JP2011515655A - サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム - Google Patents
サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム Download PDFInfo
- Publication number
- JP2011515655A JP2011515655A JP2010546084A JP2010546084A JP2011515655A JP 2011515655 A JP2011515655 A JP 2011515655A JP 2010546084 A JP2010546084 A JP 2010546084A JP 2010546084 A JP2010546084 A JP 2010546084A JP 2011515655 A JP2011515655 A JP 2011515655A
- Authority
- JP
- Japan
- Prior art keywords
- data
- flow cytometry
- classification
- support vector
- data set
- 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.)
- Granted
Links
- 238000000684 flow cytometry Methods 0.000 title claims abstract description 61
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 201000003793 Myelodysplastic syndrome Diseases 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 13
- 230000002559 cytogenic effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 210000001185 bone marrow Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 11
- 208000011580 syndromic disease Diseases 0.000 claims 4
- 239000006185 dispersion Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 239000007850 fluorescent dye Substances 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 239000000538 analytical sample Substances 0.000 description 4
- 206010008805 Chromosomal abnormalities Diseases 0.000 description 3
- 208000031404 Chromosome Aberrations Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000013610 patient sample Substances 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241000254032 Acrididae Species 0.000 description 2
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 description 2
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 108010004469 allophycocyanin Proteins 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 239000002771 cell marker Substances 0.000 description 2
- 238000013394 immunophenotyping Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 108010004729 Phycoerythrin Proteins 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 239000006285 cell suspension Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004163 cytometry Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- MHMNJMPURVTYEJ-UHFFFAOYSA-N fluorescein-5-isothiocyanate Chemical compound O1C(=O)C2=CC(N=C=S)=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 MHMNJMPURVTYEJ-UHFFFAOYSA-N 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 229920000669 heparin Polymers 0.000 description 1
- ZFGMDIBRIDKWMY-PASTXAENSA-N heparin Chemical compound CC(O)=N[C@@H]1[C@@H](O)[C@H](O)[C@@H](COS(O)(=O)=O)O[C@@H]1O[C@@H]1[C@@H](C(O)=O)O[C@@H](O[C@H]2[C@@H]([C@@H](OS(O)(=O)=O)[C@@H](O[C@@H]3[C@@H](OC(O)[C@H](OS(O)(=O)=O)[C@H]3O)C(O)=O)O[C@@H]2O)CS(O)(=O)=O)[C@H](O)[C@H]1O ZFGMDIBRIDKWMY-PASTXAENSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 238000007901 in situ hybridization Methods 0.000 description 1
- 150000002540 isothiocyanates Chemical class 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005945 translocation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
フローサイトメトリーデータの入力を受け取り、１又はそれ以上のサポートベクタマシンを用いてこのデータを分析し、フローサイトメトリーデータが２又はそれ以上のカテゴリに分類される出力を出すための自動化方法及びシステムが提供される。１又はそれ以上のサポートベクタマシンは、入力データの中の分散データを取得するカーネルを使用する。このような分散カーネルは、２つの分散間の距離関数（発散）を使用することによって構築される。好適な実施例では、バッタチャリヤ・アフィニティ（Bhattacharya affinity）に基づくカーネルを使用する。分散カーネルを、骨髄異形成症候群を患う疑いのある患者から得られるフローサイトメトリーデータの分類に適用する。
【選択図】図３
【選択図】図３
Description
本出願は、２００８年２月８日に出願された米国仮出願６１／０２７，４１６の優先権を主張するものであり、この出願の開示はここにすべて引用されている。
本発明は、サポートベクタマシンを用いた、分散データ、特にフローサイトメトリーデータの自動分析のための方法に関する。
フローサイトメトリーは、流動液体流に懸濁する微小粒子の特性の測定である。レーザ光の収束ビームが、運動する各粒子を照射し、光があらゆる方向に散乱する。交差ポイントの前方に又はレーザビームに直交するよう配置される検出器が、散乱光のパルスを受信し、分析のためのコンピュータ分析器の中に入力される信号を発生する。検出される前方散乱光の総量は、粒径及び屈折率に依存するが、レーザの側から見る粒子の断面積に密接に関連し、側方散乱光の量は形状又は粒度を示し得る。
フローサイトメトリーの最も広範に使用される適用例の１つは、医療診断のための細胞レベルの分析であり、関心のある粒子は食塩水を含む溶液に懸濁する細胞である。また、関心のある細胞マーカを蛍光染料によってラベル付けし得るならば、表面分子又は細胞間構成といった細胞のさらなる特性を正確に定量化し得る；例えば、抗体蛍光染料複合体を用いて特定の表面又は受容体に付着し得る。表面マーカに対する蛍光標識モノクローナル抗体の使用を通して様々な進行段階で細胞を特徴付けることによる免疫表現型検査は、フローサイトメトリーの最も一般的な適用例の１つである。特定の構造体（例えば、ＤＮＡ、ミトコンドリア）に結合する、又は局所化学（例えば、Ｃａ＋＋の濃度、ｐＨ、等）に敏感な他の染料が開発されている。
フローサイトメトリーが医療診断に広く使用される一方、水又は他の液体の分析といった医療以外での適用にも有用である。例えば、海水を分析して微生物又は他の生物の存在又はそのタイプを特定することができ、細菌を検査するために牛乳を分析することができ、粒子状の不純物又は添加剤について燃料を検査し得る。
使用されるレーザビームは、選択される蛍光色素又は蛍光色素を励起するのに適切な色である。発光する蛍光の光量は、問題となっている細胞マーカの発現に関連する。各フローサイトメトリーは、通常、その構成に応じて多くの様々な蛍光色素を同時に検出し得る。ある機器では、様々な波長で発射される複数のレーザを使用することによって、複数の蛍光色素を同時に分析し得る。例えば、Becton Dickinson (Franklin Lakes, NJ)から市販されているFACSCaliburTM フローサイトメトリーシステムは、４色オペレーションのために構成される多色フローサイトメータである。各細胞からの蛍光放射が集束され、蛍光強度値をＦｌｏｗ Ｃｙｔｏｍｅｔｒｙ Ｓｔａｎｄａｒｄ（ＦＣＳ）データファイルの各信号に割り当てるコンピュータで分析される。データ分析は、さらなる分析又は分類のために、データをフィルタリング又は「ゲーティング」するのに使用され事象の部分母集団の一部を規定する超空間の多角形領域の交差又は結合を特定することを含む。
International Society for Analytical Cytology (ISAC)は、ＦＣＳデータの共通表現のためにＦＣＳデータファイル基準を採用している。この基準は、全ての主要な分析機器によってサポートされており、サイトメータを通過するサンプルからの測定値を記録し、研究者及び臨床医は、多くのデータ適合性の問題に直面せずに、多くの市販の機器及びソフトウェアの中から選択し得る。しかしながら、このような基準は、コンピュータによる予処理及びデータ分析のためのプロトコルを記述するまでに至っていない。
する。
する。
フローサイトメトリー分析に存在する大量のデータのため、多くの場合、手作業によりデータを完全に使用することは困難である。また、高次元のデータが、従来の統計的方法及び人工の神経ネットワークといった学習方法を使用することを不可能にしている。サポートベクタマシンは、高次元のデータを処理し得る方法を学習するカーネルベースのマシンである。それは、適切に設計されたカーネルを具えた流量データを取り扱う際に効果的なツールである。
カーネルは、サポートベクタマシン（ＳＶＭ）といった現状のマシン学習方法で重要な役割を果たす。分類のためのサポートベクタマシンは、多くの場合、高次元（無限次元でもよい）の内積空間である特徴空間での最適な超平面で定義される。最適な超平面の構造は、特徴空間におけるマッピングされた入力ベクトルの内積を要する。入力空間で定義されるカーネル関数は、特徴空間に入力を実際にマッピングせずに、内積を計算するための効果的な方法を与える。カーネルは、２つのベクトル間の類似性測度を定義する。ＳＶＭ法の利点は、明確な特徴抽出を用いずに、単にカーネルの通常の類似性測度に基づいて隠れたパターンを採取するその能力である。
画像認識及びフローサイトメトリデータ分析といった多くの適用例において、入力データは、通常高次元であり大量である。このようなデータの重要な特徴は、通常、個々のポイントが孤立した値ではなくて、特定の空間においてポイントが分散している。標準的カーネルは、多くの場合、大きな入力ボリュームがカーネルを基底構造及び特定の問題の分布特徴に対して敏感にさせないように、全てのベクトル成分を等しく処理するため、このようなタイプのデータに役に立たない。結果として、それらは、分散データにあまり適さない。例えば、フローサイトメトリデータのＳＶＭ分析が、ガウスカーネル及びＢ−スプラインカーネルが例として挙げられる放射基底関数（ＲＢＦ）カーネルを用いて報告されている。(Rajwa, B.らの「Automated Classification of Bacterial Particles in Flow by Multiangle Scatter Measurement and Support Vector Machine Classifier」 Cytometry Part A, 73A:369-379 (2008)を参照。)説明されている方法は、報告された分類の高度な正確さを得るために「強化された散乱検出システム」の使用を要した。さらに、著者は、ＳＶＭの結果は、問題の次元が２よりも高いか否かを容易に判断し得ないと結論付けた。このような制限は、このような方法の実際の適用を最小限にする。Toedlingらは、「Automated in-silico detection of cell populations in flow cytometry readouts and its application to leukemia disease monitoring」, BMC Bioinformatics, 7:282, June 2006,で、単細胞を予め規定されたグループに割り当てることによって白血病を検出するために、放射基底関数カーネルを用いたフローサイトメトリデータのＳＶＭ分析を説明している。実際には、ＳＶＭ分析は、手動のゲーティングの代わりをするが、データの分散特徴を考慮に入れない。
したがって、フローサイトメトリデータ及び基底構造及び分散の中に重要な情報を含む他のタイプの分散データを分析するための、より高次元で使用しうる方法の必要性がある。本発明は、このような方法を対象としている。
本発明によれば、分散特性を有するデータ用に特別に形成されたＳＶＭカーネルを用いて、フローサイトメトリーデータを分析する。入力データｐセットは、空間中の多数のポイントの集まりである。例えば、画像を２次元空間のポイントのセットと見なすことができる。適切な規格化の後に、ｐを確立分布と見なすことができる。２つのこのような入力データｐ及びｑのカーネルを定義して分散傾向を得るために、ｐ及びｑに関する関数を定義して、分散中の単なる個々のポイントではなく、２つの全体的な分散間の類似度を測定する。
例として、特にここで引用される米国特許第６，７６０，７１５号、第７，１１７，１８８号及び第６，９９６，５４９号に概略的に開示されたサポートベクタマシンを使用して、市販されている従来のフローサイトメトリーセットアップによって生成されるフローサイトメトリーデータを分析する。フローサイトメトリー測定を実行するための典型的なシステムは、ここで引用される米国特許第５，８７２，６２７号及び第４，２８４，４１２号に記載されている。ここで記載されている特別な実施例では、データは、特に骨髄異形成症候群（ＭＤＳ）といった血液学的状態を検査するための医療診断での適用に関する。フローサイトメトリーの免疫表現型検査は、形態学及び細胞学の組み合わせが非診断的である場合でさえも、造血細胞の量的且つ質的異常を検出するための正確且つ高感度な方法であることが実証されている。
本発明によれば、フローサイトメトリーデータの入力を受け取り、１又はそれ以上のサポートベクタマシンを用いてこのデータを分析し、フローサイトメトリーデータが２又はそれ以上のカテゴリに分類される出力を出すための自動化方法及びシステムが提供される。１又はそれ以上のサポートベクタマシンは、入力データの中の分散データを取得するカーネルを使用する。このような分散カーネルは、２つの分散間の距離関数（発散）を使用することによって構築される。２つの確率分布間の相違を測定する適切な分散関数の例は、Kullback-Leibler発散、バッタチャリヤ・アフィニティ（Bhattacharya affinity）、Jeffrey発散、Mahalanobis距離、Kolmogorov 変分距離、及び予測条件付きエントロピを含んでいる。好適な実施例では、バッタチャリヤ・アフィニティを使用する。分散カーネルをＳＶＭに直接又は他のマシンに適用して、分類器又は他の予測システムを形成する。
本発明によれば、フローサイトメトリデータの分析のための方法及びシステムが提供される。特に、このような独創的な方法が、分散特性のデータ分析に使用するためのカーネルの生成を含む。フローサイトメトリアプリケーションの入力データｐは、空間内の多くのポイントの集りである。例えば、画像を２次元空間におけるポイントのセットと見なすことができる。適切な規格化の後に、ｐを確率分布と見なすことができる。このようなｐ及びｑのカーネルを定義して分散傾向を取得するために、分散の個々のポイントではなく２つの全体的な分散間の類似度を測定するｐ及びｑに関する関数を定義する必要がある。
このような「分散カーネル」を構築するための１つの方法は、２つの分散間の距離関数（発散）を使用することである。ρ（ｐ，ｑ）を距離関数とすると、カーネルは以下のとおりである。
ｋ（ｐ，ｑ）＝ｅ−ρ（ｐ，ｑ）
２つの確率分布間の相違を測定する多くの距離関数が存在する。Kullback-Leibler発散、Bhattacharya affinity、Jeffrey発散、Mahalanobis距離、Kolmogorov 変分距離、及び予測条件付きエントロピは、全てこれらの距離関数の例である。距離関数を与えることによって、上記の式を用いてカーネルを構築し得る。例えば、Bhattacharya affinityに基づいて、特別なカーネルを構築し得る。平均値Ｍ及び共分散行列Σを具えた正規分布では、
Bhattacharya affinityは、式：
を有する。
このような距離関数から、新たなカーネルが上記の式を用いて定義される。
このような分散カーネルは、線形複雑度を具えて計算上効果的であり、大量の入力データを扱い得る。典型的な密度推定法が、ある適用例では高過ぎる計算の複雑性Ｏ（ｎ２）を有する。独創的な分散カーネルをＳＶＭ又は他のマシン学習システムに直接的に適用して、分類器又は他の予測システムを形成し得る。分散カーネルは、ＳＶＭ及び他のカーネルマシンで頻繁に使用される標準カーネルに対していくつかの際だった利点を与える。それらは、ある適用例では重要な大きなデータ成分の全ての分散間の類似度を取得する。
ｋ（ｐ，ｑ）＝ｅ−ρ（ｐ，ｑ）
２つの確率分布間の相違を測定する多くの距離関数が存在する。Kullback-Leibler発散、Bhattacharya affinity、Jeffrey発散、Mahalanobis距離、Kolmogorov 変分距離、及び予測条件付きエントロピは、全てこれらの距離関数の例である。距離関数を与えることによって、上記の式を用いてカーネルを構築し得る。例えば、Bhattacharya affinityに基づいて、特別なカーネルを構築し得る。平均値Ｍ及び共分散行列Σを具えた正規分布では、
Bhattacharya affinityは、式：
このような距離関数から、新たなカーネルが上記の式を用いて定義される。
図３は、フローサイトメトリーデータの分析に使用される典型的な処理の流れを示す。当業者にとって容易に明らかなように、フローサイトメトリーデータは分散データの一例として与えられ、以下に説明する方法を用いて、他のタイプの分散データを処理及び分類し得る。
フローサイトメータ１０６によって生成される実データは、１又はそれ以上のサポートベクターマシンを実行するようプログラムされた少なくともメモリ及びプロセッサを含むコンピュータ処理システムに入力される（ステップ３０２）。一般的なパーソナルコンピュータ（ＰＣ）又はＡＰＰＬＥ（登録商標）ＭＡＣＩＮＴＯＳＨ（登録商標）タイプのプロセッサが、このような処理に適している。セットされる入力データは２つの部分に分割され、一方はサポートベクターマシンを訓練する際に使用され、他方は訓練の有効性をテストする際に使用される。ステップ３０４で、特徴選択アルゴリズムが、プロセッサの中で１又はそれ以上の特徴選択プログラムを実行することによって、訓練データセットで動作する。ステップ３０６で、特徴を減らした訓練データセットが、バッタチャリヤ・アフィニティー（Bhattacharya affinity）ベースのカーネルといった分散カーネルを具えたサポートベクタマシンを用いて処理される。独立したテストデータセットの中からステップ３０４で選択された特徴に対応するデータを抽出し、分散カーネルを具えた訓練されたＳＶＭを用いてテストデータを処理することによって、ステップ３０８で訓練ステップの有効性が見積もられる。テストの結果が最適な結果よりも低いことを示す場合、最適解が得られるまでＳＶＭを再び訓練して再テストを行う。訓練が満足がいくものと判断される場合、患者試料から取り込まれるフローサイトメトリー測定値に対応する実データが、ステップ３１０でプロセッサに入力される。ステップ３０４で選択された特徴は患者試料から選択され、ステップ３１２で、分散カーネルを具えた訓練且つテストされたＳＶＭを通して処理され、結果は正常又は異常として患者試料を分類する。ステップ３１４で、結果を要約する報告が作成され、それがコンピュータのモニタ１２２、プリントされる結果１２４に表示され、及び／又はｅメール又は他のネットワークファイル伝達システムを介して、研究又は医療機関、病院又は診療所に送信される。また、データグループの１次元及び２次元表示を具えたヒストグラムが、表示及び／又は印刷される。また、実データ、ヒストグラム及び他の患者データとともに、コンピュータのメモリ又は患者のデータベースに結果が記憶される。
最適な付加的診断方法をフローサイトメトリーデータ及び結果と組み合わせて、自動分析システムの信頼性を高めることができる。ここに引用されているＺｈａｎｇらの米国特許第７，３８３，２３７号に開示されたのと同様な方法を使用して、フローサイトメトリーテストの結果を、他のタイプのテストと組み合わせることができる。図３は、染色体分析又は蛍光インシトゥハイブリデーション法（ＦＩＳＨ）といった従来の処理で生成される染色体の画像から、関心のある特徴を抽出することによって、ＳＶＭを用いたコンピューター支援による細胞遺伝学データの画像解析を実行し、欠失、転座、逆位及び他の異常を特定するためのフローチャートを示す。ステップ３２０で、訓練用画像データが、コンピュータのプロセッサに入力され処理されて、関心のある特徴を特定且つ抽出する。一般に、訓練用画像データは、予処理されて関心のある特徴を特定し（ステップ３２２）、その後画像処理ＳＶＭを訓練するよう使用される。そして、テスト用画像データを使用して最適解が得られたかを検証する（ステップ３２４）。得られない場合、ステップ３２４を繰り返し、ＳＶＭを再訓練して再テストする。最適解が得られた場合、患者の実画像データが入力され（ステップ３２６）、予処理（ステップ３２８）及び分類（ステップ３３０）される。
好適な方法では、特許第７，３８３，２３７号に記載されているように、画像の中の関心のある各特徴が、そのような特徴を最適化するＳＶＭによって別々に予処理（ステップ３２２）及び処理される。関心のある全ての特徴の分析結果が、セカンドレベルの画像処理ＳＶＭで組み合わさり、画像全体を分類する出力を生成する。訓練されたＳＶＭは、予処理された画像テストデータを用いてテストされる（ステップ３２４）。解が最適である場合、患者（フローサイトメトリー分析を実行する同じ患者）の実データに対応する画像がプロセッサに入力される（ステップ３２６）。患者の画像データが予処理されて関心のある特徴を特定し（ステップ３２８）、関心のある各特徴が、特定の特徴のために最適化される訓練された第１のレベルＳＶＭを通して処理される。関心のある特徴の分析の総合結果が組み合わされ、訓練されたセカンドレベルの画像処理ＳＶＭに入力され、画像全体を分類する出力を生成する（ステップ３３０）。
ステップ３３０の結果を、患者のデータベースの患者ファイルに保存のために送ることができ（ステップ３１６）、ステップ３１２から得られるフローサイトメトリーデータと総合分析のためにセカンドレベルのＳＶＭに入力される。セカンドレベルＳＶＭは、ステップ３０８、３２４及び３４０間の点線で示すように訓練及びテストデータを用いてすでに訓練且つテストされている。ステップ３１６及びステップ３３０の結果が、ステップ３４２で、総合分析のために訓練されたセカンドレベルＳＶＭの処理のために組み合わさる。このような総合処理の結果は、一般的に、例えば正常又は異常、罹患又は非罹患といったバイナリ出力である。ステップ３１４で表示のために総合結果を出力し、及び／又は保存のためにメモリ又は患者のデータベースに入力する（ステップ３１６）。さらなる任意の第２のフロー経路が、専門家による分析、患者の履歴等といった、他のタイプのデータ及び分析を組み込むために提供され、スクリーニング、モニタリング及び／又は治療に使用する最終的診断又は予後スコア又は他の出力を生成するよう組み合わさる。
実施例１：骨髄異形成症候群（ＭＤＳ）の検出
本研究の目的は、細胞遺伝学の染色体異常に関連する骨髄異形成症候群（ＭＤＳ）とフローサイトメトリーデータのパターンとの潜在的な関係性を調査することである。この免疫表現型分析は、フローサイトメトリーの最も一般的な適用例のうちの１つであり、試料採取及び調整の手順が当業者によく知られている。図１に示す流れにしたがって、ＭＤＳを患う疑いのある患者からの骨髄穿刺液１０２が、生理食塩水、又はヘパリンナトリウム溶液に採取され、サイトメータシステム１０６のフローセルの中に懸濁液を導入するよう構成された多数の試験管１０４又は他の容器に細胞懸濁液を作製する。様々な蛍光色素に抱合されるモノクローナル抗体を含む試薬が試験管の中に導入され、それぞれの試験管は、様々な抗体の組み合わせであって、いくつかの可能性のある蛍光色素のうちの１つに抱合される様々な抗体の組み合わせを受け入れる。フローサイトメータは、Becton Dickinson (Franklin Lakes, NJ)のFACSCaliburTM 又はOrtho Diagnostics (Raritan, NJ)のthe Cytoron/ AbsoluteTM を含む多くの製造者から市販されている。例えば、４色測定のために、FACSCaliburTMシステムを使用した。当業者に明らかなように、このようなシステムは、示されるものがフローサイトメータの分析フィールドの中の試料の存在のみを示す図表を意図するように、カルーセルの中に装填される複数の試料の自動操作を提供する。フローサイトメータシステム１０６の前方散乱検出器１０８及び側方散乱検出器１１０が、分析の流れを通して細胞が検出される際に、検出された事象に対応する電気信号を発生させる。側方散乱検出器１１０の中に含まれる蛍光検出器が、様々な蛍光マーカーに抱合される抗体によって示されるように、抗原の発現によって発生する蛍光信号の振幅を測定する。多くの値が、様々な検出器のそれぞれによって測定されるパルスの高さ（振幅）に基づいて生成される。得られる信号が、コンピュータワークステーションの１２０の中のプロセッサの中に入力され、グラフ表示モニタ１２２での表示のために、検出事象に対応するヒストグラム（１つ又は２つのパラメータ）を作成するよう使用される。比較参照試料との比較に基づいた正常又は異常に関する入力データの分類を含む、本発明に係るこのようなデータの分析により、プリントされ又はモニタ１２２上に表示され得るレポート１２４を得る。また、実データ、ヒストグラム及びレポートが、患者の他の記録と関連させるために、コンピュータワークステーション１２０の内部メモリ及び医療機関又は他の医療施設のデータウェアハウスの一部であるデータベースサーバ１３０を含む別個の記憶装置の一方又は双方に保存される。
本研究の目的は、細胞遺伝学の染色体異常に関連する骨髄異形成症候群（ＭＤＳ）とフローサイトメトリーデータのパターンとの潜在的な関係性を調査することである。この免疫表現型分析は、フローサイトメトリーの最も一般的な適用例のうちの１つであり、試料採取及び調整の手順が当業者によく知られている。図１に示す流れにしたがって、ＭＤＳを患う疑いのある患者からの骨髄穿刺液１０２が、生理食塩水、又はヘパリンナトリウム溶液に採取され、サイトメータシステム１０６のフローセルの中に懸濁液を導入するよう構成された多数の試験管１０４又は他の容器に細胞懸濁液を作製する。様々な蛍光色素に抱合されるモノクローナル抗体を含む試薬が試験管の中に導入され、それぞれの試験管は、様々な抗体の組み合わせであって、いくつかの可能性のある蛍光色素のうちの１つに抱合される様々な抗体の組み合わせを受け入れる。フローサイトメータは、Becton Dickinson (Franklin Lakes, NJ)のFACSCaliburTM 又はOrtho Diagnostics (Raritan, NJ)のthe Cytoron/ AbsoluteTM を含む多くの製造者から市販されている。例えば、４色測定のために、FACSCaliburTMシステムを使用した。当業者に明らかなように、このようなシステムは、示されるものがフローサイトメータの分析フィールドの中の試料の存在のみを示す図表を意図するように、カルーセルの中に装填される複数の試料の自動操作を提供する。フローサイトメータシステム１０６の前方散乱検出器１０８及び側方散乱検出器１１０が、分析の流れを通して細胞が検出される際に、検出された事象に対応する電気信号を発生させる。側方散乱検出器１１０の中に含まれる蛍光検出器が、様々な蛍光マーカーに抱合される抗体によって示されるように、抗原の発現によって発生する蛍光信号の振幅を測定する。多くの値が、様々な検出器のそれぞれによって測定されるパルスの高さ（振幅）に基づいて生成される。得られる信号が、コンピュータワークステーションの１２０の中のプロセッサの中に入力され、グラフ表示モニタ１２２での表示のために、検出事象に対応するヒストグラム（１つ又は２つのパラメータ）を作成するよう使用される。比較参照試料との比較に基づいた正常又は異常に関する入力データの分類を含む、本発明に係るこのようなデータの分析により、プリントされ又はモニタ１２２上に表示され得るレポート１２４を得る。また、実データ、ヒストグラム及びレポートが、患者の他の記録と関連させるために、コンピュータワークステーション１２０の内部メモリ及び医療機関又は他の医療施設のデータウェアハウスの一部であるデータベースサーバ１３０を含む別個の記憶装置の一方又は双方に保存される。
入力データセットは、フローサイトメトリー及び細胞遺伝学データの双方を有する７７のケース（患者）を含んでいる。全ての患者は、ＭＤＳを患っている疑いがある。数値又は構造の変化に関する染色体全体の顕微鏡検査を含む細胞遺伝学的試験が示すように、７７のケースのうち、３７が染色体異常を有した。残りの４０は、細胞遺伝学的には陰性であることが分かった。
懸濁液の中の吸引された骨髄試料は、各患者について１３の試験管に分けられた。標準的な４色の免疫蛍光法の手順では、前方光散乱（ＦＳＣ）及び直交光散乱（ＳＳＣ）が４色抗体の組み合わせとともに集められて７つの異なる分析を行ったが、そのうちの１つはブランクであった。各ケースは、一般に、全ての分析試料を検査する場合、２０，０００乃至５０，０００の事象を有する。各ケースについて得られるフローサイトメトリーデータセットは、約１０６の測定値を有した。図２は、マークされた様々な細胞集団の側方散乱対ＣＤ４５表現を示す典型的なヒストグラムを示す。
１３の試験管のそれぞれについて、ＦＳＣ及びＳＳＣを測定し、図２の左下欄に示すように、ゲーティング（ｇａｔｉｎｇ）が細胞残屑を排除し得た。さらに、蛍光マーカーを具えた抗原特異性の様々な組み合わせを各試験管について用いた。表１は、以下のマーカ：ＦＩＴＣ（fluoroscein イソチオシアネート）、ＰＥ（フィコエリトリン）、ＰｅｒＣＰ（peridinin-クロロフィル）、及びＡＰＣ（アロフィコシアニン）を具えたモノクローナル抗体の様々な組み合わせをまとめるものである。特定の蛍光マーカに抱合されるモノクローナル抗体は、Becton-Dickinson Immunocytometry Systems (San Jose, CA)、DakoCytomation (Carpinteria, CA)、Caltag (Burlingame, CA)及びInvitrogen Corporation (Camarillo, CA)を含む多くの様々な供給元から市販されている。成熟リンパ球の計数に使用されるＣＤ４５抗体は、リンパ球ゲーティングの検証のための各組み合わせに含まれる。
ＳＶＭの訓練及び訓練の評価双方のためのデータを与えるために、７７ケースのデータセット全体を訓練セット及び独立したテストセットに分割した。４０のケース（細胞遺伝学的試験によって判定されるように２０が陽性で２０が陰性）を使用して、ＳＶＭを訓練した。残りの３７のケース（１７が陽性で２０が陰性）を使用して、独立したテストセットを形成した。
フローサイトメトリーデータの分析にバッタチャリヤアフィニティに基づく上述の特別のカーネルを使用して、２つの確率分布間の相違を測定した。
分類器の全ての分析試料からのデータの介入は、最適性能を具えたシステムを生成しない。このため、分析試料の特徴選択が訓練用セットに基づいて行われる。２つの性能試験を特徴選択ステップに適用した。第１の特徴選択法であるＳＶＭに関するｌｅａｖｅ−ｏｎｅ−ｏｕｔ（ＬＯＯ）誤差率は、初期のデータセットについてのＳＶＭを訓練し、その後で、ＬＯＯエラーが減少するように傾斜ステップを実行することによってスケーリングパラメータを更新することを含む。これらにステップを、ＬＯＯエラーの最小に達するまで繰り返す。停止基準を適用し得る。第２の特徴選択法は、カーネルアライメントであった。このような方法は、ここに引用されているＣｒｉｓｔｉａｎｉｎｉの米国特許７，２９９，２１３に説明されている。カーネルアライメントは、訓練用データをのみ使用して、カーネルマシンの訓練が発生する前に実行し得る。
特徴選択プロセスの間に、かなりの数の特徴が正確なデータ分類に寄与することを判断した。特徴選択手順の結果を表２に示す。
表２の入力値「１」は、特定の分析試料（試験管／分析試料の組み合わせ）が選択されることを示し；「０」は分析試料を選択しなかったことを示す。これは、データを分類するために各ケースから考えられる特徴の数を、元の９１から２６に減らす。そして、減少した分析試料の数からのデータを使用して、分散カーネルを具えたＳＶＭを訓練した。
その後、選択した分析試料を用いて、３７の独立したケースについて、訓練したＳＶＭをテストした。バイナリ分類テストを実行する従来の統計的測定を用いて、０のカットオフでの結果をまとめた。感度、又はリコールレートが、細胞遺伝学的テストによって判定されるように、陽性の総数に対する正確に分類された陽性の割合を与える。特異度が、正確に特定される陰性の割合を測定する。検査データの分析結果は、以下のようであった：
感度：１５／１７＝８８％ 特異度：１９／２０＝９５％
感度：１５／１７＝８８％ 特異度：１９／２０＝９５％
これは、３／３７＝８％の全体の誤差率を与える。二項分布に関する予測された標準偏差、σ＝０．０４４９を用いて、テストは、誤差率が１５％よりも低い９５％の信頼度を与えた。
感度と特異度との間の兼ね合いが、図４に示す受信者動作特性（ＲＯＣ）曲線にプロットされている。曲線下面積（ＡＵＣ）は、０．９７４であった。
上述の分析結果は、細胞遺伝学的試験によって示されるフローサイトメトリのパターンと特定の染色体異常との間の顕著な関係を呈した。
フローサイトメトリーデータの複雑さのために、必要な特徴を明確に抽出し又は細胞遺伝学的結果を予測するパターンを規定することは困難である。ＳＶＭベースのシステムは、実施例の間の類似性測度のみを要するという際立った優位性を与え、分類器を構成する。
本発明の特別設計されたカーネルは、フローサイトメトリーデータの分析で効果を発揮する。このようなカーネルは、このような問題に効果的な計算の複雑性Ｏ（ｎ）を有する。ＳＶＭ分析の結果は、カーネルもまた非常に有効であることを示す。
Claims (18)
- データを記述する複数の特徴を含むフローサイトメトリデータを分析及び分類するための方法であって、前記方法が：
フローサイトメトリデータを具える入力データセットを、プロセッサ及び記憶装置を具えるコンピュータシステムの中にダウンロードするステップを具えており、
前記プロセッサが、少なくとも１のサポートベクタマシンを実行するようプログラムされ、
１又はそれ以上の特徴選択アルゴリズムを具える前記入力データセットの第１の部分を予処理して、前記複数の特徴の特徴サブセットを選択するステップと；
選択された前記特徴サブセットを用いて前記入力データセットの第１の部分を用いることによって、分散カーネルを具えるサポートベクタマシンを訓練するステップと；
前記選択された特徴サブセットを用いて、前記入力データセットの第２の部分を具える訓練された前記サポートベクタマシンをテストして、最適解が得られたか否かを判定するステップと；
最適解が得られない場合に、前記最適解が得られるまで前記訓練及びテストを繰り返すステップと；
最適解が得られた直後に、前記コンピュータシステムに実データセットを入力するステップと；
訓練されテストされた前記サポートベクタマシンを用いて前記選択された特徴サブセットを用いることによって、前記実データセットを処理して、前記フローサイトメトリデータの分類を具える結果を、２つの区別できる分類のうちの一方に作り出すステップと；
フローサイトメトリデータの分類の識別を具える出力表示を表示装置に作り出すステップと；
を実行することを特徴とする方法。 - 前記分散カーネルが、ｐ及びｑを入力データ点、Ｍを正規分布の平均値、Σを共分散行列とするとき、
の形式のバッタチャリヤ・アフィニティ（Bhattacharya affinity）を具えることを特徴とする請求項１に記載の方法。 - 前記１又はそれ以上の特徴選択アルゴリズムが、リーブワンアウト（leave-one-out）の誤差率分析を具えることを特徴とする請求項１に記載の方法。
- 前記１又はそれ以上の特徴選択アルゴリズムが、カーネルアライメントを具えることを特徴とする請求項１に記載の方法。
- 前記１又はそれ以上の特徴選択アルゴリズムが、リーブワンアウト（leave-one-out）の誤差率分析及びカーネルアライメントを具える２つの特徴選択アルゴリズムを具えることを特徴とする請求項１に記載の方法。
- 前記フローサイトメトリデータが、骨髄異形成症候群をスクリーニング検査される患者から吸引された骨髄サンプルのテスト結果を具えており、
前記フローサイトメトリデータの分類が、前記症候群の存在又は不存在のいずれかを具えることを特徴とする請求項１に記載の方法。 - さらに、前記フローサイトメトリデータが得られた１又はそれ以上のサンプルに対応するデジタル画像データセットをダウンロードするステップと；
画像訓練セット及び画像テストセットに前記デジタル画像データセットを分離するステップと；
前記画像訓練セットを予処理して、前記画像訓練セットの中の関心のある特徴を同定且つ抽出するステップと；
少なくとも１の第２のサポートベクタマシンを訓練して、前記画像訓練セットの中の関心のある特徴を分類するステップと；
前記少なくとも１の第２のサポートベクタマシンをテストして、最適解が得られたか否かを判定し、得られない場合、前記最適解が得られるまで前記訓練及びテストを繰り返すステップと；
前記フローサイトメトリーデータが得られた前記実データセットに対応する実画像データを入力するステップと；
前記実画像データを処理して、前記実画像データの中の前記関心のある特徴を分類し、画像の分類を行うステップと；
総合データの分類のために、セカンドレベルのサポートベクタマシンに前記画像の分類及び前記フローサイトメトリーデータの分類を入力するステップと；
前記画像の分類及びフローサイトメトリーデータの分類の総合結果を具える出力分類を作り出すステップと；
を具えることを特徴とする請求項１に記載の方法。 - デジタル画像の前記入力データセット及びデジタル画像の前記実データセットが、骨髄異形成症候群をスクリーニング検査される患者の細胞遺伝学的画像であることを特徴とする請求項７に記載の方法。
- 前記出力分類が、前記症候群の存在又は不存在のいずれかを具えることを特徴とする請求項８に記載の方法。
- フローサイトメトリーデータの分析及び分類のために、コンピュータ可読媒体に内蔵されるコンピュータプログラム製品であって、
前記フローサイトメトリーデータが、前記データを記述する複数の特徴を具えており、
前記コンピュータプログラムが、サポートベクタマシン分類部を実行し、さらに、
入力データセットを受け取り；
１又はそれ以上の特徴選択アルゴリズムを具える前記入力データセットの第１の部分を予処理して、前記複数の特徴の特徴サブセットを選択し；
選択された前記特徴サブセットを用いて前記入力データセットの第１の部分を用いることによって、分散カーネルを具える少なくとも１の第１のサポートベクタマシンを訓練し；
前記選択された特徴サブセットを用いて、前記入力データセットの第２の部分を具える訓練された前記サポートベクタマシンをテストして、最適解が得られたか否かを判定し；
最適解が得られない場合に、前記最適解が得られるまで前記訓練及びテストを繰り返し；
最適解が得られた直後に、前記コンピュータシステムに実データセットを受け取り；
訓練されテストされた前記サポートベクタマシンを用いて前記選択された特徴サブセットを用いることによって、前記実データセットを処理して、前記フローサイトメトリデータの分類を具える結果を、２つの区別できる分類のうちの一方に作り出し；
前記フローサイトメトリデータの分類の識別を具える出力表示を表示装置に作り出すことをコンピュータプロセッサに行わせるための命令を具えることを特徴とするコンピュータプログラム。 - 前記分散カーネルが、ｐ及びｑを入力データ点、Ｍを正規分布の平均値、Σを共分散行列とするとき、
の形式のバッタチャリヤ・アフィニティ（Bhattacharya affinity）を具えることを特徴とする請求項１０に記載のコンピュータプログラム。 - 前記１又はそれ以上の特徴選択アルゴリズムが、リーブワンアウト（leave-one-out）の誤差率分析を具えることを特徴とする請求項１０に記載のコンピュータプログラム。
- 前記１又はそれ以上の特徴選択アルゴリズムが、カーネルアライメントを具えることを特徴とする請求項１０に記載のコンピュータプログラム。
- 前記１又はそれ以上の特徴選択アルゴリズムが、リーブワンアウト（leave-one-out）の誤差率分析及びカーネルアライメントを具える２つの特徴選択アルゴリズムを具えることを特徴とする請求項１０に記載のコンピュータプログラム。
- 前記フローサイトメトリデータが、骨髄異形成症候群をスクリーニング検査される患者から吸引された骨髄サンプルのテスト結果を具えており、
前記結果が、前記症候群の存在又は不存在の表示を具えることを特徴とする請求項１０に記載のコンピュータプログラム。 - さらに、前記フローサイトメトリーデータが得られた１又はそれ以上のサンプルに対応するデジタル画像データセットを受け取り；
画像訓練セット及び画像テストセットに前記デジタル画像データセットを分離し；
前記画像訓練セットを予処理して、前記画像訓練セットの中の関心のある特徴を同定且つ抽出し；
少なくとも１の第２のサポートベクタマシンを訓練して、前記画像訓練セットの中の関心のある特徴を分類し；
前記少なくとも１の第２のサポートベクタマシンをテストして、最適解が得られたか否かを判定し、得られない場合、前記最適解が得られるまで前記訓練及びテストを繰り返し；
前記フローサイトメトリーデータが得られた前記実データセットに対応する実画像データセットを受け取り；
前記実画像データを処理して、前記実画像データの中の前記関心のある特徴を分類し、画像の分類を作り出し；
総合データの分類のために、セカンドレベルのサポートベクタマシンに前記画像の分類及び前記フローサイトメトリーデータの分類を入力し；
前記画像の分類及びフローサイトメトリーデータの分類の総合結果を具える出力分類を作り出すことを前記コンピュータプロセッサに行わせるための命令を具えることを特徴とする請求項１０に記載のコンピュータプログラム。 - デジタル画像の前記入力データセット及びデジタル画像の前記実データセットが、骨髄異形成症候群をスクリーニング検査される患者の細胞遺伝学的画像であることを特徴とする請求項１６に記載のコンピュータプログラム。
- 前記出力分類が、前記症候群の存在又は不存在のいずれかを具えることを特徴とする請求項１７に記載のコンピュータプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US2741608P | 2008-02-08 | 2008-02-08 | |
| US61/027,416 | 2008-02-08 | ||
| PCT/US2009/033504 WO2009100410A2 (en) | 2008-02-08 | 2009-02-08 | Method and system for analysis of flow cytometry data using support vector machines |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2011515655A true JP2011515655A (ja) | 2011-05-19 |
| JP5425814B2 JP5425814B2 (ja) | 2014-02-26 |
Family
ID=40939737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010546084A Active JP5425814B2 (ja) | 2008-02-08 | 2009-02-08 | サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US8682810B2 (ja) |
| EP (1) | EP2252889B1 (ja) |
| JP (1) | JP5425814B2 (ja) |
| CN (1) | CN101981446B (ja) |
| AU (1) | AU2009212193B2 (ja) |
| WO (1) | WO2009100410A2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016525678A (ja) * | 2013-05-17 | 2016-08-25 | ベクトン・ディキンソン・アンド・カンパニーＢｅｃｔｏｎ， Ｄｉｃｋｉｎｓｏｎ Ａｎｄ Ｃｏｍｐａｎｙ | フローサイトメトリにおける効率的なコンター及びゲーティング |
| JP2018505392A (ja) * | 2014-12-10 | 2018-02-22 | ネオゲノミクス ラボラトリーズ， インコーポレイテッド | 自動化されたフローサイトメトリ分析方法及びシステム |
| WO2021045024A1 (ja) * | 2019-09-02 | 2021-03-11 | 合同会社Ｈ．Ｕ．グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定装置、学習モデルの生成方法 |
| WO2021193673A1 (ja) * | 2020-03-25 | 2021-09-30 | 合同会社Ｈ．Ｕ．グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定方法、及びゲート領域推定装置 |
| WO2022059468A1 (ja) * | 2020-09-18 | 2022-03-24 | シスメックス株式会社 | 細胞分析方法及び細胞分析装置 |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8214157B2 (en) * | 2006-03-31 | 2012-07-03 | Nodality, Inc. | Method and apparatus for representing multidimensional data |
| US20090269800A1 (en) * | 2008-04-29 | 2009-10-29 | Todd Covey | Device and method for processing cell samples |
| WO2010006303A2 (en) * | 2008-07-10 | 2010-01-14 | Nodality, Inc. | Methods and apparatus related to management of experiments |
| US20100030719A1 (en) * | 2008-07-10 | 2010-02-04 | Covey Todd M | Methods and apparatus related to bioinformatics data analysis |
| US9183237B2 (en) | 2008-07-10 | 2015-11-10 | Nodality, Inc. | Methods and apparatus related to gate boundaries within a data space |
| US20100014741A1 (en) * | 2008-07-10 | 2010-01-21 | Banville Steven C | Methods and apparatus related to gate boundaries within a data space |
| WO2010035163A1 (en) * | 2008-09-29 | 2010-04-01 | Koninklijke Philips Electronics, N.V. | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties |
| US9034257B2 (en) * | 2008-10-27 | 2015-05-19 | Nodality, Inc. | High throughput flow cytometry system and method |
| US20100204973A1 (en) * | 2009-01-15 | 2010-08-12 | Nodality, Inc., A Delaware Corporation | Methods For Diagnosis, Prognosis And Treatment |
| EP2593771B1 (en) * | 2010-07-16 | 2019-09-04 | Luminex Corporation | Methods, storage mediums, and systems for analyzing particle quantity and distribution within an imaging region of an assay analysis system and for evaluating the performance of a focusing routing performed on an assay analysis system |
| JP5640774B2 (ja) * | 2011-01-28 | 2014-12-17 | 富士通株式会社 | 情報照合装置、情報照合方法および情報照合プログラム |
| US9691395B1 (en) * | 2011-12-31 | 2017-06-27 | Reality Analytics, Inc. | System and method for taxonomically distinguishing unconstrained signal data segments |
| CN102722718B (zh) * | 2012-05-22 | 2014-04-02 | 天津大学 | 一种细胞分类方法 |
| US9336430B2 (en) | 2012-06-19 | 2016-05-10 | Health Discovery Corporation | Computer-assisted karyotyping |
| EP3039820B1 (en) * | 2013-08-27 | 2018-08-01 | Telefonaktiebolaget LM Ericsson (publ) | Technique for maintaining network service identification rules |
| CN104361360A (zh) * | 2014-12-03 | 2015-02-18 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种流式数据细胞亚群快速自动识别方法 |
| EP3230887A4 (en) * | 2014-12-10 | 2018-08-01 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
| US10616219B2 (en) | 2014-12-11 | 2020-04-07 | FlowJo, LLC | Single cell data management and analysis systems and methods |
| US10127284B2 (en) * | 2014-12-18 | 2018-11-13 | International Business Machines Corporation | Scoring attributes in deep question answering systems based on algorithmic source code influences |
| JP6758368B2 (ja) | 2015-05-08 | 2020-09-23 | フロージョー エルエルシーＦｌｏｗＪｏ， ＬＬＣ | データ発見ノード |
| WO2017027380A1 (en) * | 2015-08-12 | 2017-02-16 | Molecular Devices, Llc | System and method for automatically analyzing phenotypical responses of cells |
| EP3347456B1 (en) | 2015-09-08 | 2023-12-27 | The United States of America, as represented by The Secretary, Department of Health and Human Services | Method for reproducible differentiation of clinical-grade retinal pigment epithelium cells |
| CA2997763A1 (en) | 2015-09-08 | 2017-03-16 | Cellular Dynamics International, Inc. | Macs-based purification of stem cell-derived retinal pigment epithelium |
| GB201615532D0 (en) * | 2016-09-13 | 2016-10-26 | Univ Swansea | Computer-Implemented apparatus and method for performing a genetic toxicity assay |
| US20200251184A1 (en) * | 2016-12-16 | 2020-08-06 | Osaka University | Classification analysis method, classification analysis device, and storage medium for classification analysis |
| US9965702B1 (en) * | 2016-12-27 | 2018-05-08 | Cesar Angeletti | Method for analysis and interpretation of flow cytometry data |
| US11164082B2 (en) | 2017-02-28 | 2021-11-02 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
| US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
| WO2018217933A1 (en) | 2017-05-25 | 2018-11-29 | FlowJo, LLC | Visualization, comparative analysis, and automated difference detection for large multi-parameter data sets |
| CN110889103B (zh) * | 2018-09-07 | 2024-04-05 | 京东科技控股股份有限公司 | 滑块验证的方法和系统及其模型训练方法 |
| WO2020081582A1 (en) * | 2018-10-16 | 2020-04-23 | Anixa Diagnostics Corporation | Methods of diagnosing cancer using multiple artificial neural networks to analyze flow cytometry data |
| US11796446B2 (en) * | 2019-10-01 | 2023-10-24 | National Taiwan University | Systems and methods for automated hematological abnormality detection |
| JP2021083431A (ja) * | 2019-11-29 | 2021-06-03 | シスメックス株式会社 | 細胞解析方法、細胞解析装置、細胞解析システム、及び細胞解析プログラム |
| US11301720B2 (en) * | 2020-04-28 | 2022-04-12 | International Business Machines Corporation | Training set enrichment with insignificantly-abnormal medical images |
| WO2022056478A2 (en) * | 2020-09-14 | 2022-03-17 | Ahead Intelligence Ltd. | Automated classification of immunophenotypes represented in flow cytometry data |
| EP4247255A4 (en) * | 2020-11-19 | 2024-05-22 | Becton Dickinson Co | METHODS FOR OPTIMAL SCALATING CYTOMETRY DATA FOR MACHINE LEARNING ANALYSIS AND SYSTEMS THEREFOR |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500766A (ja) * | 1999-05-25 | 2003-01-07 | スティーヴン ディー． バーンヒル、 | 複数支援ベクトルマシンを使用した複数データセットからの知識発見の増強 |
| JP2003529131A (ja) * | 1999-10-27 | 2003-09-30 | バイオウルフ テクノロジーズ エルエルスィー | 生物学的システムにおいてパターンを同定するための方法およびデバイスならびにその使用方法 |
| WO2006084272A2 (en) * | 2005-02-04 | 2006-08-10 | Rosetta Inpharmatics Llc | Methods of predicting chemotherapy responsiveness in breast cancer patients |
| JP2007508812A (ja) * | 2003-10-03 | 2007-04-12 | エヌシーシー・テクノロジー・ベンチャーズ・ピーティーイー・リミテッド | 乳癌分類に関する材料および方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5872627A (en) * | 1996-07-30 | 1999-02-16 | Bayer Corporation | Method and apparatus for detecting scattered light in an analytical instrument |
| US6128608A (en) * | 1998-05-01 | 2000-10-03 | Barnhill Technologies, Llc | Enhancing knowledge discovery using multiple support vector machines |
| US6882990B1 (en) * | 1999-05-01 | 2005-04-19 | Biowulf Technologies, Llc | Methods of identifying biological patterns using multiple data sets |
| US6996549B2 (en) * | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
| US7450229B2 (en) * | 1999-01-25 | 2008-11-11 | Amnis Corporation | Methods for analyzing inter-cellular phenomena |
| AU1350501A (en) * | 1999-10-27 | 2001-05-08 | Barnhill Technologies, Llc | Methods and devices for identifying patterns in biological systems and methods for uses thereof |
| EP1384155A4 (en) * | 2001-03-01 | 2007-02-28 | Health Discovery Corp | SPECTRAL KNIVES FOR LEARNING MACHINES |
-
2009
- 2009-02-08 CN CN200980110847.2A patent/CN101981446B/zh not_active Expired - Fee Related
- 2009-02-08 WO PCT/US2009/033504 patent/WO2009100410A2/en active Application Filing
- 2009-02-08 JP JP2010546084A patent/JP5425814B2/ja active Active
- 2009-02-08 AU AU2009212193A patent/AU2009212193B2/en not_active Ceased
- 2009-02-08 EP EP09709037.7A patent/EP2252889B1/en active Active
- 2009-02-08 US US12/367,541 patent/US8682810B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003500766A (ja) * | 1999-05-25 | 2003-01-07 | スティーヴン ディー． バーンヒル、 | 複数支援ベクトルマシンを使用した複数データセットからの知識発見の増強 |
| JP2003529131A (ja) * | 1999-10-27 | 2003-09-30 | バイオウルフ テクノロジーズ エルエルスィー | 生物学的システムにおいてパターンを同定するための方法およびデバイスならびにその使用方法 |
| JP2007508812A (ja) * | 2003-10-03 | 2007-04-12 | エヌシーシー・テクノロジー・ベンチャーズ・ピーティーイー・リミテッド | 乳癌分類に関する材料および方法 |
| WO2006084272A2 (en) * | 2005-02-04 | 2006-08-10 | Rosetta Inpharmatics Llc | Methods of predicting chemotherapy responsiveness in breast cancer patients |
Non-Patent Citations (3)
| Title |
|---|
| JPN6013030899; Ｔｏｎｙ Ｊｅｂａｒａ: 'Ｐｒｏｂａｂｉｌｉｔｙ Ｐｒｏｄｕｃｔ Ｋｅｒｎｅｌｓ' Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ Ｖｏｌ．５, 2004, ８１９-８４４ * |
| JPN6013030900; Ｒｉｓｉ Ｋｏｎｄｏｒ: 'Ａ Ｋｅｒｎｅｌ Ｂｅｔｗｅｅｎ Ｓｅｔｓ ｏｆ Ｖｅｃｔｏｒｓ' Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｗｅｎｔｉｅｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ , 2003 * |
| JPN6013030903; Ｊｏｅｒｎ Ｔｏｅｄｌｉｎｇ: 'Ａｕｔｏｍａｔｅｄ ｉｎ-ｓｉｌｉｃｏ ｄｅｔｅｃｔｉｏｎ ｏｆ ｃｅｌｌ ｐｏｐｕｌａｔｉｏｎｓ ｉｎ ｆｌｏｗ ｃｙｔｏｍｅｔｒｙ ｒｅａｄｏｕｔｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｔｏ' ＢＭＣ Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ Ｖｏｌ．７／Ａｒｔｉｃｌｅ．２８２, 2006, １-１１ * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016525678A (ja) * | 2013-05-17 | 2016-08-25 | ベクトン・ディキンソン・アンド・カンパニーＢｅｃｔｏｎ， Ｄｉｃｋｉｎｓｏｎ Ａｎｄ Ｃｏｍｐａｎｙ | フローサイトメトリにおける効率的なコンター及びゲーティング |
| US10753848B2 (en) | 2013-05-17 | 2020-08-25 | Becton, Dickinson And Company | Efficient contours and gating |
| JP2018505392A (ja) * | 2014-12-10 | 2018-02-22 | ネオゲノミクス ラボラトリーズ， インコーポレイテッド | 自動化されたフローサイトメトリ分析方法及びシステム |
| WO2021045024A1 (ja) * | 2019-09-02 | 2021-03-11 | 合同会社Ｈ．Ｕ．グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定装置、学習モデルの生成方法 |
| JP7445672B2 (ja) | 2019-09-02 | 2024-03-07 | 合同会社Ｈ．Ｕ．グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定装置、学習モデルの生成方法 |
| WO2021193673A1 (ja) * | 2020-03-25 | 2021-09-30 | 合同会社Ｈ．Ｕ．グループ中央研究所 | ゲート領域推定プログラム、ゲート領域推定方法、及びゲート領域推定装置 |
| WO2022059468A1 (ja) * | 2020-09-18 | 2022-03-24 | シスメックス株式会社 | 細胞分析方法及び細胞分析装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2252889A2 (en) | 2010-11-24 |
| US20090204557A1 (en) | 2009-08-13 |
| WO2009100410A2 (en) | 2009-08-13 |
| US8682810B2 (en) | 2014-03-25 |
| CN101981446B (zh) | 2016-03-09 |
| AU2009212193B2 (en) | 2015-08-27 |
| JP5425814B2 (ja) | 2014-02-26 |
| AU2009212193A1 (en) | 2009-08-13 |
| EP2252889A4 (en) | 2017-10-18 |
| EP2252889B1 (en) | 2020-10-07 |
| WO2009100410A3 (en) | 2009-10-15 |
| CN101981446A (zh) | 2011-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5425814B2 (ja) | サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム | |
| US20160169786A1 (en) | Automated flow cytometry analysis method and system | |
| US20210303818A1 (en) | Systems And Methods For Applying Machine Learning to Analyze Microcopy Images in High-Throughput Systems | |
| US20240044904A1 (en) | System, method, and article for detecting abnormal cells using multi-dimensional analysis | |
| JP5663089B2 (ja) | 顕微鏡画像からの自動全血試料分析のための方法および装置 | |
| US10337975B2 (en) | Method and system for characterizing particles using a flow cytometer | |
| WO2014028534A2 (en) | Leukemia classification using cpd data | |
| EP1849125B1 (en) | Method and apparatus for analyzing body fluids | |
| Azad et al. | Immunophenotype discovery, hierarchical organization, and template-based classification of flow cytometry samples | |
| WO2023186051A1 (zh) | 辅助诊断方法及装置、构建装置、分析装置及相关产品 | |
| US10235495B2 (en) | Method for analysis and interpretation of flow cytometry data | |
| EP3230887A1 (en) | Automated flow cytometry analysis method and system | |
| EP2920573B1 (en) | Particle data segmentation result evaluation methods and flow cytometer | |
| CN113380318B (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
| Zeb et al. | Classification of Acute Myeloid Leukaemia using Deep Learning Features | |
| US20240151734A1 (en) | Systems and methods for identifying blood conditions via dot plot analysis | |
| TW202311742A (zh) | 流式細胞儀資料之免疫表型自動分類 | |
| CN116978539A (zh) | 辅助诊断方法及知识图谱的构建方法、装置、设备、介质 | |
| CN116952807A (zh) | 辅助诊断方法及其生物样本分析方法、装置、设备和介质 | |
| EP2883036A2 (en) | Leukemia classification using cpd data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130131 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130607 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130625 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130925 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20131029 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131127 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5425814 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |