阵数据的运算处理。RAM 122存储与运算单元121执行的运算处理相关的数据。RAM 122为具有至少1千兆字节的容量的存储器。RAM122可以为具有2千兆字节、4千兆字节、6千兆字节、8千兆字节或10千兆字节以上的容量的存储器。运算单元121从RAM 122获取数据，执行运算处理。运算单元121有时被称为“处理器内核”、“内核”等。
图16～图18示出并行处理处理器12安装到细胞分析装置1的例子。图16及图17示出将处理器11与并行处理处理器12分开设置的安装例。如图16所示，并行处理处理器12例如被安装于基板190。并行处理处理器12例如被安装于图形板19，图形板19经由连接器191连接于基板190。处理器11经由总线15与并行处理处理器12连接。如图17所示，并行处理处理器12例如可以直接安装于基板190，经由总线15连接于处理器11。图18示出将处理器11与并行处理处理器12设置为一体的安装例。如图18所示，并行处理处理器12例如可以被内置于在基板190安装的处理器11。
图19为示出并行处理处理器12安装到细胞分析装置1的另一例的框图。图19示出将并行处理处理器12安装于连接于细胞分析装置1的外接装置的例子。并行处理处理器12例如被安装于USB(通用串行总线)，该USB设备经由接口部18连接于总线15。USB设备例如可以为如USB加密狗(dongle)那样的小型设备。接口部18例如为具有几百Mbps的转发速度的USB接口，更优选为具有几Gbps～几十Gbps以上的转发速度的USB接口。
可以通过将安装有并行处理处理器12的多个USB设备连接于接口部18。关于安装于一个USB设备上的并行处理处理器12，由于有时运算单元121的数量与GPU等相比较少，因此通过将连接于细胞分析装置1的USB设备增设为多个，能够使内核数扩充。
如图19所示，例如在安装有嵌入有深度学习算法60的并行处理处理器12的USB加密狗等小型设备连接于接口部18的情况下，可以通过替换该小型设备来替换深度学习算法60。另外，测定单元控制部480可以通过替换该小型设备来更新记录于存储部13的程序及深度学习算法60。
图20示出处理器11使用并行处理处理器12执行矩阵数据的运算处理的工作的概要。处理器11能够对并行处理处理器12发出命令，使得使用并行处理处理器12来执行在用深度学习算法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11的解析软件111对并行处理处理器12发出执行与基于深度学习算法60的波形数据分析相关的运算处理的命令。与由FCM检测部410检测出的信号对应的波形数据的全部或至少一部分被存储于RAM 14。存储于RAM 14的数据被转发到并行处理处理器12的RAM 122。存储于RAM 14的数据例如通过DMA(Direct Memory Access，直接存储器访问)方式被转发到RAM 122。并行处理处理器12的多个运算单元121各自并行地执行针对存储于RAM 122的数据的运算处理。多个运算单元121各自从RAM 122获取所需的数据并执行运算处理。与运算结果对应的数据被存储于并行处理处理器12的RAM 122。与运算结果对应的数据以例如DMA方式从RAM 122被转发到RAM 14。
图21示出并行处理处理器12执行的矩阵运算的概要。在依照深度学习算法60分析波形数据时，执行矩阵的积(矩阵运算)。并行处理处理器12例如并行地执行各个矩阵运算。图21的(a)示出矩阵的积的计算式。在图21(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的乘积求出矩阵c。如图21所例示的那样，计算式以多层次循环句法来记述。图21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21的(a)所例示出的计算式例如能够分割为第1层的循环用变量i与第2层的循环用变量j的组合数即n×n个运算处理。像这样分割后的运算处理各自为互不依赖的运算处理，因此可以并行地执行。
图22为示出用并行处理处理器12执行图21的(b)中例示出的多个运算处理的概念图。如图22所示，多个运算处理的各个运算处理被分配给并行处理处理器12具备的多个运算单元121中的任意运算单元。运算单元121各自相互并行地执行被分配的运算处理。也就是说，运算单元121各自同时执行分割后的运算处理。
图21及图22中例示出的运算的结果是，通过由并行处理处理器12进行的运算，例如求出与和波形数据对应的细胞属于多个细胞类别中的各个细胞类别的概率相关的信息。执行解析软件111的处理器11基于运算的结果进行与和波形数据对应的细胞的细胞种类相关的解析。运算结果被存储于并行处理处理器12的RAM 122，从RAM 122被转发到RAM 14。然后，处理器11经由总线15及接口部19将基于存储于RAM 14的运算结果计算出的测定结果发送到处理单元300或测定单元400。
细胞属于多个细胞类别中的各个细胞类别的概率的计算可以是与并行处理处理器12不同的处理器来进行。例如可以将运算结果从RAM 122转发至RAM 14，处理器11基于从RAM 14读出的运算结果来计算与和各个波形数据对应的细胞属于多个细胞类别的各个细胞类别的概率相关的信息。另外，可以将运算结果从RAM 122转发至处理单元300，搭载于处理单元300的处理器计算与和各个波形数据对应的细胞属于多个细胞类别的各个细胞类别的概率相关的信息。
在本实施方式中，图21及图22所示的处理例如被应用于与深度学习算法60中的卷积层相关的运算处理(也被称为滤波器处理)。
图23中示出与卷积层相关的运算处理的概要。图23的(a)示出前向散射光(FSC)的波形数据的例子作为被输入到深度学习算法60的波形数据。波形数据例如为一维矩阵数据(即一维数组数据)。在本实施方式中，设波形数据的元素数量为n(n为1以上的整数)。在图23的(a)中示出了多个滤波器。滤波器是通过深度学习算法50的学习处理而生成的。多个滤波器的各个滤波器为表示波形数据的特征的一维矩阵数据。图23的(a)所示的滤波器为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的波形数据和各个滤波器进行矩阵运算，来计算与和波形数据相关的细胞类别对应的特征。图23的(b)示出波形数据与滤波器的矩阵运算的概要。如图23的(b)所示，在使各滤波器相对于波形数据的各元素逐一挪移的同时执行矩阵运算。通过下述的式1来执行矩阵运算的计算。
[数学式1]
Figure BDA0004047075360000291
在式1中，x的下标为表示波形数据的行编号及列编号的变量。h的下标为表示滤波器的行编号及列编号的变量。在图23所示的例子的情况下，波形数据为一维矩阵数据，滤波器为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12利用多个运算单元121的各个运算单元并行地执行由式1表示的矩阵运算。基于并行处理处理器12执行的运算处理，生成与各细胞的细胞类别相关的分类信息。生成的分类信息被发送到处理单元300或测定单元400。
细胞分析装置1能够将波形数据与识别信息对应起来进行处理。具体而言，细胞分析装置1能够将波形数据的分析结果(即与各细胞的细胞类别相关的分类信息)与识别信息对应起来生成。细胞分析装置1例如将和各细胞的细胞类别相关的分类信息与识别信息对应起来并发送到处理单元300或测定单元400。也可以是上述的识别信息(1)～(6)的多个的组合与分类信息对应起来被发送到处理单元300或测定单元400。
返回至图10，处理单元300经由接口部489、总线485及接口部484与数字值运算部483连接，能够接收从数字值运算部483输出的运算结果。接口部489例如为USB接口。另外，处理单元300能够从细胞分析装置1获取由处理器11及并行处理处理器12得出的运算结果，并显示基于该运算结果的测定结果。医生、检验技师等用户能够操作处理单元300来对测定结果进行分析。用户通过操作处理单元300并生成与测定结果相关的各种信息(例如曲线图、图表、针对测定结果的附加信息)，从而还能够对测定结果进行分析。用户例如通过浏览针对每份生物体试样的曲线图、图表或每个检验关联设施2的曲线图、图表等，能够针对上述的每个识别信息对测定结果进行分析。另外，处理单元300可以进行对由对试样容器进行自动供给的采样器(省略图示)、用于试样的制备、测定的流体系统等构成的装置机构部430的控制以及其它控制。
<细胞分析装置的工作>
参照图24～图26，说明由细胞分析装置4000进行的被检物的分析工作。
处理单元300的处理器3001在经由操作部3016从用户接受到包括测定指令的测定指示时，对测定单元400发送测定命令(步骤S1)。处理器3001从用户接受的测定指令中包含测定对象的被检物的被检物ID、与该被检物对应的患者ID、被要求测定的测定项目(测定通道)的信息。处理器3001将被检物ID、患者ID、测定通道的信息包含于测定命令中而发送到测定单元400。
测定单元400的处理器4831在接收测定命令时，开始被检物的测定。处理器4831使被检物抽吸部450从采血管T抽吸被检物(步骤S10)。接下来，处理器4831使被检物抽吸部450将抽吸到的被检物分注到试样制备部440的任意反应腔室440a～440e。如上所述，在步骤S1中从处理单元300发送的测定命令中包含有根据测定指令被要求测定的测定通道的信息。处理器4831基于测定命令中包含的测定通道的信息，控制被检物抽吸部450以便将被检物排出到对应的测定通道的反应腔室。
处理器4831使试样制备部440制备测定试样(步骤S11)。具体而言，试样制备部440收到来自处理器4831的命令，向被排出有被检物的反应腔室供给试剂(溶血剂及染色液)，将被检物和试剂混合。据此在反应腔室内制备出测定试样，在该测定试样中红细胞被溶血剂溶解，并且白细胞、网状红细胞等测定通道作为靶的细胞通过染色的而被染色。
处理器4831使FCM检测部410测定制备出的测定试样(步骤S12)。具体而言，处理器4831控制装置机构部430，将处于试样制备部440的反应腔室内的测定试样输送到FCM检测部410。反应腔室与FCM检测部410通过流路而连接，从反应腔室输送的测定试样流经流通池4113内而被光源4111照射激光束(参照图12)。当测定试样中包含的细胞通过流通池4113时，光照射到细胞，从细胞产生的前向散射光、侧向散射光、侧向荧光分别被光接收元件4116、4121、4122检测，与光接收强度相应的模拟信号被输出。模拟信号经由模拟处理部420被输出到A/D变换部482。
A/D变换部482通过以预定速率对模拟信号进行采样，生成包括各个细胞的波形数据的数字信号(步骤S13)。波形数据及数字信号的生成方法如已说明过的那样。处理器4831将由A/D变换部482生成的数字信号保存于RAM 460。
处理器4831将保存于存储部460的数字信号和识别信息发送到细胞分析装置1(步骤S14)。处理器4831对保存于存储部460的数字信号附加与该数字信号对应的识别信息，经由接口部490、内联网3或因特网9发送到细胞分析装置1。识别信息除了包含患者ID、被检物ID、测定通道的信息之外，还包含细胞测定装置4000所独有的信息即装置ID。
细胞分析装置1的处理器11当从测定单元400的处理器4831接收到数字信号和识别信息时，对接收到的数字信号基于深度学习算法60进行细胞分类(步骤S21)。对于细胞分类的详情将在后说明。处理器11将包括作为S21的结果而得到的各个细胞的分类信息82的分析结果83与识别信息一同发送到处理单元300(步骤S22)。更详细而言，处理器11向根据识别信息中包含的装置ID而确定的细胞测定装置4000的处理单元300发送分析结果83。与分析结果83一同发送到处理单元300的识别信息可以包括患者ID、被检物ID、测定通道的信息，而可以不包括装置ID。关于分析结果83，一份被检物中包含的多个细胞的分析结果83与前述的识别信息关联起来被发送到处理单元300。
处理单元300的处理器3001在从细胞分析装置1接收到分析结果83时，使用保存于存储部3004的程序来对分析结果83进行分析，生成被检物的检验结果(步骤S3)。在S3的处理中，例如，基于各个细胞的分析结果83中包含的标签值，针对每个细胞类别来对细胞的数量进行计数。例如，如果来自1份被检物中被赋予表示中性粒细胞的标签值“1”的分类信息有N个，则获取中性粒细胞的数量＝N的计数结果作为被检物的检验结果。
处理器3001基于分析结果83获取与和测定通道相应的测定项目相关的计数结果，并与识别信息一同保存于存储部3004。与测定通道相应的测定项目是指根据测定指令而被要求计数结果的项目。例如与DIFF通道相应的测定项目是指白细胞5分类、即单核细胞、中性粒细胞、淋巴细胞、嗜酸性粒细胞、嗜碱性粒细胞的数量。与RET通道相应的测定项目是指网状红细胞的数量。与PLT-F相应的测定项目是指血小板的数量。与WPC相应的测定项目是指造血祖细胞的数量。与WNR相应的测定项目是指白细胞和有核红细胞的数量。计数结果不限于如以上列举的那样被要求测定的项目(也称为可报告(reportable)项目)，也可包括在相同测定通道上能够测定的其它细胞的计数结果。例如如果测定通道为DIFF，则如图4所示，除了白细胞5分类之外，未成熟粒细胞(IG)及异常细胞也包含于计数结果中。进而处理器3001通过对得到的计数结果进行分析来生成被检物的检验结果并保存于存储部3004。所谓计数结果的分析，包括对例如计数结果是否在正常值范围内、是否未检测到异常细胞、与上次的检验结果相比偏离是否在允许范围内等进行判断。
处理器3001将生成的检验结果显示在显示部3015(步骤S4)。检验结果与和作为检验结果的来源的分析结果83关联起来的识别信息一同显示。具体而言，检验结果与患者ID、被检物ID、测定通道、装置ID一同显示。与检验结果一同显示的识别信息可以为上述信息中的至少一个。
接下来参照图25对步骤S21的细胞分类的处理进行说明。步骤S21的细胞分类的处理为处理器11根据解析软件111的工作而进行的处理。处理器11将在步骤S13中被取入到RAM 14的数字信号转发到并行处理处理器12(S101)。如图20所示，处理器11通过DMA转发从RAM 14对RAM 122转发数字信号。处理器11例如控制总线控制器181，使数字信号从RAM 14被DMA转发到RAM 122。
处理器11指示并行处理处理器12执行针对数字信号中包含的波形数据的并行处理(S102)。处理器11例如通过调用并行处理处理器12的核函数(kernel function)来指示执行并行处理。由并行处理处理器12执行的处理将在后面通过图26所例示出的流程图来说明。处理器11例如指示并行处理处理器12执行与深度学习算法60相关的矩阵运算。数字信号被分解为多个波形数据，并被依次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。输入到深度学习算法60的波形数据由并行处理处理器12进行运算。
处理器11收取由并行处理处理器12执行而得到的运算结果(S103)。运算结果例如如图20所示从RAM 122被DMA转发到RAM 14。
处理器11基于由并行处理处理器12得出的运算结果，生成被测定的各个细胞的细胞类别的解析结果(S104)。
图26示出基于解析软件111的指示而执行的并行处理处理器12的运算处理的工作例。
执行解析软件111的处理器11使并行处理处理器12执行对运算单元121分配运算处理(S110)。处理器11例如通过调用并行处理处理器12的核函数来使并行处理处理器12执行向运算单元121分配运算处理。如图20所示，例如，与深度学习算法60相关的矩阵运算被分割为多个运算处理，被分割后的各运算处理被分配给运算单元121。多个波形数据被依次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并被分配给运算单元121。
各运算处理由多个运算单元121并行地处理(S111)。针对多个波形数据执行运算处理。
通过由多个运算单元121并行地处理而生成的运算结果从RAM122被转发到RAM 14(S112)。例如，通过DMA从RAM 122向RAM 14转发运算结果。
<第2细胞测定装置和第2细胞测定装置中的生物体试样的测定>
作为第2细胞测定装置4000'的结构例，示出测定单元500为用于测定尿试样或体液试样的流式细胞仪即尿液中有形成分分析装置或体液分析装置时的框图的例子。
图27为测定单元500的框图的例子。在图27中，测定单元500具备：被检物分配部501；试样制备部502；光学检测部505；放大电路550，将光学检测部505的输出信号(由前置放大器放大后的输出信号)放大；滤波器电路506，对来自放大电路550的输出信号进行滤波器处理；A/D变换部507，将滤波器电路506的输出信号(模拟信号)变换为数字值；数字值处理电路508，对数字值进行预定处理；存储器509，连接于数字值处理电路508；微型计算机511，与被检物分配部501、试样制备部502、放大电路550、数字值处理电路508及存储装置511a连接；以及LAN(Local Area Network，局域网)适配器512，连接于微型计算机511。
处理单元300例如通过LAN线缆经由LAN适配器512与测定单元500连接，通过该处理单元300进行对由测定单元500获取的测定数据的分析。光学检测部505、放大电路550、滤波器电路506、A/D变换部507、数字值处理电路508及存储器509构成对测定试样进行测定并生成测定数据的光学测定部510。
测定单元500能够经由LAN适配器512访问内联网3或因特网6，与细胞分析装置1进行通信。测定单元500将获取的波形数据发送到细胞分析装置1。测定单元500或处理单元300将波形数据与识别信息对应起来发送到细胞分析装置1。作为识别信息，举出例如：(1)与波形数据对应的生物体试样的识别信息、(2)与波形数据对应的细胞的识别信息、(3)与波形数据对应的患者的识别信息、(4)与波形数据对应的检验的识别信息、(5)波形数据被测定的细胞测定装置的识别信息、(6)波形数据被测定的检验关联设施2的识别信息。测定单元500例如在从LIS或处理单元300收取到检验指令时，能够从LIS或处理单元300获取上述识别信息(1)～(6)中的至少一个或它们的组合。例如，例示出的(1)～(6)中的至少一个与波形数据对应起来被发送到细胞分析装置1。也可以是例示出的(1)～(6)的多个的组合与波形数据对应起来被发送到细胞分析装置1。
图28为示出测定单元500的光学检测部505的结构的图。在图28中，聚束透镜(condenser lens)552将从作为光源的半导体激光光源553放射的激光束聚光于流通池551，聚光透镜554将从测定试样中的有形成分发出的前向散射光聚光于前向散射光接收部555。另外，另一聚光透镜556将从有形成分发出的侧向散射光和荧光聚光到分色镜557。分色镜557将侧向散射光反射到侧向散射光接收部558，使荧光向荧光接收部559的一方透射。这些光信号反映测定试样中的有形成分的特征。然后，前向散射光接收部555、侧向散射光接收部558及荧光接收部559将光信号变换为电信号，分别输出前向散射光信号、侧向散射光信号及荧光信号。这些输出在被前置放大器放大之后被提供给下一级的处理。另外，前向散射光接收部555、侧向散射光接收部558及荧光接收部559各自能够通过切换驱动电压来进行低灵敏度输出与高灵敏度输出之间的切换。该灵敏度的切换由微型计算机511来进行。在本实施方式中，光电二极管被用作前向散射光接收部555，可以使用光电倍增管作为侧向散射光接收部558及荧光接收部55，也可以使用光电二极管作为侧向散射光接收部558及荧光接收部559。此外，从荧光接收部559输出的荧光信号在被前置放大器放大之后被提供给分支的两个信号通道。两个信号通道分别连接于之前图27中描述的放大电路550。输入到一个信号通道的荧光被放大电路550放大为更高灵敏度。
(测定试样的制备)
图29为示出图27所示的试样制备部502及光学检测部505的概略功能结构的图。图27及图29所示的被检物分配部501具备抽吸管517和注射泵。被检物分配部501经由抽吸管517抽吸被检物(尿液或体液)00b并向试样制备部502分注。试样制备部502具备反应槽512u和反应槽512b。被检物分配部501对反应槽512u及反应槽512b分别分配定量的测定试样。
在反应槽512u中，分配的生物体试样与作为稀释液的第1试剂519u及包含染料的第3试剂518u混合。利用第3试剂518u中包含的色素，生物体试样中的有形成分被染色。在生物体试样为尿液时，在该反应槽512u中制备出的试样作为用于对红细胞、白细胞、上皮细胞、肿瘤细胞等比较大的尿液中有形成分进行分析的第1测定试样来使用。在生物体试样为体液时，在反应槽512u中制备出的试样作为用于对体液中的红细胞进行分析的第3测定试样来使用。
另一方面，在反应槽512b中，分配的生物体试样与作为稀释液的第2试剂519b及包含染料的第4试剂518b混合。如后述的那样，第2试剂519b具有溶血作用。利用第4试剂518b中包含的色素，生物体试样中的有形成分被染色。在生物体试样为尿液时，在该反应槽512b中制备出的试样成为用于对尿液中的细菌进行分析的第2测定试样。在生物体试样为体液时，在反应槽512b中制备出的试样成为用于对体液中的有核细胞(白细胞及大型细胞)及细菌进行分析的第4测定试样。
从反应槽512u向光学检测部505的流通池551延伸设置有管道，在反应槽512u制备出的测定试样能够供给到流通池551。另外，在反应槽512u的出口设置有电磁阀521u。从反应槽512b也延伸设置有管道，该管道连结于从反应槽2u延伸的管道的中途。由此，在反应槽512b制备出的测定试样能够供给到流通池551。另外，在反应槽512u的出口设置有电磁阀521b。
从反应槽512u、512b延伸设置到流通池551的管道在流通池551的跟前分支，该分支端连接于注射泵520a。另外，在注射泵520a与分支点之间设置有电磁阀521c。
在从自反应槽512u、512b分别延伸设置的管道的连接点至分支点的中途，管道进一步分支，该分支端连接于注射泵520b。另外，向注射泵520b延伸的管道的分支点与连接点之间设置有电磁阀521d。
另外，对试样制备部502连接有容纳鞘液的鞘液容纳部522，该鞘液容纳部522通过管道而连接于流通池551。对鞘液容纳部522连接有压缩机522a，当压缩机522a被驱动时，对鞘液容纳部522供给压缩空气，从鞘液容纳部522向流通池551供给鞘液。
关于在反应槽512u、512b中分别制备出的两种悬浊液(测定试样)，先是反应槽512u的悬浊液(生物体试样为尿液时是第1测定试样。生物体试样为体液时是第3测定试样)被引导至光学检测部505，在流通池551中形成被鞘液包裹的细流，在那里被照射激光束。之后同样地，反应槽512b的悬浊液(生物体试样为尿液时是第2测定试样。生物体试样为体液时是第4测定试样)被引导至光学检测部505，在流通池551中形成细流，被照射激光束。关于这样的工作，通过利用微型计算机511(控制部)的控制使电磁阀521a、521b、521c、521d及驱动部503等工作而被自动地进行。
对第1试剂至第4试剂详细进行说明。第1试剂519u为以缓冲剂为主成分的试剂，含有渗透压补偿剂以便能够不使红细胞发生溶血而得到稳定的荧光信号，第1试剂519u被调节为100～600mOsm/kg以达到适于分类测定的渗透压。第1试剂519u优选为对尿液中的红细胞不具有溶血作用。
第2试剂519b与第1试剂519u不同，具有溶血作用。这是为了提高后述的第4试剂518b对细菌的细胞膜的通过性以使染色尽快进行。进而也是为了使粘液丝、红细胞碎片等混杂物收缩。第2试剂519b含有表面活性剂以获得溶血作用。作为表面活性剂，可以使用阴离子、非离子、阳离子等各种表面活性剂，特别优选阳离子系表面活性剂。由于利用表面活性剂能够对细菌的细胞膜造成破坏，因此能够利用第4试剂518b含有的色素来高效地对细菌的核酸进行染色。其结果是，能够通过短时间的染色处理来进行细菌的测定。
作为又一实施方式，第2试剂519b也可以通过被调节为酸性或低pH而不是通过表面活性剂来获得溶血作用。低pH是指pH低于第1试剂19u。当第1试剂519u在中性或是弱酸性～弱碱性的范围内时，第2试剂19b为酸性或强酸性。当第1试剂519u的pH为6.0～8.0时，第2试剂519b的pH为低于该值的pH，优选为2.0～6.0。
第2试剂519b可以含有表面活性剂并且被调节为低pH。
作为又一实施方式，第2试剂519b可以通过使渗透压低于第1试剂19u来获得溶血作用。
另一方面，第1试剂519u不含有表面活性剂。此外，作为另一实施方式，第1试剂519u可以含有表面活性剂，但需要调节种类和浓度以使红细胞不发生溶血。因而优选的是第1试剂519u不包含与第2试剂519b相同的表面活性剂，或是即使包括相同的表面活性剂，浓度也低于第2试剂519b。
第3试剂518u为被用于测定尿液中有形成分(红细胞、白细胞、上皮细胞、管型等)的染色试剂。为了将没有核酸的有形成分也进行染色，选择进行膜染色的染料作为第3试剂518u包含的染料。第3试剂518u优选为包含渗透压补偿剂以防止红细胞溶血以及得到稳定的荧光强度，第3试剂518u被调节为100～600mOsm/kg以达到适于分类测定的渗透压。利用第3试剂18u，尿液中有形成分的细胞膜、核(膜)被染色。作为含有进行膜染色的色素的染色试剂，使用稠合苯衍生物，例如能够使用花青类色素。此外，第3试剂18u不仅将细胞膜染色，还将核膜染色。当使用第3试剂518u时，在白细胞、上皮等有核细胞中，细胞质(细胞膜)的染色强度与核(核膜)的染色强度相合，染色强度高于没有核酸的尿液中有形成分。据此能够将白细胞及上皮等有核细胞与红细胞等无核酸的尿液中有形成分区别开来。作为第3试剂，能够使用美国5891733号公报所记载的试剂。通过参照将美国5891733号公报引用到本说明书中。第3试剂518u和第1试剂519u一同与尿液或体液混合。
第4试剂518b为即使是包含有与细菌及真菌同等大小的混杂物的被检物也可以高精度地测定细菌的染色试剂。作为第4试剂518b，欧洲申请公开1136563号公报中有详细说明。作为第4试剂518b中包含的染料，优选使用将核酸染色的染料。作为含有进行核染色的色素的染色试剂，例如能够使用美国专利7309581号的花青类色素。第4试剂518b和第2试剂519b一同与尿液或被检物混合。通过参照将欧洲申请公开1136563号公报及美国专利7309581号引用到本说明书中。
因此，优选的是第3试剂518u含有将细胞膜染色的色素，另一方面，第4试剂518b含有将核酸染色的色素。由于尿液中有形成分中包含有如红细胞这样没有核的细胞，因此第3试剂518u含有将细胞膜染色的色素，从而能够检测像这样还包含没有核的细胞的尿液中有形成分。另外，由于第2试剂能够对细菌的细胞膜造成破坏，因此能够利用第4试剂18b含有的色素来高效地对细菌及真菌的核酸进行染色。其结果是，能够通过短时间的染色处理来进行细菌的测定。
如图12及图28所示，测定单元400或测定单元500分别具备流通池4113、551。测定单元400或测定单元500将生物体试样输送到流通池4113、551。从光源4112、553对被供给到流通池4113、551的生物体试样照射光，光检测部(4116、4121、4122、555、558、559)对从生物体试样中的细胞发出的前向散射光、侧向散射光及侧向荧光进行检测。可以是从光检测部(4116、4121、4122、555、558、559)向细胞分析装置1发送信号。细胞分析装置1根据光检测部(4116、4121、4122、555、558、559)检测到的前向散射光、侧向散射光及侧向荧光获取各个波形数据。
<功能块及处理流程>
(深度学习处理)
图30示出进行深度学习的细胞分析装置1的功能块的例子。当参照图30时，本实施方式的细胞分析装置1的处理部10具备训练数据生成部101、训练数据输入部102和算法更新部103。将使计算机执行深度学习处理的程序安装于处理部10的存储部13，通过处理器11及并行处理处理器12执行该程序来实现这些功能块。训练数据数据库(DB)104和算法数据库(DB)105被记录于处理部10的存储部13或RAM 14。
训练用波形数据70a、70b、70c例如由测定单元400、500预先获取，并被预先存储于处理部10的存储部13或RAM 14。
处理部10进行图31所示的处理。在使用图30所示的各功能块进行说明时，训练数据生成部101进行图31所示的步骤S211、S214及S216的处理。训练数据输入部102进行步骤S212的处理。算法更新部103进行步骤S213及S215的处理。
使用图31对处理部10进行的深度学习处理的例子进行说明。首先，处理部10获取训练用波形数据70a、70b、70c。训练用波形数据70a为前向散射光的波形数据，训练用波形数据70b为侧向散射光的波形数据，训练用波形数据70c为侧向荧光的波形数据。关于训练用波形数据70a、70b、70c的获取，例如通过操作员的操作从测定单元400、500取入，或者从记录介质取入，或者通过通信网络经由接口部490来进行。在获取训练用波形数据70a、70b、70c时，也获取该训练用波形数据70a、70b、70c表示哪个细胞类别的信息。表示是哪个细胞类别的信息可以与训练用波形数据70a、70b、70c相关联，还可以由操作员输入。
在步骤S211中，处理部10根据波形数据72a、72b、72c和标签值77生成训练数据75。
在步骤S212中，处理部10使用训练数据75对神经网络50进行训练。每当使用多个训练数据75进行训练就积累神经网络50的训练结果。
在本实施方式的细胞类别的分析方法中，使用卷积神经网络，使用随机梯度下降法，因此在步骤S213中，处理部10判断是否积累了预先决定的预定试验次数的量的训练结果。在积累了预定试验次数的量的训练结果的情况下(是)，处理部10前进到步骤S214的处理，在未积累预定试验次数的量的训练结果的情况下(否)，处理部10前进到步骤S215的处理。
接下来，在积累了预定试验次数的量的训练结果的情况下，在步骤S214中，处理部10使用在步骤S212中积累的训练结果来更新神经网络50的连接权重w。在本实施方式的细胞类别的分析方法中，使用随机梯度下降法，因此在积累了预定试验次数的量的学习结果的阶段，更新神经网络50的连接权重w。具体而言，更新连接权重w的处理为实施将在后说明的(式12)及(式13)所示的基于梯度下降法的计算的处理。
在步骤S215中，处理部10判断是否用规定数量的训练数据75训练了神经网络50。在用规定数量的训练数据75进行了训练的情况下(是)，结束深度学习处理。
在未用规定数量的训练数据75训练神经网络50的情况下(否)，处理部10从步骤S215前进到步骤S216，针对接下来的训练用波形数据进行从步骤S211至步骤S215的处理。
依照以上说明的处理，对神经网络50进行训练而得到深度学习算法60。
(神经网络的构造)
如上述那样，在本实施方式中，使用卷积神经网络。图32的(a)中例示神经网络50的构造。神经网络50具备输入层50a、输出层50b和在输入层50a及输出层50b之间的中间层50c，中间层50c包括多层。能够将构成中间层50c的层数设为例如5层以上，优选为50层以上，更优选为100层以上。
在神经网络50中，配置为层状的多个节点89在层间连接。由此，信息从输入侧的层50a向输出侧的层50b仅沿图中箭头D所示的单方向传播。
(各节点处的运算)
图32的(b)为示出各节点处的运算的示意图。在各节点89，接收多个输入，计算1个输出(z)。在图32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)用例如以下(式2)表示。在此，在本实施方式中，由于使用一维行数列数据作为训练数据75及分析数据85，因此在运算式的变量对应于二维矩阵数据的情况下，进行将变量变换为与一维矩阵数据对应的处理。
[数学式2]
u＝w1x1+w2x2+w3x3+w4x4+b (式2)
对各输入施加各不相同的权重。(式2)中，b为被称为偏置的值。节点的输出(z)为关于用(式2)表示的总输入(u)的预定函数f的输出，用以下(式3)表示。函数f被称为激活函数。
[数学式3]
z＝f(u) (式3)
图32的(c)为示出节点之间的运算的示意图。在神经网络50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下一层的节点的输入。在图32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之间的各连接施加不同的权重。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(式4-1)～(式4-3)表示。
[数学式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)
将这些(式4-1)～(式4-3)概括为(式4-4)。在此，i＝1、……I、j＝1、……J(I为输入总数，J为总输出数)。
[数学式5]
Figure BDA0004047075360000431
当将(式4-4)应用于激活函数时可得到输出。输出用以下(式5)表示。
[数学式6]
Zj＝f(uj)(j＝1，2，3) (式5)
(激活函数)
在实施方式的细胞类别的分析方法中，作为激活函数，使用标准化线性函数(rectified linear unit function，修正线性单元函数)。标准化线性函数用以下(式6)表示。
[数学式7]
f(u)＝max(u，0) (式6)
(式6)是将z＝u的线性函数当中u＜0的部分设为u＝0的函数。在图32的(c)所示的例子中，j＝1的节点的输出根据(式6)用以下式子表示。
[数学式8]
z1＝max((w11x1+w12x2+w13x3+w14x4+b1)，0)
(神经网络的学习)
当设使用神经网络表达的函数为y(x：w)时，在使神经网络的参数w变化时，函数y(x：w)发生变化。以使神经网络针对输入x选择更适合的参数w的方式调整函数y(x：w)，这称为神经网络的学习。设为给出多组使用神经网络表达的函数的输入与输出的组。当设针对某个输入x的期望的输出为d时，输入输出的组被给出为{(x1，d1)，(x2，d2)，……，(xn，dn)}。将用(x，d)表示的各组的集合称为训练数据。具体而言，图3所示的波形数据(前向散射光波形数据、侧向散射光波形数据、荧光波形数据)的集合为图3所示的训练数据。
神经网络的学习的意思是指，以不论针对怎样的输入输出的组(xn，dn)都使给定输入xn时的神经网络的输出y(xn：w)尽量接近输出dn的方式调节权重w。误差函数(errorfunction)是指衡量用神经网络表达的函数与训练数据的接近度
[数学式9]
y(xn:w)≈dn的尺度。误差函数也称为损失函数(loss function)。在实施方式的细胞类别的分析方法中使用的误差函数E(w)用以下(式7)表示。(式7)被称为交叉熵(crossentropy)。
[数学式10]
Figure BDA0004047075360000441
对(式7)的交叉熵的计算方法进行说明。在实施方式的细胞类别的分析方法中使用的神经网络50的输出层50b，即在神经网络的最终层，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。激活函数被称为归一化指数函数(softmax function)，用以下(式8)表示。此外，设为在输出层50b排列有与类目数k相同数量的节点。设为输出层L的各节点k(k＝1、……、K)的总输入u是根据前层L－1的输出用uk(L)来给定的。由此，输出层的第k个节点的输出用以下(式8)表示。
[数学式11]
Figure BDA0004047075360000451
(式8)为归一化指数函数。由(式8)决定的输出y1、……、yK的总和始终为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))表示给定的输入x属于类目CK的概率。请参照以下(式9)。输入x被分类为用(式9)表示的概率为最大的类目。
[数学式12]
Figure BDA0004047075360000452
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后验概率(posterior probability)的模型，在这样的概率模型下，评价权重w针对训练数据的似然度(likelihood)，选择使似然度最大化的权重w。
设为仅在输出为正确类目的情况下，使(式8)的归一化指数函数得出的目标输出dn为1，在除此以外的情况下，输出为0。当用dn＝[dn1，……，dnK]这样的矢量格式表示目标输出时，例如在输入xn的正确类目为C3的情况下，仅目标输出dn3为1，除此以外的目标输出为0。当像这样进行编码时，后验分布(posterior)用以下(式10)表示。
[数学式13]
Figure BDA0004047075360000461
权重w针对训练数据{(xn，dn)}(n＝1、……、N)的似然度L(w)用以下(式11)表示。当取似然度L(w)的对数并使符号反转时，导出(式7)的误差函数。
[数学式14]
Figure BDA0004047075360000462
学习的意思是指，针对神经网络的参数w使基于训练数据计算的误差函数E(w)最小化。在实施方式的细胞类别的分析方法中，误差函数E(w)用(式7)表示。
针对参数w使误差函数E(w)最小化是与求出函数E(w)的局部极小点相同的意思。参数w为节点之间的连接的权重。以任意初始值为出发点，通过重复更新参数w的反复计算来求出权重w的极小点。作为这样的计算的一例，有梯度下降法(gradient descentmethod)。
在梯度下降法中，使用以下面的(式12)表示的矢量。
[数学式15]
Figure BDA0004047075360000463
在梯度下降法中，多次重复使当前的参数w的值沿负梯度方向(即－
Figure BDA0004047075360000464
)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(式13)表示。值t的意思是使参数w移动的次数。
[数学式16]
Figure BDA0004047075360000471
符号
[数学式17]
∈
为决定参数w的更新量的大小的常数，被称为学习系数。通过重复进行用(式13)表示的运算，误差函数E(w(t))随着值t的增加而减少，参数w到达极小点。
此外，基于(式13)的运算可以针对全部训练数据(n＝1，……，N)实施，也可以仅针对一部分训练数据实施。仅针对一部分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)。在实施方式的细胞类别的分析方法中使用随机梯度下降法。
[3.深度学习模型的构筑]
用Sysmex XN-1000分别测定从健康人采集得到的血液作为健康血液试样，并且测定XN CHECK Lv2(斯特雷克公司的质控血液(进行过固定等处理))作为非健康血液试样。作为荧光染色试剂，使用希森美康(Sysmex)株式会社制造的Fluorocell WDF。另外作为溶血剂，使用希森美康株式会社制造的Lysercell WDF。针对各个生物体试样中包含的每个细胞，从前向散射光的测定开始起以10纳秒间隔获取1024点前向散射光、侧向散射光及侧向荧光的波形数据。关于健康血液试样，将从8名健康者采集得到的血液中的细胞的波形数据储备作为数字数据。针对各个细胞的波形数据手动实施中性粒细胞(NEUT)、淋巴细胞(LYMPH)、单核细胞(MONO)、嗜酸性粒细胞(EO)、嗜碱性粒细胞(BASO)、未成熟粒细胞(IG)的分类，对各个波形数据附加细胞类别的注释(加上标签)。将前向散射光的信号强度超过阈值的时间点作为测定开始时间点，使前向散射光、侧向散射光、侧向荧光的波形数据的获取时间点同步，生成训练数据。另外对质控血液也注释为质控血源细胞(CONT)。将训练数据输入到深度学习算法并使之进行学习。
对与学习过的细胞数据不同的健康人的血液细胞，利用Sysmex XN-1000与训练数据同样地获取分析用波形数据。将来源于质控血液的波形数据混合而制作出分析用数据。关于该分析用数据，在散点图上来源于健康人的血细胞与来源于质控血液的血细胞重叠，根据以往方法完全无法鉴别。将该分析用数据输入到构筑出的深度学习算法，获取各个细胞类别的数据。
将该结果作为混合矩阵在图33中示出。横轴表示构筑的深度学算法得出的判定结果，纵轴表示基于人的手动(参照法)的判定结果。在构筑的深度学习算法得出的判定结果中，虽然在嗜碱性粒细胞与淋巴细胞之间、嗜碱性粒细胞与血影碎片(ghost)之间产生了一些混淆，但表现出与参照法得出的判手结果98.8％的一致率。
接下来对各细胞类别进行ROC解析，评价灵敏度特异性。图34的(a)示出中性粒细胞的ROC曲线，图34的(b)示出淋巴细胞的ROC曲线，图34的(c)示出单核细胞的ROC曲线，图35的(a)示出中性粒细胞的ROC曲线，图35的(b)示出嗜碱性粒细胞的ROC曲线，图35的(c)示出质控血液(CONT)的ROC曲线。关于灵敏度和特异性，中性粒细胞分别为99.5％、99.6％，淋巴细胞分别为99.4％、99.5％，单核细胞分别为98.5％、99.9％，嗜酸性粒细胞分别为97.9％、99.8％，嗜碱性粒细胞分别为71.0％、81.4％，质控血液(CONT)分别为99.8％、99.6％，均表现出良好的成绩。
根据以上结果可见，通过以基于波形数据而从生物体试样中包含的细胞获取的信号为基础，使用深度学习算法，从而能够以高分类精度判定细胞类别。
进而，在如质控血液这样的非健康血液细胞与健康血液细胞混合的情况下，有时难以根据以往的散点图法来进行判定。但是通过使用本实施方式的深度学习算法，即使在非健康血液细胞与健康血液细胞混合的情况下，也表现出能够进行对这些细胞的判定。
[4.使用图像分析装置的分析系统]
对使用图像分析装置作为细胞测定装置的实施方式进行说明。作为图像分析装置的细胞测定装置4000”通过对拍摄到的图像数据进行分析，来推定拍摄到的细胞的细胞类别。
细胞测定装置4000”与图6～图9中例示出的系统结构例同样地连接于细胞分析装置1。细胞测定装置4000”例如经由内联网3连接于细胞分析装置1。细胞测定装置4000”例如经由接口部4连接于细胞分析装置1。设置于各个检验关联设施2的细胞测定装置4000”可以分别经由因特网6连接于细胞分析装置1。
图36中示出细胞测定装置4000”的结构例。图36所示的细胞测定装置4000”具备测定单元700及处理单元800，对通过由预处理装置900进行的预处理制备出的试样901进行测定而进行分析。
测定单元700具备流通池710、光源720～723、聚光透镜730～733、分色镜740～741、聚光透镜750、光学单元751、聚光透镜752和拍摄部760。使试样701流经流通池710的流路711。
光源720～723对在流通池710流动的试样701照射光。光源720～723由例如半导体激光光源构成。从光源720～723分别出射波长λ11～λ14的光。
聚光透镜730～733分别将从光源720～723出射的波长λ11～λ14的光进行聚光。分色镜740使波长λ11的光透射，使波长λ12的光折射。分色镜741使波长λ11及λ12的光透射，使波长λ13的光折射。像这样，波长λ11～λ14的光被照射到在流通池710的流路711流动的试样701。此外，测定单元700具备的半导体激光光源的数量只要为1以上就不受限制。半导体激光光源的数量能够从例如1、2、3、4、5或6之中选择。
当在流通池710流动的试样701由荧光色素被染色的情况下，当对试样701照射波长λ11～λ13的光时，从将细胞染色的荧光色素产生荧光。例如，产生与波长λ11、λ12、λ13分别对应的波长λ21、λ22、λ23的荧光。当对在流通池710流动的试样701照射波长λ14的光时，该光透射过细胞。透射过细胞的波长λ14的透射光被用于生成明视场图像。
聚光透镜750将从在流通池710的流路711流动的试样701产生的荧光和透射过在流通池710的流路711流动的试样701的透射光进行聚光。光学单元751例如具有4片分色镜组合而成的结构。光学单元751的4片分色镜以相互略微不同的角度反射荧光和透射光，使荧光和透射光在拍摄部760的光接收面上分离。聚光透镜752将荧光和透射光进行聚光。
拍摄部760由TDI(Time Delay Integration，时延积分)相机构成。拍摄部760拍摄荧光和透射光，能够将与荧光对应的荧光图像和与透射光对应的明视场图像作为拍摄信号输出到处理单元800。
处理单元800具备处理部811、存储部812、接口部816、接口部817、总线815作为硬件结构。处理部811、存储部812、接口部816、接口部817连接于总线815。由测定单元700的拍摄部760拍摄到的拍摄信号构成的图像数据(例如荧光图像、明视场图像)经由接口部816存储于存储部812。处理部811进行从存储部812读出图像数据并经由接口部817将图像数据发送到细胞分析装置1的处理。接口部817例如为USB接口、用于与内联网3或因特网6连接的接口。处理部811执行对从细胞分析装置1发出的分析结果的处理。
细胞分析装置1可从同一检验关联设施2内的多个细胞测定装置4000”获取图像数据。另外，细胞分析装置1可从在不同检验关联设施2的各个检验关联设施配置的多个细胞测定装置4000”获取图像数据。针对在各个检验关联设施2被检验的生物体试样中的各个细胞的每个细胞来获取图像数据。因此，当没有恰当管理图像数据时，可能会发生例如在患者之间、生物体试样之间、检验关联设施2之间搞错数据。因此，处理单元200将图像数据与识别信息对应起来发送到细胞分析装置1。作为识别信息，举出例如：(1)与拍摄信号对应的生物体试样的识别信息、(2)与拍摄信号对应的细胞的识别信息、(3)与拍摄信号对应的患者的识别信息、(4)与拍摄信号对应的检验的识别信息、(5)获取到拍摄信号的装置的识别信息、(6)拍摄信号被获取的检验关联设施2的识别信息。细胞测定装置4000”例如当从LIS或处理单元200收取到检验指令时，能够从LIS或处理单元200获取上述识别信息(1)～(6)中的至少一个或它们的组合。例如，例示出的(1)～(6)中的至少一个与图像数据对应起来被发送到细胞分析装置1。也可以是例示出的(1)～(6)的多个的组合与图像数据对应起来被发送到细胞分析装置1。[5.使用拍摄装置的分析系统]
对使用拍摄装置作为细胞测定装置的实施方式进行说明。作为拍摄装置的细胞测定装置4000”'通过对拍摄到的图像数据进行分析，来推定拍摄到的细胞的细胞类别。
细胞测定装置4000”'通过图6～图9中例示出的系统结构例连接于细胞分析装置1。细胞测定装置4000”'例如经由内联网3连接于细胞分析装置1。细胞测定装置4000”'例如经由接口部4连接于细胞分析装置1。设置于各个检验关联设施2的细胞测定装置4000”'分别经由因特网6连接于细胞分析装置1。
图37中示出细胞测定装置4000”'的结构例。图37所示的细胞测定装置4000”'具备拍摄元件301和荧光显微镜302，拍摄在载置台309上设置的训练用标本308的明视场图像。训练用标本308被进行了染色。细胞分析装置1获取由细胞测定装置4000”'拍摄到的训练用图像70。细胞分析装置1基于获取的训练用图像70进行深度学习算法的学习。细胞分析装置1获取由细胞测定装置4000”'拍摄到的分析对象图像78。细胞分析装置1基于深度学习算法对获取的分析对象图像78进行分析。
作为细胞测定装置4000”'，能够使用具有拍摄标本的功能的公知的光学显微镜或虚拟载片扫描仪等。
细胞分析装置1可从同一检验关联设施2内的多个细胞测定装置4000”'获取分析对象图像78。另外，细胞分析装置1还可从在不同检验关联设施2的各个检验关联设施配置的多个细胞测定装置4000”'获取分析对象图像78。针对在各个检验关联设施2被检验的生物体试样中的各个细胞的每个细胞来获取分析对象图像78。因此，当没有恰当地管理分析对象图像78时，可能会发生例如在患者之间、生物体试样之间、检验关联设施2之间搞错数据。因此，细胞测定装置4000”'将分析对象图像78与识别信息对应起来发送到细胞分析装置1。作为识别信息，举出例如：(1)与拍摄信号对应的生物体试样的识别信息、(2)与拍摄信号对应的细胞的识别信息、(3)与拍摄信号对应的患者的识别信息、(4)与拍摄信号对应的检验的识别信息、(5)获取到拍摄信号的装置的识别信息、(6)拍摄信号被获取的设施的识别信息。细胞测定装置4000”'例如当收取到从LIS或用户输入的检验指令时，能够从LIS或用户输入获取上述识别信息(1)～(6)中的至少一个或它们的组合。例如，例示出的(1)～(6)中的至少一个与拍摄信号对应起来被发送到细胞分析装置1。也可以是例示出的(1)～(6)的多个的组合与拍摄信号对应起来被发送到细胞分析装置1。
<训练数据的生成>
以下说明本实施方式的训练数据的生成例。
为了训练深度学习算法而使用的训练用图像优选以RGB彩色及CMY彩色等方式来拍摄。关于彩色图像，优选为用24位的值(8位×3色)来表示红、绿及蓝、或者青色、品红色、黄色等各原色的深浅或亮度。关于训练用图像，只要包括至少1个色相和该色相的深浅或亮度即可，但更优选的是包括至少两个色相和各个色相的深浅或亮度。将包括色相和该色相的深浅或亮度的信息称为色调。
训练用图像的各像素的色调信息例如从RGB彩色被变换为包括亮度信息和色相信息的格式。作为包括亮度信息和色相信息的格式，能够举出YUV(YCbCr、YPbPr、YIQ等)等。在此，以变换成YCbCr格式为例来说明。以RGB彩色方式拍摄到的训练用图像被分别变换为基于亮度的图像数据、基于第1色相(例如蓝色系)的图像数据及基于第2色相(例如红色系)的图像数据。能够利用公知的方法来进行从RGB向YCbCr的变换。例如，能够依照国际标准ITU-R BT.601从RGB变换成YCbCr。基于亮度的图像数据、基于第1色相的图像数据及基于第2色相的图像数据能够分别如图38所示表示为灰度值的矩阵数据(以下也称为色调矩阵数据72y、72cb、72cr)。基于亮度的图像数据、基于第1色相的图像数据、基于第2色相的图像数据例如分别以从0至255灰度级的256灰度级来表示。在此，也可以用红R、绿G、蓝B这3原色、或者青色C、品红色M、黄色Y的色彩的3原色代替亮度、第1色相及第2色相，来变换训练用图像。
接下来，基于色调矩阵数据72y、72cb、72cr，针对每个像素生成组合亮度72y、第1色相72cb及第2色相72cr这3个灰度值得到的色调矢量数据74。
接下来，例如假设在训练用图像中拍摄了分叶核中性粒细胞，对根据训练用图像生成的各色调矢量数据74赋予“1”作为表示是分叶核中性粒细胞的标签值77，作为训练数据75。在图38中，为方便起见，以3像素×3像素的方式表示训练数据75，但实际上存在与拍摄训练用图像时的像素的量相应的色调矢量数据。
图39中示出标签值77的例子。关于标签值，根据细胞类别及各细胞的特征的有无而赋予不同的标签值77。
<深度学习的概要>
以图38为例，说明神经网络的训练的概要。神经网络50优选为卷积神经网络。神经网络50中的输入层50a的节点数对应于输入的训练数据75的像素数量与图像中包含的亮度和色相的数量(例如在上述例子中，为亮度72y、第1色相72cb及第2色相72cr这3个)的乘积。色调矢量数据74作为其集合72而被输入到神经网络50的输入层50a。将训练数据75的各像素的标签值77作为神经网络的输出层50b来训练神经网络50。
神经网络50基于训练数据75，针对形态学细胞类别或细胞的特征来提取特征量。神经网络的输出层50b输出反映这些特征量的结果。
图38的附图标记50c表示中间层。
具有像这样训练后的神经网络60的深度学习算法60被用作用于识别分析对象细胞符合属于预定细胞群组并且符合形态学上分类的多个细胞类别中的哪一个的识别器。
<图像的分析方法>
图40中示出图像的分析方法的例子。在图像的分析方法中，根据拍摄分析对象细胞得到的分析用图像生成分析数据81。分析用图像为拍摄分析对象细胞得到的图像。
举例来说，在本实施方式中拍摄装置的拍摄优选为以RGB彩色及CMY彩色等方式来进行。关于彩色图像，优选为用24位的值(8位×3色)表示红、绿及蓝、或者青色、品红色、黄色等各原色的深浅或亮度。关于分析用图像，只要包括至少1个色相和该色相的深浅或亮度即可，而优选的是包括至少两个色相和各个色相的深浅或亮度。将包括色相和该色相的深浅或亮度的信息称为色调。
例如，从RGB彩色变换为包括亮度信息和色相信息的格式。作为包括亮度信息和色相信息的格式，能够举出YUV(YCbCr、YPbPr、YIQ等)等。在此，以变换成YCbCr格式为例来说明。在此，RGB彩色的训练用图像被变换为基于亮度的图像数据、基于第1色相(例如蓝色系)的图像数据及基于第2色相(例如红色系)的图像数据。能够利用公知的方法来进行从RGB向YCbCr的变换。例如，能够依照国际标准ITU-R BT.601从RGB变换成YCbCr。与亮度、第1色相及第2色相分别对应的图像数据能够分别如图40所示表示为灰度值的矩阵数据(以下也称为色调矩阵数据79y、79cb、79cr)。亮度、第1色相及第2色相72Cr分别用从0至255灰度级的256灰度级来表示。在此，也可以用红R、绿G、蓝B这3原色、或者青色C、品红色M、黄色Y的色彩的3原色代替亮度、第1色相、第2色相，来变换训练用图像。
接下来，基于色调矩阵79y、79cb、79cr，针对每个像素生成组合亮度79y、第1色相79cb及第2色相79cr这3个灰度值得到的色调矢量数据80。生成根据1张分析用图像生成的色调矢量数据80的集合作为分析数据81。
关于分析数据81的生成和训练数据75的生成，优选的是至少使拍摄条件、根据各图像生成输入到神经网络的矢量数据的条件相同。
将分析数据81输入到构成训练完毕的深度学习算法60的神经网络60的输入层60a。深度学习算法从分析数据81中提取特征量，将该结果从神经网络60的输出层60b输出。从输出层60b输出的值为分析用图像中包含的分析对象细胞属于作为训练数据被输入的形态学上的细胞的分类或特征的每一个的概率。
判断出分析用图像中包含的分析对象细胞属于该概率当中的值最高的形态学分类，输出与该形态学细胞类别或细胞的特征相关联的标签值。标签值本身、或者将标签值替换为表示形态学细胞类别或细胞的特征的有无的信息(例如术语等)而得到的数据作为与细胞的形态相关的分析结果83被输出。在图40中，根据分析数据81，通过识别器而标签值“1”作为可能性最高的标签值82被输出，与该标签值对应的“分叶核中性粒细胞”的文字数据作为与细胞的形态相关的分析结果83被输出。
图40的附图标记60c表示中间层。
[5.其它形式]
以上通过概要及特定的实施方式说明了本发明，但本发明不限于上述的概要及各实施方式。
在上述的实施方式中，训练数据生成部101、训练数据输入部102、算法更新部103、分析数据生成部201、分析数据输入部202及分析部203的各功能块在单一处理器11及单一并行处理处理器12中执行，但这些各功能块不是必须在单一处理器及并行处理处理器中执行，也可以用多个处理器及多个并行处理处理器分散地执行。
在上述的实施方式中，将用于进行31中说明的各步骤的处理的程序预先记录于存储部13。代替此方式，程序例如也可以从DVD-ROM、USB存储器等计算机可读取的非临时性有形记录介质98安装于存储部13。或者，还可以将细胞分析装置1与通信网络99连接，经由通信网络99从例如外部服务器(未图示)下载程序并安装。
图41中示出分析结果的一个实施方式。在图41中，示出了用流式细胞术测定出的生物体试样中包含的、赋予了图4所示出的标签值的细胞类别和各个细胞数量的类别的细胞数量。可以代替细胞数量的显示、或者与细胞数量的显示一同输出各细胞类别在计数得到的细胞数量整体的占比(例如％)。能够通过以与输出的各细胞类别对应的标签值的数量(相同标签值的数量)为系数来求出细胞数量的计数。另外，在输出结果中可以输出表示生物体试样中包含异常细胞的警告。在图41中示出了对异常细胞的项附加感叹号作为警告的例子，但不限于此。进而，还可以将各细胞瘤的分布输出为散点图。当作为散点图来输出时，例如能够以侧向荧光强度为纵轴、以侧向散射光强度为横轴来标绘例如获取到信号强度时的最高值。

Claims (25)

1.一种细胞分析方法，包括：
在利用人工智能算法对细胞进行分析的细胞分析装置中，
获取由细胞测定装置测定出的与细胞相关的数据，
对所述数据进行分析，针对各个所述细胞生成与细胞类别相关的信息，
将所述信息发送到所述细胞测定装置。
2.根据权利要求1所述的细胞分析方法，其中，
所述细胞测定装置利用流式细胞仪对细胞进行测定。
3.根据权利要求1或2所述的细胞分析方法，其中，
所述数据为与通过对细胞照射光而检测的光学信号相关的数据。
4.根据权利要求1至3中任一项所述的细胞分析方法，其中，
所述数据为将利用流式细胞仪测定细胞而得到的信号的波形进行数字变换而成的波形数据。
5.根据权利要求1至3中任一项所述的细胞分析方法，其中，
所述数据为细胞的图像数据。
6.根据权利要求1至5中任一项所述的细胞分析方法，其中，
所述细胞分析装置经由网络与所述细胞测定装置连接，
经由所述网络接收所述数据，
经由所述网络发送所述信息。
7.根据权利要求1至5中任一项所述的细胞分析方法，其中，
所述细胞分析装置经由网络与多个所述细胞测定装置连接，
经由所述网络从多个所述细胞测定装置接收所述数据，
经由所述网络对多个所述细胞测定装置当中的一个细胞测定装置发送所述信息。
8.根据权利要求1至7中任一项所述的细胞分析方法，其中，
从与所述细胞分析装置配置于同一设施的所述细胞测定装置获取所述数据。
9.根据权利要求1至8中任一项所述的细胞分析方法，其中，
从与所述细胞分析装置配置于同一网络域的所述细胞测定装置获取所述数据。
10.根据权利要求1至9中任一项所述的细胞分析方法，其中，
从与所述细胞分析装置配置于不同网络域的所述细胞测定装置获取所述数据。
11.根据权利要求1至9中任一项所述的细胞分析方法，其中，
从与所述细胞分析装置配置于不同网络域的所述细胞测定装置以与所述细胞测定装置的装置ID对应起来的方式获取所述数据。
12.根据权利要求1至11中任一项所述的细胞分析方法，其中，
所述细胞分析装置具备主机处理器和并行处理处理器，使所述并行处理处理器并行地执行用于对所述数据进行分析的多个运算处理。
13.根据权利要求12中任一项所述的细胞分析方法，其中，
所述并行处理处理器具有多个能够执行与所述数据的分析相关的运算处理的运算单元，
作为并行处理，所述并行处理处理器并行地执行由各个所述运算单元进行的所述运算处理。
14.根据权利要求1至13中任一项所述的细胞分析方法，其中，
所述人工智能算法为深度学习算法。
15.根据权利要求1至14中任一项所述的细胞分析方法，其中，
所述信息包括用于识别所述细胞类别的标识符。
16.根据权利要求1至15中任一项所述的细胞分析方法，其中，
所述信息包括所述细胞属于多个所述细胞类别的各个细胞类别的概率。
17.根据权利要求1至16中任一项所述的细胞分析方法，其中，
对从所述细胞测定装置获取的数据附有识别信息，
所述识别信息包括与所述数据对应的被检物的识别信息、与所述数据对应的患者的识别信息以及与所述数据对应的细胞测定装置的识别信息中的至少任意识别信息。
18.根据权利要求1至17中任一项所述的细胞分析方法，其中，
所述人工智能算法为深度学习算法，
所述细胞分析装置具备主机处理器和并行处理处理器，所述主机处理器使所述并行处理处理器并行地执行所述深度学习算法中的卷积层中的多个运算处理。
19.根据权利要求18所述的细胞分析方法，其中，
所述并行处理处理器具有至少10个能够执行与所述数据的分析相关的运算处理的运算单元，
作为并行处理，所述并行处理处理器并行地执行由各个所述运算单元进行的所述运算处理。
20.根据权利要求19所述的细胞分析方法，其中，
所述并行处理处理器具有至少100个能够执行与所述数据的分析相关的运算处理的运算单元，
作为并行处理，所述并行处理处理器并行地执行由各个所述运算单元进行的所述运算处理。
21.根据权利要求20所述的细胞分析方法，其中，
所述并行处理处理器具有至少1000个能够执行与所述数据的分析相关的运算处理的运算单元，
作为并行处理，所述并行处理处理器并行地执行由各个所述运算单元进行的所述运算处理。
22.根据权利要求21所述的细胞分析方法，其中，
所述并行处理处理器将从具有至少1千兆字节的容量的存储器读出的所述数据作为输入，执行并行处理。
23.一种细胞分析装置，利用人工智能算法对细胞进行分析，其中，
所述细胞分析装置具备处理部，
所述处理部获取由细胞测定装置测定出的与细胞相关的数据，
对所述数据进行分析，针对各个所述细胞生成与细胞类别相关的信息，
将所述信息发送到所述细胞测定装置。
24.一种细胞分析方法，包括：
通过细胞测定装置测定细胞来获取细胞的数据，
将所述数据发送到利用人工智能算法对细胞进行分析的细胞分析装置，
获取所述细胞分析装置依照所述人工智能算法对所述数据进行分析而得到的、与所述细胞的细胞类别相关的信息。
25.一种细胞分析方法，利用细胞分析装置对被检物中包含的细胞进行分析，该细胞分析方法包括：
从多个细胞测定装置以与识别信息对应起来的方式获取与细胞相关的数据，
通过由并行处理处理器进行的并行处理对所述数据进行分析，
基于所述并行处理的结果，针对多个细胞的各个细胞以与所述识别信息对应起来的方式生成与细胞类别相关的信息。
CN202180049739.XA 2020-09-18 2021-08-30 细胞分析方法以及细胞分析装置 Pending CN115803622A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020157931A JP2022051448A (ja) 2020-09-18 2020-09-18 細胞分析方法及び細胞分析装置
JP2020-157931 2020-09-18
PCT/JP2021/031655 WO2022059468A1 (ja) 2020-09-18 2021-08-30 細胞分析方法及び細胞分析装置

Publications (1)

Publication Number Publication Date
CN115803622A true CN115803622A (zh) 2023-03-14

Family

ID=80776158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180049739.XA Pending CN115803622A (zh) 2020-09-18 2021-08-30 细胞分析方法以及细胞分析装置

Country Status (5)

Country Link
US (1) US20230221238A1 (zh)
EP (1) EP4215902A1 (zh)
JP (1) JP2022051448A (zh)
CN (1) CN115803622A (zh)
WO (1) WO2022059468A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023199919A1 (ja) * 2022-04-15 2023-10-19 シンクサイト株式会社 フローサイトメータ、判別方法、及びプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9301122D0 (en) * 1993-01-21 1993-03-10 Scient Generics Ltd Method of analysis/separation
DE69521006T2 (de) 1994-10-20 2001-09-20 Sysmex Corp Reagenz und Verfahren zur Analyse fester Bestandteile im Harn
JP3837006B2 (ja) 2000-03-22 2006-10-25 シスメックス株式会社 細菌の染色方法及び検出方法
US7309581B2 (en) 2000-11-01 2007-12-18 Sysmex Corporation Method of staining, detection and counting bacteria, and a diluent for bacterial stain
CN101981446B (zh) * 2008-02-08 2016-03-09 医疗探索公司 用于使用支持向量机分析流式细胞术数据的方法和系统
US9464978B2 (en) 2009-03-04 2016-10-11 Beckman Coulter, Inc. Cross-instrument method and system for cell population discrimination
US20170052106A1 (en) * 2014-04-28 2017-02-23 The Broad Institute, Inc. Method for label-free image cytometry
CA2969912A1 (en) * 2014-12-10 2016-06-16 Neogenomics Laboratories, Inc. Automated flow cytometry analysis method and system
US10360499B2 (en) * 2017-02-28 2019-07-23 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
WO2018203568A1 (ja) * 2017-05-02 2018-11-08 シンクサイト株式会社 細胞評価システム及び方法、細胞評価プログラム
US20200105376A1 (en) * 2018-10-01 2020-04-02 FlowJo, LLC Deep learning particle classification platform

Also Published As

Publication number Publication date
WO2022059468A1 (ja) 2022-03-24
US20230221238A1 (en) 2023-07-13
JP2022051448A (ja) 2022-03-31
EP4215902A1 (en) 2023-07-26

Similar Documents

Publication Publication Date Title
US10365203B2 (en) Method and apparatus for automated whole blood sample analyses from microscopy images
JP5188001B2 (ja) 精液分析
JP7352365B2 (ja) 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
US20090225319A1 (en) Methods of using optofluidic microscope devices
CN101151517A (zh) 鉴别癌症/异型细胞和粒子团的方法及细胞分析仪
EP3382393A1 (en) Device and method to select an antibody cocktail reagent
WO2024001155A1 (zh) 基于显微放大数字图像的血液细胞分析方法及系统
CN114729953A (zh) 样本分析系统及方法、细胞图像分析仪及存储介质
US20230221238A1 (en) Cell analysis method and cell analyzer
US8349256B2 (en) Blood cell analyzer, blood cell analyzing method, and computer program product
CN112161913A (zh) 一种用于流式荧光分析系统的分析方法及设备
Shukuya et al. Comparison of the clinical performance of the Atyp. C parameter of the UF-5000 fully automated urine particle analyzer with that of microscopic urine sediment analysis
WO2022059467A1 (ja) 細胞分析方法及び細胞分析装置
CN114152557B (zh) 基于图像分析的血细胞计数方法和系统
JPH10104229A (ja) 有形成分分析装置
EP4246123A1 (en) Specimen analyzer, specimen analysis method, and program
CN116773440A (zh) 被检物分析装置、被检物分析方法以及程序
JP2023137000A (ja) 検体分析装置、検体分析方法およびプログラム
JP5201472B2 (ja) 血球分析装置、血球分析方法及びコンピュータプログラム
US20230296492A1 (en) Information processing apparatus, flow cytometer system, sorting system, and information processing method
Tárnok et al. Immunophenotyping using a laser scanning cytometer
KR20230167569A (ko) 혈액 샘플의 이미지 분석 정보 제공 방법
CA2741544C (en) Semen analysis
JP2021516335A (ja) 生体細胞を含む生体試料の分析方法及びその分析方法を実施する分析装置
JP2005274238A (ja) 検査装置、検査方法、プログラム及び記憶媒体

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