JP2020139915A

JP2020139915A - 分析装置、検体前処理装置、訓練装置、プログラム、情報処理方法、学習モデルおよび学習モデルの生成方法

Info

Publication number: JP2020139915A
Application number: JP2019037764A
Authority: JP
Inventors: 大介豊泉; Daisuke Toyoizumi
Original assignee: Fujirebio Inc
Current assignee: Fujirebio Inc
Priority date: 2019-03-01
Filing date: 2019-03-01
Publication date: 2020-09-03
Anticipated expiration: 2039-03-01
Also published as: JP7273542B2

Abstract

【課題】分析装置がエラーを起こす可能性のある検体を検出する分析装置等を提供する。【解決手段】分析装置は、検体が収容された検体容器５０の撮影画像を取得する画像取得部４７と、検体が収容された検体容器５０の撮影画像を受け付けて、検体または検体容器５０の状態に関する予測を出力する学習モデル６３に、画像取得部４７が取得した撮影画像を入力する入力部２６と、入力された撮影画像に基づいて学習モデル６３から出力された予測を出力する出力部とを備える。【選択図】図２

Description

本発明は、分析装置、検体前処理装置、訓練装置、プログラム、情報処理方法、学習モデルおよび学習モデルの生成方法に関する。

血液や尿などの検体に対して、たとえば生化学検査、血液凝固検査等の種々の臨床検査手法を用いた分析が行なわれる。医師は、これらの分析結果を参照して、疾病の有無、および、疾病の程度等を判断して、治療方針を判断する。多数の検体に対して、複数の項目の分析を自動的に行なう分析装置が提案されている（特許文献１）。

特開２０１８−１４６５９３号公報

複数の医療機関から検体を受け付けて、受託分析を行ない、分析結果を医療機関に報告する、いわゆる検査機関が運営されている。医療機関から検査機関に届けられる検体は様々な検体容器に採取されている。また検体容器内の検体の状態も様々である。

これらの検体容器のなかには、そのまま分析装置に投入された場合、分析装置が処理できない可能性がある検体容器が混ざっている場合がある。処理できない可能性のある検体容器は、規定外寸法やキャップの外し忘れ、バーコードラベルの貼付位置がずれたもの剥がれたものなどの処理阻害形態を含む。処理できない可能性のある検体容器に対しては、臨床検査技師等の専門家がその検体容器を取り除き、適切な処理を行なってから再度分析装置に投入することが望ましい。

これらの検体のなかには、そのまま分析装置に投入された場合、分析装置がエラーを起こす可能性がある検体が混ざっている場合がある。エラーを起こす可能性のある検体は、溶血、乳び、黄疸、フィブリンなどの分析阻害因子を含む。エラーを起こす可能性のある検体に対しては、臨床検査技師等の専門家が適切な処理を行ない、分析阻害因子を取り除いてから、分析装置に投入することが望ましい。

一つの側面では、分析時にエラーを起こす可能性のある検体を検出する分析装置等を提供することを目的とする。

分析装置は、検体が収容された検体容器の撮影画像を取得する画像取得部と、検体が収容された検体容器の撮影画像を受け付けて、前記検体または前記検体容器の状態に関する予測を出力する学習モデルに、前記画像取得部が取得した撮影画像を入力する入力部と、入力された撮影画像に基づいて前記学習モデルから出力された予測を出力する出力部とを備える。

一つの側面では、分析時にエラーを起こす可能性のある検体を検出する分析装置等を提供できる。

分析システムの構成を説明する説明図である。分析システムの構成を説明する説明図である。検体容器の例を説明する説明図である。エラーを起こす可能性のある様々な検体または検体容器５０の例を説明する説明図である。エラーを起こす可能性のある様々な検体または検体容器の例を説明する説明図である。エラーを起こす可能性のある様々な検体または検体容器の例を説明する説明図である。教師データＤＢのレコードレイアウトを説明する説明図である。検体情報ＤＢのレコードレイアウトを説明する説明図である。学習モデルを用いた推定方法の概要を説明する説明図である。学習モデルを説明する説明図である。学習段階の画面例を説明する説明図である。使用初期段階におけるプログラムの処理の流れを示すフローチャートである。学習が中程度まで進んだ段階におけるプログラムの処理の流れを示すフローチャートである。学習が完了した段階におけるプログラムの処理の流れを示すフローチャートである。学習モデルを更新するプログラムの処理の流れを示すフローチャートである。実施の形態２の分析システムの構成を説明する説明図である。実施の形態２の学習モデルの構成を説明する説明図である。実施の形態２の教師データＤＢのレコードレイアウトを説明する説明図である。実施の形態２の学習モデルに含まれるそれぞれのモデルを説明する説明図である。実施の形態２の学習段階の画面例を説明する説明図である。実施の形態２の学習段階の画面例を説明する説明図である。実施の形態２の使用初期段階におけるプログラムの処理の流れを示すフローチャートである。実施の形態２の学習が中程度まで進んだ段階におけるプログラムの処理の流れを示すフローチャートである。実施の形態２の学習が完了した段階におけるプログラムの処理の流れを示すフローチャートである。実施の形態３の分析システムの構成を説明する説明図である。ログＤＢのレコードレイアウトを説明する説明図である。実施の形態３の学習データ修正画面の例を説明する説明図である。実施の形態３の学習モデルを更新するプログラムの処理の流れを示すフローチャートである。実施の形態４の学習モデルの構成を説明する説明図である。フィードバックモデルを説明する説明図である。フィードバックＤＢのレコードレイアウトを説明する説明図である。実施の形態４のプログラムの処理の流れを示すフローチャートである。実施の形態４のエラー予測のサブルーチンの処理の流れを示すフローチャートである。フィードバックモデルを更新するプログラムの処理の流れを示すフローチャートである。実施の形態５の分析装置の構成を説明する説明図である。実施の形態５の学習モデルの構成を説明する説明図である。キャップ判定教師ＤＢのレコードレイアウトを説明する説明図である。キャップ判定モデルを説明する説明図である。実施の形態５の画面例を説明する説明図である。実施の形態５のプログラムの処理の流れを示すフローチャートである。実施の形態６の画面例を説明する説明図である。実施の形態６の画面例を説明する説明図である。実施の形態６の画面例を説明する説明図である。実施の形態７の分析装置の機能ブロック図である。実施の形態８の分析システムの構成を示す説明図である。

［実施の形態１］
まず、検体分析の処理の流れを説明する。医療機関においては、医師が患者の診察を行ない、必要な臨床検査項目を選択する。医師自身、または、医師の指示を受けた看護師等が、選択された臨床検査項目に応じて採血等の検体採取を行なう。採取された検体は、検体容器５０（図１参照）に収容される。

臨床検査項目によっては、抗凝固剤等の薬剤が入った検体容器５０が検体採取に用いられる。採取後の検体に対して、遠心分離、または、冷凍等の処理が行なわれる場合もある。検体が収容された検体容器５０は検査機関に輸送される。

検査機関では、届けられた検体容器５０の受け付けが行なわれて、医師が選択した検体ごとの検査項目が検体情報システム１５内の検体情報ＤＢ６８（図２参照）に登録される。なお、検体情報は、検体容器５０との対応付けが可能なＩＤ（Identifier）を付して、ネットワーク経由で検体情報ＤＢ６８に登録されてもよい。

検体容器５０は、検体前処理装置４０（図１参照）に投入され、分析装置３０（図１参照）による処理可否の仕分けが行なわれる。処理可能であると判定された検体容器５０は、分析装置３０に投入され、検体容器５０に収容された検体に対して所定の項目の分析が行なわれる。なお、以下の説明では「検体容器５０に収容された検体を分析する」ことを、「検体容器５０を分析する」と省略して記載する場合がある。

分析結果は、検査依頼元の医療機関に報告される。検体前処理装置４０において、分析装置３０による分析が不可能と判定された検体容器５０に対しては、臨床検査技師等の専門家により適宜必要な処理が行なわれる。

同一の分析装置３０を使用する検査機関であっても、運営方針等により分析装置３０による分析が可能であるか否かを判定する基準が異なる場合がある。たとえば、ある検査機関においてはある程度のエラー発生率を許容して、エラーが発生した後に専門家による対応を行なう。別の検査機関においては、分析装置３０への投入前に、検体容器５０の状態を調整し、分析装置３０でのエラー発生率を低減させる。

図１は、分析システム１０の構成を説明する説明図である。分析システム１０は、検体前処理装置４０、分析装置３０、検体回収部１３および異常検体収容部１２を含む。検体前処理装置４０は、情報処理装置２０、カメラ４７、振分部４８および検体投入部４１を含む。情報処理装置２０の構成については後述する。

検体投入部４１は、第１搬送部４１１を介して分析装置３０に接続されている。異常検体収容部１２は、第２搬送部１２１を介して検体前処理装置４０に接続されている。分析装置３０は、第３搬送部１３１を介して検体回収部１３に接続されている。第１搬送部４１１、第２搬送部１２１および第３搬送部１３１は、たとえばベルトコンベアである。

医療機関から届けられた検体容器５０は、検体投入部４１に投入され、第１搬送部４１１により順次搬送される。搬送の途中で検体容器５０はカメラ４７により撮影される。撮影された写真に基づいて、分析装置３０による分析可否が情報処理装置２０で判定される。

分析装置３０による分析ができないと判定された検体容器５０は、振分部４８に設けられた振分アーム４８１により第１搬送部４１１から第２搬送部１２１に移される。振分アーム４８１は、たとえばロボットアームである。第２搬送部１２１に移された検体容器５０は、異常検体収容部１２に収容される。臨床検査技師が、異常検体収容部１２に収容された検体容器５０を回収して、必要な処理を行なう。

分析装置３０による分析が可能であると判定された検体容器５０は、そのまま分析装置３０に投入される。分析装置３０は、たとえば生化学分析装置、免疫測定装置、または、これらの装置を組み合わせた複合装置である。本実施の形態においては、血液等の液状の検体を分析する分析装置３０を例にして説明する。

分析装置３０の内部でバーコードラベル５１が読み込まれ、検体情報ＤＢ６８に記録された項目の分析が自動的に行なわれる。分析装置３０の構成は公知であるため、説明を省略する。分析が終了した検体容器５０は、第３搬送部１３１を介して検体回収部１３に回収される。

図２は、分析システム１０の構成を説明する説明図である。図２は、主に情報処理装置２０の構成を中心に示す。情報処理装置２０は、制御部２１、主記憶装置２２、補助記憶装置２３、通信部２４、表示部２５、入力部２６、カメラＩ／Ｆ（Interface）２７、振分部Ｉ／Ｆ２８およびバスを備える。制御部２１は、本実施の形態のプログラムを実行する演算制御装置である。制御部２１には、一または複数のＣＰＵ（Central Processing Unit）またはマルチコアＣＰＵ等が使用される。制御部２１は、バスを介して情報処理装置２０を構成するハードウェア各部と接続されている。

主記憶装置２２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の記憶装置である。主記憶装置２２には、制御部２１が行なう処理の途中で必要な情報および制御部２１で実行中のプログラムが一時的に保存される。

補助記憶装置２３は、ＳＲＡＭ、フラッシュメモリ、ハードディスクまたは磁気テープ等の記憶装置である。補助記憶装置２３には、制御部２１に実行させるプログラム、教師データＤＢ（Database）６１、学習モデル６３およびプログラムの実行に必要な各種データが保存される。

学習モデル６３は、たとえば血液検体用学習モデル６４、尿検体用学習モデル６５等、検体の種類に応じた学習モデルを含む。以下の説明においては、検体の種類を限定しない場合には、血液検体用学習モデル６４、尿検体用学習モデル６５等を単に学習モデル６３と記載する場合がある。教師データＤＢ６１および学習モデル６３は、情報処理装置２０に接続された外部の大容量記憶装置等に保存されていても良い。

通信部２４は、情報処理装置２０とネットワークとの間の通信を行なうインターフェイスである。表示部２５は、たとえば液晶表示パネル等である。入力部２６は、キーボードおよびマウス等である。表示部２５と入力部２６とは、一体となっていわゆるタッチパネルを構成しても良い。

カメラＩ／Ｆ２７は、カメラ４７と情報処理装置２０とを接続するインターフェイスである。振分部Ｉ／Ｆ２８は、振分部４８と情報処理装置２０とを接続するインターフェイスである。カメラＩ／Ｆ２７および振分部Ｉ／Ｆ２８は、たとえばＵＳＢ（Universal Serial Bus）コネクタである。カメラ４７および振分部４８は、無線ＬＡＮ（Local Area Network）のような無線通信方式により情報処理装置２０に接続されていてもよい。

本実施の形態の情報処理装置２０は、検体前処理装置４０に内蔵された制御用コンピュータである。情報処理装置２０は、汎用のパーソナルコンピュータ、タブレット、スマートフォン等の情報処理装置であってもよい。

検体情報システム１５は、汎用のサーバコンピュータ、パーソナルコンピュータ、または、大型計算機上で動作する仮想マシンでも良い。検体情報システム１５は、クラウドコンピューティングシステムであってもよい。検体情報システム１５の構成の詳細は、説明を省略する。

検体容器５０は、たとえば１本ずつ図示を省略するラックに保持されて、第１搬送部４１１により搬送されてもよい。または、検体容器５０は、５本ずつラックに保持されて搬送されてもよい。そのようにする場合には、１個のラックに収容された検体容器５０がカメラ４７により１回でまとめて撮影され、画像処理により１本ずつの写真に分離されてもよい。ロボットアーム等により、ラックから１本の検体容器５０が取り出されてカメラ４７により撮影されてもよい。

図３は、検体容器５０の例を説明する説明図である。図３Ａは、全血、血清、血漿、尿、または脳脊髄液等の、比較的多量に採取可能な液状の検体に適した試験管型の検体容器５０を示す。検体容器５０には、バーコードラベル５１が貼付されている。図３においては、バーコードラベル５１が紙面の奥側に貼付された状態を示す。

図３Ｂは、チューブ５３の上に、サンプルカップ５２を取り付けた、いわゆるカップオンチューブ型の検体容器５０を示す。チューブ５３に、バーコードラベル５１が貼付されている。カップオンチューブ型の検体容器５０は、たとえば乳幼児の血液等、わずかな量しか採取できない検体に使用される。

医療機関から検査機関に試験管型の検体容器５０が輸送される際には、適切なキャップ５５（図４参照）が取り付けられて、封止されている。

図４から図６は、エラーを起こす可能性のある様々な検体または検体容器５０の例を説明する説明図である。図４には、Ｎｏ．１からＮｏ．９までの例を、図５には、Ｎｏ．１０からＮｏ．１５までの例を、図６にはＮｏ．１６からＮｏ．１８までの例を、それぞれ表形式で示す。

Ｎｏ．１からＮｏ．１５までの外観列には、検体容器５０を斜め上方から見た図を模式的に示す。Ｎｏ．１６からＮｏ．１８までの外観列には、検体容器５０を斜め上方から見た図および真上から見た図を、それぞれ模式的に示す。Ｎｏ．７およびＮｏ．８以外については、バーコードラベル５１の記載を省略する。

判定列の「可」は、分析装置３０による分析が可能であることを示す。判定列の「不可」は分析装置３０による分析ができないこと、すなわち分析装置に投入された場合にエラーを引き起こす可能性があることを示す。備考列には、備考を示す。

Ｎｏ．１は、血清、血漿、尿または脳脊髄液等の検体を入れた試験管型の検体容器５０の正常な状態を示す。Ｎｏ．１の検体容器５０は、分析装置３０による分析が可能である。Ｎｏ．２は、全血の検体を入れた試験管型の検体容器５０の正常な状態を示す。採取した検体が、血餅と血清、または、血球成分と血漿の二層に分離している。Ｎｏ．２の検体容器５０は、分析装置３０による分析が可能である。

Ｎｏ．３は、分析装置３０で分析できない寸法の検体容器５０を示す。Ｎｏ．４は、検体の液面近くに、検体から析出したフィブリンが浮いている検体容器５０を示す。このように、液面近くにフィブリンが浮いている検体容器５０が分析装置３０に投入された場合、分注ノズルを用いて検体容器５０内の検体を所定の分注容器に分注する分注工程において、分注ノズル詰まりが生じる可能性がある。

Ｎｏ．５は、血清または血漿に乳びが生じた検体容器５０を示す。このような乳びを含む検体が分析装置３０に投入された場合、試薬との反応結果が正しく判定されない可能性がある。また、乳びの発生自体も、生化学検査の結果として重要である。なお図示を省略するが、検体が尿である場合にも乳びが生じる場合がある。

Ｎｏ．６は、検体量が少なすぎる検体容器５０を示す。必要な数の分注容器への分注ができない可能性がある。Ｎｏ．７は、バーコードラベル５１が斜めに貼付されたなどの貼付位置異常の検体容器５０を示す。分析装置３０内で、バーコードラベル５１を適切に読み取れないおそれがある。バーコードラベル貼付位置異常にはバーコードラベルの剥がれも含む。

Ｎｏ．８は、バーコードラベル５１が所定の向きに配置されていない検体容器５０を示す。分析装置３０内で、バーコードラベル５１を適切に読み取れないおそれがある。なお、検体前処理装置４０の内部で、たとえば振分アーム４８１等のロボットアームにより、検体容器５０の向きを正常な向きに修正することにより、分析装置３０による分析が可能な状態にできる。

図示を省略するが、第１画像をバーコードラベル５１の反対側から撮影することにより、バーコードラベル５１の接着状態を判定できる。たとえ正常な向きおよび位置に貼付されているバーコードラベル５１であっても、接着状態が不十分で分析装置３０内で剥がれる可能性がある場合には、検体容器５０は異常であり、分析装置３０による分析を行なえない。

Ｎｏ．９は、キャップ５５を外し忘れた検体容器５０を示す。キャップ５５がついた状態では分注ノズルを差し込めないため、このままでは分析装置３０による分析を行なえない。

Ｎｏ．１０は、血液検体に溶血が生じた検体容器５０を示す。本来であれば黄色味を帯びた透明な液体である血清または血漿が、赤くなっている。溶血が生じている場合、検査項目によっては正しい分析を行なえない。図５においては判定列に「不可」と記載された例を示すが、検査機関の方針によっては溶血が生じている場合であっても分析装置３０による分析を行なう場合がある。その場合には、分析結果とともに溶血が生じている旨を報告する。

Ｎｏ．１１は、血液検体に黄疸が生じた検体容器５０を示す。本来であれば黄色味を帯びた透明な液体である血清または血漿が、濃い黄色になっている。黄疸の発生自体が、生化学検査の結果として重要である。なお、黄疸が生じている検体であっても分析は行なえる。検査を依頼した医師に対して、分析結果とともに黄疸が生じている旨を報告する。

Ｎｏ．１２は、検体量が過剰な検体容器５０を示す。検体容器５０内の検体量が多すぎる場合、分析装置３０内で行なう攪拌操作を正常に行なえないため、正しい分析を行なえない。Ｎｏ．１３は、検体中に血液成分由来の固形物やキャップの破片などの異物が混入した検体容器５０を示す。このままでは分析装置３０による分析を行なえない。

Ｎｏ．１４は、凍結保存されていた検体が解凍されていない検体容器５０を示す。検体容器５０中の検体の一部、または、全部が凍っている。一部が凍っている場合、検体の成分が不均一になっているため、正しい分析を行なえない。全部が凍っている場合には、分注ノズルを差し込むことができない。検体が完全に解凍するまで、分析装置３０による分析を行なえない。

Ｎｏ．１５は、血液検体に分離剤を加えて遠心分離した際に遠心分離不良が発生した検体容器５０を示す。血餅と血清との間、または、血球成分と血漿との間を分離するために、血液検体に分離剤を加えた後に遠心分離が行なわれる。遠心分離が適切に行なえていない場合、本来は白色であるはずの分離剤層に赤血球が混入して、赤く着色する。遠心分離が正常に行なわれず、血清または血漿を正しく分離できていないため、正しい分析を行なえない。

Ｎｏ．１６は、カップオンチューブ型の検体容器５０の正常な状態を示す。Ｎｏ．１６の検体容器５０は、分析装置３０による分析が可能である。

Ｎｏ．１７は、液面の縁に沿って気泡がある検体容器５０を示す。Ｎｏ．１７の検体容器５０は、分析装置３０による分析が可能である。Ｎｏ．１８は、液面の中央部に気泡がある検体容器５０を示す。このように、液面の中央部に気泡がある検体容器５０が分析装置３０に投入された場合、前述の分注工程で正しい量の検体を分取できない可能性がある。なお、図４から図６は検体容器５０の状態の例示を示しており、検体容器５０の状態はこれらに限定されない。

図７は、教師データＤＢ６１のレコードレイアウトを説明する説明図である。教師データＤＢ６１は、検体種類と、検体容器５０に仮に付与される仮検体ＩＤと、撮影画像と、判定結果とを関連づけた教師データを記録するＤＢである。教師データＤＢ６１は、１組の教師データについて、１つのレコードを有する。

教師データＤＢ６１は、検体種類フィールド、仮検体ＩＤフィールド、撮影画像フィールド、および、判定結果フィールドを有する。撮影画像フィールドは、第１画像フィールドおよび第２画像フィールドを有する。判定結果フィールドは、総合判定フィールド、異物フィールド、フィブリンフィールド、泡フィールド、乳びフィールド、容器タイプフィールド、容器サイズフィールド、検体量フィールドおよびバーコードラベルフィールド等の各サブフィールドを有する。

検体種類フィールドには、たとえば「全血」、「尿」、「血清」、「血漿」または「脳脊髄液」等の検体の種類が記録されている。仮検体ＩＤフィールドには、検体容器５０に仮に付与された仮検体ＩＤが記録されている。

第１画像フィールドには、検体容器５０を横から撮影した画像が記録されている。第２画像フィールドには、検体容器５０を真上から撮影した画像、すなわち検体の液面を撮影した画像が記録されている。第１画像フィールドに記録される画像と、第２画像フィールドに記録される画像とは、一台のカメラ４７の位置を動かして撮影されても、２台のカメラ４７でそれぞれ撮影されてもよい。

総合判定フィールドには、検体容器５０を分析装置３０より分析可能であるか否かの総合判定が記録されている。「可」は、分析装置３０により分析可能であることを示し、「不可」は、分析装置３０による分析ができないことを示す。

異物フィールドには、検体容器５０内に分析の妨げになる異物が含まれているか否かが記録されている。「無」は、分析の妨げになる異物が含まれていないことを示し、「有」は、分析の妨げになる異物が含まれていることを示す。

フィブリンフィールドには、検体容器５０内に分析の妨げになるフィブリンが含まれているか否かが記録されている。「無」は、分析の妨げになるフィブリンが含まれていないことを示し、「有」は、分析の妨げになるフィブリンが含まれていることを示す。

泡フィールドには、検体容器５０内に分析の妨げになる泡が含まれているか否かが記録されている。「無」は、分析の妨げになる泡が含まれていないことを示し、「有」は、分析の妨げになる泡が含まれていることを示す。

乳びフィールドには、検体容器５０内の検体に分析の妨げになるレベルの乳びが生じているか否かが記録されている。「無」は、分析の妨げになるレベルの乳びが生じていないことを示し、「有」は、分析の妨げになるレベルの乳びが生じていることを示す。

容器タイプフィールドには、検体容器５０のタイプが記録されている。「試験管」は、試験管型の検体容器５０であることを示し、「カップオンチューブ」は、カップオンチューブ型の検体容器５０であることを示す。

容器サイズフィールドには、検体容器５０が分析装置３０による処理が可能な寸法であるか否かが記録されている。「正常」は、分析装置３０よる処理が可能なサイズであることを示し「異常」は、分析装置３０による処理ができないサイズであることを示す。

検体量フィールドには、検体容器５０内に十分な量の検体が入っているか否かが記録されている。「正常」は、十分な量の検体が入っていることを示し、「異常」は、十分な量の検体が入っていないことを示す。

バーコードラベルフィールドには、検体容器５０に正しくバーコードラベル５１が貼付されているか否かが記録されている。「正常」は、正しくバーコードラベル５１が貼付されていることを示し、「異常」は、分析装置３０内でバーコードラベル５１が正常に読み取れない可能性、または、分析装置内でバーコードラベル５１が剥落する可能性があることを示す。

図８は、検体情報ＤＢ６８のレコードレイアウトを説明する説明図である。検体情報ＤＢ６８は、臨床検査を行なう検体に関する情報を記録するＤＢである。検体情報ＤＢ６８は、医療機関ＩＤフィールド、検体ＩＤフィールド、検体種類フィールドおよび項目フィールドを有する。

医療機関ＩＤフィールドには、医療機関に固有に付与された医療機関ＩＤが記録されている。検体ＩＤフィールドには、検体に固有に付与された検体ＩＤが記録されている。なお、検体ＩＤは、バーコードラベル５１に印刷されて、検体容器５０に貼付されている。

検体種類フィールドには、「全血」、「尿」、「血清」、「血漿」または「脳脊髄液」等の検体の種類が記録されている。項目フィールドには、医療機関から依頼された臨床検査項目が記録されている。検体情報ＤＢ６８は、１つの検体について、１つのレコードを有する。

図９は、学習モデル６３を用いた推定方法の概要を説明する説明図である。本実施の形態の学習モデル６３は、ＲＣＮＮ（Regions with Convolutional Neural Network）を用いて学習および推定を行なう。

ＲＣＮＮにおいては、カメラ４７により撮影された画像から、複数の領域候補が抽出される。それぞれの領域候補の特徴量が、ＣＮＮ（Convolutional Neural Network）により計算される。特徴量に基づいて、領域候補に何が映っているかが推定される。

たとえば図９に示す例においては、検体容器５０全体を含む領域候補から、検体容器５０が試験管型であるか、または、カップオンチューブ型であるかが推定される。検体の液面よりも下の部分を含む領域候補から、分析の妨げになるフィブリンが析出しているか否かが推定される。

なお、ＲＣＮＮの代わりに、ＦａｓｔＲＣＮＮ、ＦａｓｔｅｒＲＣＮＮまたはＳＳＤ（Single Shot Multibook Detector）、ＹＯＬＯ（You Only Look Once）等の、任意の物体検出アルゴリズムを使用してもよい。

図１０は、学習モデル６３の概要を説明する説明図である。学習モデル６３は、領域候補抽出部７１と、分類部７２と、図示を省略するニューラルネットワークとを含む。ニューラルネットワークは、畳込み層、プーリング層および全結合層を含む。学習モデル６３に、検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像が入力される。

領域候補抽出部７１は、第１画像および第２画像から、様々なサイズの領域候補を抽出する。分類部７２は、抽出された領域候補の特徴量を算出し、算出した特徴量に基づいて領域候補に映っている被写体を分類する。学習モデル６３は、領域候補の抽出と分類とを繰り返し、入力を受け付けた画像の各部分に写っている被写体を判定する。

学習モデル６３は、所定の閾値よりも高い確率で分類が行なわれた領域候補について、領域の範囲、分類結果および分類の確度を出力する。図１０に示す例では、第１画像にフィブリンが８０パーセントの確率で写っている領域と、泡が９０パーセントの確率で写っている領域とが検出されている。

たとえば、学習モデル６３により、泡が検出された場合であっても、図６を使用して説明した通り、端に存在する場合には分析の妨げにならないが、中央に存在する場合には分析の妨げになる。制御部２１は、学習モデル６３の出力に基づいて、検体容器５０を分析装置３０により分析できるか否かの総合判定を行なう。

図１１は、学習段階の画面例を説明する説明図である。図１１は、個々の検査機関において、検査機関独自の条件を追加学習する際に用いられる画面例を示す。図１１に示す画面には、仮検体ＩＤ欄８１１、第１結果欄８１２１、第２結果欄８１２２、撮影画像欄８１３、検出画像欄８１４、項目入力欄８１５、総合判定入力欄８１６、設定ボタン８１７およびキャンセルボタン８１８が表示されている。

仮検体ＩＤ欄８１１には、検体容器５０に仮に付与される仮検体ＩＤが表示されている。撮影画像欄８１３には、カメラ４７により撮影された画像のうち、制御部２１が被写体を推定した領域候補を含む部分が表示されている。検出画像欄８１４には、撮影画像欄８１３に表示された部分に画像強調等の処理を行なわれた画像が表示されている。

第１結果欄８１２１には、カメラ４７により撮影された画像を学習モデル６３に入力した場合に、学習モデル６３から出力された結果が表示されている。第２結果欄８１２２には、カメラ４７により撮影された画像を学習モデル６３に入力した場合に、学習モデル６３から出力された総合判定が表示されている。総合判定は、検体容器５０を分析装置３０に投入してエラーが生じない確率、すなわち、分析装置３０による分析が成功する確率で表示される。項目入力欄８１５および総合判定入力欄８１６は、プルダウンメニューによりユーザからの入力を受け付ける。

設定ボタン８１７が選択された場合、制御部２１は、項目入力欄８１５および総合判定入力欄８１６を介してユーザにより入力された結果を受け付ける。キャンセルボタン８１８が選択された場合、制御部２１は項目入力欄８１５および総合判定入力欄８１６を介してユーザにより入力された結果を破棄する。

図１１を使用して、教師データＤＢ６１の作成方法の概要を説明する。制御部２１は、カメラ４７を介して第１画像および第２画像を撮影し、補助記憶装置２３に一時的に記憶する。制御部２１は、第１画像および第２画像を学習モデル６３に入力し、出力データを得る。

なお、分析システム１０が検査機関に納入される段階で、標準的な条件の教師データＤＢ６１および学習モデル６３が補助記憶装置２３に記録されている。図１１に示す画面を使用するユーザは、検査機関における十分な経験を有する専門家である。

制御部２１は、出力データのうちの一つを第１結果欄８１２１に表示する。検体容器５０を分析装置３０により分析できない旨を示すデータが出力データに含まれる場合には、制御部２１はそのデータを優先的に第１結果欄８１２１に表示する。制御部２１は、学習モデル６３から出力された総合判定、すなわち検体容器５０を分析装置３０に投入した場合にエラーが生じずに、分析に成功する確率を第２結果欄８１２２に表示する。

制御部２１は、第１結果欄８１２１に表示した出力データを得た領域候補を含む部分を撮影画像欄８１３に表示する。制御部２１は、撮影画像欄８１３に表示した部分に、所定の画像処理を行なった強調画像を強調画像欄８１４に表示する。

ユーザは、撮影画像欄８１３および検出画像欄８１４を参照して、検体容器５０の状態を判定し、項目入力欄８１５のプルダウンメニューから適切な選択肢を選択する。制御部２１は、項目入力欄８１５を介して、ユーザによる入力を受け付けて、主記憶装置２２または補助記憶装置２３に一時的に記憶する。

ユーザは、撮影画像欄８１３および検出画像欄８１４を参照して、検体容器５０を分析装置３０により分析可能であるか否かの総合判定を行ない、総合判定入力欄８１６のプルダウンメニューから適切な選択肢を選択する。制御部２１は、総合判定入力欄８１６を介して、ユーザによる入力を受け付けて、主記憶装置２２または補助記憶装置２３に一時的に記憶する。

制御部２１は、ユーザによる第１結果欄８１２１のタップ操作またはスワイプ操作等を介して、第１結果欄８１２１に表示する項目の変更を受け付ける。制御部２１は、第１結果欄８１２１に表示する項目に合わせて、撮影画像欄８１３および検出画像欄８１４に表示する部分を変更する。制御部２１は、撮影画像欄８１３または検出画像欄８１４のスワイプ操作等を介して、領域候補の切り替えを受け付けてもよい。

入力が終了した場合、ユーザは設定ボタン８１７を選択する。制御部２１は、設定ボタン８１７の選択を受け付けた場合、教師データＤＢ６１に新規レコードを作成する。制御部２１は、検体容器５０に仮検体ＩＤを付与して、仮検体ＩＤフィールドに記録する。制御部２１は、第１画像を第１画像フィールドに、第２画像を第２画像フィールドにそれぞれ記録する。制御部２１は、学習モデル６３から出力された出力データ、または、項目入力欄８１５および総合判定入力欄８１６を介してユーザから受け付けた入力を、それぞれのフィールドに記録する。以上により、教師データＤＢ６１に１組の教師データが追加される。

なお、総合判定入力欄８１６から「判断不能」を受け付けた場合、制御部２１は教師データＤＢ６１にレコードを作成せず、第１画像および第２画像を補助記憶装置２３から削除する。専門家が見て適切な判断を行なえない画像は、教師データに適さないためである。

入力をやりなおす場合、ユーザはキャンセルボタン８１８を選択する。制御部２１は、キャンセルボタン８１８の選択を受け付けた場合、項目入力欄８１５および総合判定入力欄８１６を介して受け付けた入力を主記憶装置２２または補助記憶装置２３から削除する。

以上により、検査機関独自の判断基準が教師データＤＢ６１に追加される。制御部２１は、たとえば深夜時間帯等の、負荷の少ない時間帯に、教師データＤＢ６１に基づいて学習モデル６３を更新する。これにより、検査機関ごとの判定基準に基づいて、学習モデル６３のカスタマイズが行なわれる。

図１２は、使用初期段階におけるプログラムの処理の流れを示すフローチャートである。使用初期段階においては、制御部２１は、すべての検体に対して図１１を使用して説明した画面を表示して、ユーザによる入力を受け付ける。なお、本実施の形態においては、血液および尿等の、分析システム１０で分析する検体の種類は、ユーザにより事前に設定されている。

制御部２１は、カメラ４７を用いて検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像を撮影する（ステップＳ５０１）。制御部２１は、検体容器５０にキャップ５５がついているか否かを判定する（ステップＳ５０２）。キャップ５５の有無は、たとえば第１画像または第２画像のパターンマッチングにより判定する。第２画像を撮影する際のカメラ４７のオートフォーカス機能を用いて、キャップ５５の有無を判定してもよい。液面であるべき位置に合焦した際の焦点が近い場合には、キャップ５５がついていると判定できる。

キャップ５５がついていないと判定した場合（ステップＳ５０２でＮＯ）、制御部２１はステップＳ５０１で撮影した第１画像および第２画像を、指定された検体に対応する学習モデル６３に入力し、画像に何が映っているかを推定した出力データを得る（ステップＳ５０３）。

制御部２１は、出力データに検体容器５０を分析装置３０により分析できない異常があることを示すデータが含まれるか否かを判定する（ステップＳ５０４）。異常があることを示すデータが含まれると判定した場合（ステップＳ５０４でＹＥＳ）、制御部２１は当該異常を検出した領域候補に所定の画像処理を行ない、異常部を強調した画像を作成する（ステップＳ５０５）。

ステップＳ５０５の終了後、または、異常があることを示すデータが含まれないと判定した場合（ステップＳ５０４でＮＯ）、制御部２１は、図１１を使用して説明した画面を表示する（ステップＳ５０６）。

制御部２１は、項目入力欄８１５および総合判定入力欄８１６を介して、ユーザによる入力を受け付ける（ステップＳ５０７）。制御部２１は、教師データＤＢ６１に新規レコードを作成して、新たな教師データを記録する（ステップＳ５０８）。

制御部２１は、検体容器５０を分析装置３０により分析可能である旨が、総合判定フィールドに記録されたか否かを判定する（ステップＳ５０９）。分析可能である旨が記録されていないと判定した場合（ステップＳ５０９でＮＯ）、または、検体容器５０にキャップ５５がついていると判定した場合（ステップＳ５０２でＹＥＳ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ５１１）。除去された検体容器５０は、第２搬送部１２１を介して異常検体収容部１２に収容される。

分析可能である旨が記録されていると判定した場合（ステップＳ５０９でＹＥＳ）、または、ステップＳ５１１の終了後、制御部２１は処理を終了するか否かを判定する（ステップＳ５１２）。たとえば、処理する検体容器５０がなくなった場合、または、ユーザによる終了の指示を受け付けた場合、制御部２１は処理を終了すると判定する。

処理を終了しないと判定した場合（ステップＳ５１２でＮＯ）、制御部２１はステップＳ５０１に戻る。処理を終了すると判定した場合（ステップＳ５１２でＹＥＳ）、制御部２１は処理を終了する。

なお、分析可能である旨が記録されていると判定した場合（ステップＳ５０９でＹＥＳ）、検体容器５０は第１搬送部４１１の下流に設置された分析装置３０に投入される。分析装置３０内でバーコードラベル５１に記載されたバーコードラベル５１が読み取られ、検体情報ＤＢ６８に記録された項目に沿って分析が行なわれる。

第１搬送部４１１と分析装置３０との間に、図１２を使用して説明したプログラムの処理が完了した検体容器５０を一時的に収容する一時収容部を設けても良い。この場合、ステップＳ５０４における判定結果およびステップＳ５０５で作成した画像を補助記憶装置２３に一時的に記憶しておく。ステップＳ５０６からステップＳ５０９の処理は実行しない。

ユーザは、補助記憶装置２３に一時的に記憶された情報を参照して、一時収容部に収容された検体容器５０の分析装置３０への投入可否の判断と、教師データＤＢ６１への記録を適宜行なう。このようにすることにより、使用初期段階であってもユーザが他の業務の合間に追加学習を行なえる分析システム１０を提供できる。

図１３は、学習が中程度まで進んだ段階におけるプログラムの処理の流れを示すフローチャートである。学習が中程度まで進んだ段階においては、制御部２１は、すべての検体に対して図１１を使用して説明した画面を表示する。所定の時間内にユーザによる入力を受け付けない場合には、制御部２１は、学習モデル６３による推定結果を教師データに採用する。ユーザは、図１１を使用して説明した画面を見て、学習モデル６３による推定結果が間違っている場合にのみ、修正指示を入力する。

ステップＳ５０１からステップＳ５０６までの処理は、図１２を使用して説明したフローチャートの処理と同一であるため、説明を省略する。制御部２１は、図１１を使用して説明した画面に対して、ユーザによる入力を受け付けたか否かを判定する（ステップＳ５２１）。受け付けたと判定した場合（ステップＳ５２１でＹＥＳ）、制御部２１は、教師データＤＢ６１に新規レコードを作成して、ユーザにより入力された内容を反映した教師データを記録する（ステップＳ５２２）。

所定の時間内にユーザによる入力を受け付けていないと判定した場合（ステップＳ５２１でＮＯ）、制御部２１は、教師データＤＢ６１に新規レコードを作成して、学習モデル６３から出力された内容を反映した教師データを記録する（ステップＳ５２５）。

ステップＳ５２２またはステップＳ５２５の終了後、制御部２１は、検体容器５０を分析装置３０より分析可能である旨が、総合判定フィールドに記録されたか否かを判定する（ステップＳ５０９）。分析可能である旨が記録されていないと判定した場合（ステップＳ５０９でＮＯ）、または、検体容器５０にキャップ５５がついていると判定した場合（ステップＳ５０２でＹＥＳ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ５１１）。

図１４は、学習が完了した段階におけるプログラムの処理の流れを示すフローチャートである。学習が完了した段階においては、制御部２１は図１１を使用して説明した画面を表示せず、分析装置３０により分析できない検体容器５０を自動的に第１搬送部４１１から除去する。教師データＤＢ６１への教師データの追加は行なわれない。

ステップＳ５０１からステップＳ５０３までは、図１２を使用して説明したフローチャートの処理の流れと同一であるため、説明を省略する。制御部２１は、学習モデル６３から出力された推定に基づいて、検体容器５０を分析装置３０により分析可能か否かを判定する（ステップＳ５３１）。

具体的には、学習モデル６３から出力された総合判定、すなわち検体容器５０が分析装置３０に投入された場合に、エラーが生じずに分析できる確率が所定の値以上である場合に、制御部２１は検体容器５０に収容された検体は分析装置３０により分析可能であると判定する。

分析できないと判定した場合（ステップＳ５３１でＮＯ）、または、検体容器５０にキャップ５５がついていると判定した場合（ステップＳ５０２でＹＥＳ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ５１１）。

分析可能であると判定した場合（ステップＳ５３１でＹＥＳ）、または、ステップＳ５１１の終了後、制御部２１は処理を終了するか否かを判定する（ステップＳ５１２）。たとえば、処理する検体容器５０がなくなった場合、または、ユーザによる終了の指示を受け付けた場合、制御部２１は処理を終了すると判定する。

なお、図１４を使用して説明したフローチャートにおいて、たとえばステップＳ５０３の後に、教師データＤＢ６１に新規レコードを追加して、教師データを記録してもよい。後日専門家が図１１を使用して説明した画面を確認して、学習モデル６３による判断を修正して教師データＤＢ６１に記録することにより、学習モデル６３の精度をさらに向上させられる。

教師データＤＢ６１の仮検体ＩＤフィールドに記録された仮検体ＩＤと、分析装置３０内でバーコードラベル５１から読み取られた検体ＩＤとの関連づけが記録されることが望ましい。分析装置３０内でエラーが発生した場合に、教師データＤＢ６１に記録された撮影画像を参照して検討することにより、学習モデル６３の改良を図ることができる。

図１１を使用して説明した使用初期段階におけるプログラム、図１２を使用して説明した学習が中程度まで進んだ段階におけるプログラム、および図１３を使用して説明した学習が完了した段階におけるプログラムは、ユーザが任意に切り替えることができる。学習モデル６３による推定結果をユーザが修正する頻度に基づいて、制御部２１が自動的に切り替えを行なってもよい。

図１５は、学習モデル６３を更新するプログラムの処理の流れを示すフローチャートである。図１５に示すプログラムは、使用初期段階および学習が中程度まで進んだ段階において、たとえば深夜時間帯等の、負荷の少ない時間帯に実行されるプログラムである。

制御部２１は、教師データＤＢ６１を取得する（ステップＳ５４１）。制御部２１は、教師データを訓練データとテストデータとに分ける。制御部２１は、訓練データを用いて教師あり学習を行ない、新たな学習モデル６３を生成する（ステップＳ５４２）。

制御部２１は、テストデータを用いて学習モデル６３の精度を評価する（ステップＳ５４３）。具体的には、制御部２１は、テストデータの撮影画像フィールドに記録された第１画像および第２画像とを、学習モデル６３に入力する。制御部２１は、学習モデル６３から出力された出力データと、テストデータの判定データフィールドに記録されたデータとが一致するか否かを判定する。制御部２１は、以上の処理を、テストデータに含まれる全レコードに対して繰り返す。

制御部２１は、学習モデル６３から出力された出力データと判定フィールドに記録されたデータとが一致する組の数と、学習モデル６３から出力された全出力データの数との比率を算出する。以上により学習モデル６３が算出した比率が、学習モデル６３の精度である。

制御部２１は、ステップＳ５４３で生成した学習モデル６３の精度と、従来使用していた学習モデル６３の精度とを比較して、ステップＳ５４３で生成した学習モデル６３の精度が向上したか否かを判定する（ステップＳ５４４）。

向上したと判定した場合（ステップＳ５４４でＹＥＳ）、制御部２１は補助記憶装置２３に記録された学習モデル６３を、新たに生成した学習モデル６３に更新する（ステップＳ５４５）。向上していないと判定した場合（ステップＳ５４４でＮＯ）、またはステップＳ５４５の終了後、制御部２１は処理を終了する。

図１５を使用して説明したプログラムは、たとえばネットワークを介して接続された大型計算機等、情報処理装置２０以外のハードウェアで実行されても良い。図１２から図１４を使用して説明したプログラムの実行と平行して、学習モデル６３の更新を行なうことができる。

本実施の形態によると、分析装置３０がエラーを起こす可能性のある検体を検出する分析システム１０を提供できる。分析装置３０内でのエラーを防止することにより、分析装置３０の破損防止および分析精度の向上を行なえる。

本実施の形態によると、バーコードラベル５１を読み取る作業をする前に、エラーを起こす可能性のある検体容器５０を除去する分析システム１０を提供できる。余分なバーコードラベル５１読み取り作業の発生を防止することにより、作業効率の向上を図ることができる。

本実施の形態によると、検査機関ごとの方針に基づいて、検体容器５０に収容された検体の分析装置３０による分析可否を判定できるように学習モデル６３を更新する分析システム１０を提供できる。検査機関の事情に応じて、効率の良い処理を行なうように、学習モデル６３を更新できる。

本実施の形態によると、検体容器５０内の検体の状態、検体容器５０自体の状態、およびバーコードラベル５１の状態等の、それぞれの状態についての判定だけでなく、分析装置３０により分析可能であるか否かの総合判定を行なう分析システム１０を提供できる。

本実施の形態によると、追加学習の有無をユーザが切替可能な分析システム１０を提供できる。ユーザは、分析装置３０でエラー発生頻度が上昇した場合、および、ユーザの手が空いている場合等に、図１２または図１３を使用して説明したプログラムを使用することにより、学習モデル６３の精度を向上させることができる。

なお、教師データＤＢ６１に記録した第１画像、第２画像および学習モデル６３による判定結果を後日読み出して、図１１を使用して説明した画面を用いて教師データの修正を行なっても良い。リアルタイムでの検体容器５０の振り分けはできないが、教師データＤＢ６１に蓄積する教師データを増やすことにより、学習モデル６３の精度を高めることができる。

本実施の形態によると、バーコードラベル５１の裏面の接着状態を判定し、分析装置３０内でバーコードラベル５１の剥がれが生じるおそれのある検体容器５０を除去する分析システム１０を提供できる。

図１５を使用して説明したプログラムのステップＳ５４４において精度が向上しない場合、学習モデル６３を更新しないことにより、学習モデル６３の精度を却って悪化させるような更新を防止できる。

学習モデル６３に入力される画像は、第１画像と第２画像との２枚に限定しない。たとえば、第１画像と第２画像との２枚の画像を使用する代わりに、検体容器５０の側面と、検体の液面との両方が含まれるように検体容器５０の斜め上方から撮影した１枚の画像を使用しても良い。学習モデル６３に入力される画像は、第１画像と第２画像とを１枚の画像に合成した合成画像であっても良い。

学習モデル６３に入力される画像は、３枚以上の任意の数であっても良い。学習モデル６３に、動画が入力されても良い。学習モデル６３に静止画と動画の両方が入力されても良い。

［実施の形態２］
本実施の形態は、検体前処理装置４０にバーコードリーダ１４を備える分析システム１０に関する。実施の形態１と共通する部分については、説明を省略する。

図１６は、実施の形態２の分析システム１０の構成を説明する説明図である。カメラ４７と振分部４８との間に、バーコードリーダ１４が配置されている。制御部２１は、バーコードリーダ１４を介して、バーコードラベル５１に記載された検体ＩＤを読み取る。なお、バーコードリーダ１４は振分部４８の下流側に配置されていても良い。

検体容器５０は、バーコードリーダ１４がバーコードラベル５１を読み取れるように第１搬送部４１１に載せられる。第１搬送部４１１により搬送されている検体容器５０を持ち上げて、バーコードリーダ１４にかざす、ロボットアーム等が設けられても良い。

図１７は、実施の形態２の学習モデル６３の構成を説明する説明図である。学習モデル６３は、たとえば血液検体用学習モデル６４、尿検体用学習モデル６５等、検体の種類に応じた学習モデル６３を含む。

血液検体用学習モデル６４は、容器サイズ判定モデル６４１、容器種類判定モデル６４２、検体量判定モデル６４３、異物判定モデル６４４、フィブリン判定モデル６４５、泡判定モデル６４６、乳び判定モデル６４７、および、バーコード判定学習モデル６４９等、血液の検体および血液が入った検体容器に関する、分析装置３０による検体の分析に支障をきたすレベルの各種の異常の有無を推定する学習モデル６３を含む。

同様に、尿検体用学習モデル６５は、容器サイズ判定モデル６５１、容器種類判定モデル６５２、検体量判定モデル６５３、異物判定モデル６５４、泡判定モデル６５６、乳び判定モデル６５７、および、バーコード判定学習モデル６５９等、尿の検体および尿が入った検体容器に関する、分析装置３０による検体の分析に支障をきたすレベルの各種の異常の有無を推定する学習モデル６３を含む。

たとえば容器サイズ判定モデル６４１と容器サイズ判定モデル６５１等、検体の色等の性状の影響を受けない学習モデル６３については、血液検体用学習モデル６４と尿検体用学習モデル６５とで共通の学習モデル６３を使用しても良い。

図１７に示すモデルは例示である。たとえば血液検体用学習モデル６４は、図示したモデルに加えて溶血判定モデル、黄疸判定モデル、未解凍判定モデルおよび遠心分離不良判定モデルを含む。血液検体用学習モデル６４は例示した以外のモデルを含んでも良く、例示したうちの１つまたは複数のモデルを含まなくても良い。

図１８は、実施の形態２の教師データＤＢ６１のレコードレイアウトを説明する説明図である。教師データＤＢ６１は、検体種類と、検体容器５０に付与された検体ＩＤと、撮影画像と、判定結果とを関連づけた教師データを記録するＤＢである。教師データＤＢ６１は、１組の教師データについて、１つのレコードを有する。

教師データＤＢ６１は、検体種類フィールド、検体ＩＤフィールド、撮影画像フィールド、および、判定結果フィールドを有する。撮影画像フィールドは、第１画像フィールドおよび第２画像フィールドを有する。判定結果フィールドは、総合判定フィールド、異物フィールド、フィブリンフィールド、泡フィールド、乳びフィールド、容器タイプフィールド、容器サイズフィールド、検体量フィールドおよびバーコードラベルフィールド等の各サブフィールドを有する。

検体ＩＤフィールドには、バーコードリーダ１４によりバーコードラベル５１から読み取られた検体ＩＤが記録されている。なお、バーコード不良等により検体ＩＤを読み取れなかった場合には、検体容器５０に仮に付与される仮検体ＩＤが検体ＩＤフィールドに記録される。その他の各フィールドについては、図７を使用して説明した実施の形態１の教師データＤＢ６１と同様であるため、説明を省略する。

図１９は、実施の形態２の学習モデル６３に含まれるそれぞれのモデルを説明する説明図である。本実施の形態の学習モデル６３は、ＣＮＮを用いて学習を行なう。各モデルは、入力層７０１、中間層７０２、出力層７０３、および、図示を省略する畳込み層とプーリング層とを有するニューラルネットワークモデル７０により構成される。

学習モデル６３に、検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像が入力される。入力された画像は、畳込み層およびプーリング層により繰り返し処理が行なわれた後に、入力層７０１に入力される。

出力層７０３に、それぞれの事象の発生確率が出力される。たとえば、容器サイズ判定モデル６４１では、検体容器５０が分析装置３０に投入可能な寸法である確率が出力層７０３に出力される。容器種類判定モデル６４２では検体容器５０が試験管型である確率、および、カップオンチューブ型である確率が出力層７０３に出力される。すなわち、容器種類判定モデル６４２は、出力層７０３に２個のノードを有する。

中間層７０２の各ニューロンのパラメータは、教師データＤＢ６１に基づいて機械学習により調整されている。

図２０および図２１は、実施の形態２の学習段階の画面例を説明する説明図である。図２０は、個々の検査機関において、検査機関独自の条件を追加学習する際に用いられる画面例を示す。図２０に示す画面は、第１画像欄８１３１、第２画像欄８１３２、総合判定欄８２１、ＮＧ項目欄８２２、修正ボタン８２３および次ボタン８２４を含む。

第１画像欄８１３１には、検体容器５０を横から撮影した第１画像が表示されている。第２画像欄８１３２には、検体の液面を撮影した第２画像が表示されている。総合判定欄８２１には、検体容器５０が分析装置３０に投入された場合に分析を行なえるかどうかを示す総合判定結果が表示されている。

ＮＧ項目欄８２２には、検体容器５０が分析装置３０に投入された場合にエラーを生じる可能性があると学習モデル６３により判定された項目が表示されている。ＮＧ項目欄８２２に表示される項目がない場合、制御部２１は、総合判定欄８２１に「分析可」を表示する。

ユーザは、図２０に表示された画面を見て、学習モデル６３による判定が正しいか否かを判断する。正しいと判断した場合、ユーザは次ボタン８２４を選択する。次ボタン８２４の選択を受け付けた場合、制御部２１は教師データＤＢ６１にレコードを作成して教師データを記録した後に、次の検体容器５０の処理に移る。

学習モデル６３による判定が正しくないと判断した場合、ユーザは修正ボタン８２３を選択する。修正ボタン８２３の選択を受け付けた場合、制御部２１は図２１に示す画面を表示する。図２１に示す画面は、第１画像欄８１３１、第２画像欄８１３２、ＮＧ項目入力欄８２５、総合判定変更ボタン８２６、および次ボタン８２４を含む。

ＮＧ項目入力欄８２５には、検体容器５０が分析装置３０への投入に適さない理由、すなわち分析装置３０により検体容器５０内の検体を分析ができない理由を示す項目の一覧が表示されている。ユーザは、第１画像欄８１３１および第２画像欄８１３２を参照して、適切な項目を選択する。

検体容器５０に収容された検体の分析装置３０による分析可否を変更する場合、ユーザは総合判定変更ボタン８２６を選択する。総合判定変更ボタン８２６は、選択される都度「分析可に変更」と「分析不可に変更」とが切り替わる、トグルスイッチ型のボタンである。ユーザが、総合判定変更ボタン８２６を操作して「分析可」である旨を設定した場合、制御部２１はＮＧ項目入力欄８２５のチェックを外す。分析装置３０による分析を妨げる原因は存在しないとユーザにより判定されたためである。

ユーザは、必要な入力を行なった後に、次ボタン８２４を選択する。ＤＢ６１にレコードを作成して教師データを記録した後に、次の検体容器５０の処理に移る。

なお、図２０および図２１を使用して説明した画面に、バーコードリーダ１４を介して読み取った検体ＩＤが表示されても良い。ユーザは検体ＩＤに基づいて医師からの依頼内容等を確認して、分析可否を判断できる。

図２２は、実施の形態２の使用初期段階におけるプログラムの処理の流れを示すフローチャートである。制御部２１は、カメラ４７を用いて検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像を撮影する（ステップＳ５５１）。制御部２１は、バーコードリーダ１４を介してバーコードラベル５１に記載された検体ＩＤを読み取る（ステップＳ５５２）。

制御部２１は、検体ＩＤをキーにして検体情報システム１５に記録された検体情報ＤＢ６８からレコードを抽出する（ステップＳ５５３）。なお、バーコードラベル５１の異常等により検体ＩＤを読み取れなかった場合、および、検体情報ＤＢ６８からレコードが抽出できなかった場合には、その旨が補助記憶装置２３に一時的に記憶される。

制御部２１は、検体容器５０にキャップ５５がついているか否かを判定する（ステップＳ５５５）。キャップ５５がついていないと判定した場合（ステップＳ５５５でＮＯ）、制御部２１はステップＳ５５１で撮影した第１画像および第２画像を、図１７を使用して説明した学習モデル６３に含まれる一つのモデルに入力する。入力された画像は、畳込み層およびプーリング層により繰り返し処理が行なわれた後に、入力層７０１に入力される。制御部２１は、出力層７０３から推定結果を取得する（ステップＳ５５６）。

制御部２１は、一つの種類の検体に対応する全モデルの処理を終了したか否かを判定する（ステップＳ５５７）。全モデルの処理を終了していないと判定した場合（ステップＳ５５７でＮＯ）、制御部２１はステップＳ５５６に戻る。

全モデルの処理を終了したと判定した場合（ステップＳ５５７でＹＥＳ）、制御部２１は、図２０を使用して説明した画面を表示する（ステップＳ５５８）。制御部２１は、学習モデル６３による推定結果に対するユーザの入力を受け付ける（ステップＳ５５９）。制御部２１は、教師データＤＢ６１に新規レコードを追加して、教師データを記録する（ステップＳ５６０）。

制御部２１は、検体容器５０に収容された検体が分析装置３０より分析可能であるか否かを判定する（ステップＳ５６１）。分析可能ではないと判断した場合（ステップＳ５６１でＮＯ）、または、キャップ５５がついていると判定した場合（ステップＳ５５５でＹＥＳ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ５６２）。除去された検体容器５０は、第２搬送部１２１を介して異常検体収容部１２に収容される。

分析可能であると判定した場合（ステップＳ５６１でＹＥＳ）、または、ステップＳ５６２の終了後、制御部２１は処理を終了するか否かを判定する（ステップＳ５６３）。処理を終了しないと判定した場合（ステップＳ５６３でＮＯ）、制御部２１はステップＳ５５１に戻る。処理を終了すると判定した場合（ステップＳ５６３でＹＥＳ）、制御部２１は処理を終了する。

なお、ステップＳ５５３のレコードの抽出は、検体情報システム１５で行なわれても良い。このようにする場合には制御部２１は検体情報システム１５に検体ＩＤを送信し、検体情報システム１５からレコードを正常に読み取れたか否かの判定結果を受信する。

図２３は、実施の形態２の学習が中程度まで進んだ段階におけるプログラムの処理の流れを示すフローチャートである。ステップＳ５５１からステップＳ５５８までの処理は、図２２を使用して説明したプログラムの処理の流れと同一であるため、説明を省略する。

制御部２１は、図２０を使用して説明した画面に対して、ユーザによる入力を受け付けたか否かを判定する（ステップＳ５７１）。受け付けたと判定した場合（ステップＳ５７１でＹＥＳ）、制御部２１は、教師データＤＢ６１に新規レコードを作成して、ユーザにより入力された内容を反映した教師データを記録する（ステップＳ５７２）。

所定の時間内にユーザによる入力を受け付けていないと判定した場合（ステップＳ５７１でＮＯ）、制御部２１は、教師データＤＢ６１に新規レコードを作成して、学習モデル６３から出力された内容を反映した教師データを記録する（ステップＳ５７５）。

ステップＳ５７２またはステップＳ５７５の終了後、制御部２１は、検体容器５０に収容された検体が分析装置３０により分析可能であるか否かを判定する（ステップＳ５６１）。以後の処理は、図２２を使用して説明したプログラムの処理の流れと同一であるため、説明を省略する。

図２４は、実施の形態２の学習が完了した段階におけるプログラムの処理の流れを示すフローチャートである。学習が完了した段階においては、制御部２１は図２０および図２１を使用して説明した画面を表示せず、分析装置３０による分析ができない検体容器５０を自動的に第１搬送部４１１から除去する。教師データＤＢ６１への教師データの追加は行なわれない。

ステップＳ５５１からステップＳ５５７までの処理は、図２２を使用して説明したフローチャートの処理の流れと同一であるため、説明を省略する。全モデルの処理を終了したと判定した場合（ステップＳ５５７でＹＥＳ）、制御部２１は、検体容器５０に収容された検体が分析装置３０により分析可能であるか否かを判定する（ステップＳ５６１）。以後の処理は図２２を使用して説明したプログラムの処理の流れと同一であるため、説明を省略する。

本実施の形態によると、バーコードラベル５１を読み取れない検体容器５０が分析装置３０に投入されない分析システム１０を提供できる。バーコードラベル５１の取り違え等のトラブルが発生している場合に、検体容器５０が速やかに異常検体収容部１２に収容されるため、ユーザが適切な対処を行なえる。

本実施の形態によると、学習モデル６３を複数のモデルに分割するとともに、たとえば血液と尿等の異なる種類の検体間で一部のモデルを共用できる。個々のモデルを作成する際の計算量が少ないため、教師データＤＢ６１に記録された教師データの数が多い場合であっても、学習モデル６３の更新に要する負荷を分散させる分析システム１０を提供できる。

本実施の形態によると、バーコードラベル５１から読み取られ検体ＩＤが教師データＤＢ６１に記録される。したがって、分析装置３０内でエラーが生じた場合の原因解析等に、教師データＤＢ６１を利用可能な分析システム１０を提供できる。

［実施の形態３］
本実施の形態は、分析装置３０内で発生したエラーに基づいてユーザが教師データを修正できる分析システム１０に関する。実施の形態２と共通する部分については、説明を省略する。図２５は、実施の形態３の分析システム１０の構成を説明する説明図である。

本実施の形態の分析システム１０は、検体前処理装置４０、分析装置３０、異常検体収容部１２、検体回収部１３、第１搬送部４１１、第２搬送部１２１および第３搬送部１３１に加えて、情報処理装置２１０を有する。分析装置３０は、分析途中で発生したエラーを分析エラーログファイルに逐次記録する。

情報処理装置２１０は、制御部２１１、主記憶装置２１２、補助記憶装置２１３、通信部２１４、表示部２１５、入力部２１６およびバスを備える。制御部２１１は、本実施の形態のプログラムを実行する演算制御装置である。制御部２１１には、一または複数のＣＰＵ（Central Processing Unit）またはマルチコアＣＰＵ等が使用される。制御部２１１は、バスを介して情報処理装置２１０を構成するハードウェア各部と接続されている。

主記憶装置２１２は、ＳＲＡＭ、ＤＲＡＭ、フラッシュメモリ等の記憶装置である。主記憶装置２１２には、制御部２１１が行なう処理の途中で必要な情報および制御部２１１で実行中のプログラムが一時的に保存される。

補助記憶装置２１３は、ＳＲＡＭ、フラッシュメモリ、ハードディスクまたは磁気テープ等の記憶装置である。補助記憶装置２１３には、制御部２１に実行させるプログラム、ログＤＢ６６、教師データＤＢ６１１およびプログラムの実行に必要な各種データが保存される。ログＤＢ６６、教師データＤＢ６１１は、情報処理装置２１０に接続された外部の大容量記憶装置等に保存されていても良い。

通信部２１４は、情報処理装置２１０とネットワークとの間の通信を行なうインターフェイスである。表示部２１５は、たとえば液晶表示パネル等である。入力部２１６は、キーボードおよびマウス等である。表示部２１５と入力部２１６とは、一体となっていわゆるタッチパネルを構成しても良い。

本実施の形態の情報処理装置２１０は、汎用のパーソナルコンピュータ、大型計算機、または大型計算機上で動作する仮想マシンである。情報処理装置２１０は、クラウドコンピューティングシステムと、タブレット等の携帯型情報処理装置等との組合せで実現されても良い。

教師データＤＢ６１１は、検体前処理装置４０の補助記憶装置２３に記憶された教師データＤＢ６１のレプリカであり、公知の手法により同期している。教師データＤＢ６１１のレコードレイアウトは、図１８を使用して説明した実施の形態２の教師データＤＢ６１のレコードレイアウトと同一である。本実施の形態においては、学習が完了した段階においても、教師データＤＢ６１に教師データが蓄積される。

図２６は、ログＤＢ６６のレコードレイアウトを説明する説明図である。ログＤＢ６６は、ネットワークを介して分析装置３０から取得したエラーログを記録したＤＢである。ログＤＢ６６は、医療機関ＩＤフィールド、検体ＩＤフィールド、検体種類フィールドおよび分析エラーフィールドを有する。

医療機関ＩＤフィールドには、医療機関に固有に付与された医療機関ＩＤが記録されている。検体ＩＤフィールドには、検体に固有に付与された検体ＩＤが記録されている。検体種類フィールドには、検体の種類が記録されている。分析エラーフィールドには、分析装置３０で発生したエラーが記録されている。分析エラーフィールドには、分析装置３０で発生するエラーに付与されたエラーコードが記録されても良い。ログＤＢ６６は、１つのエラーについて、１つのレコードを有する。

図２７は、実施の形態３の学習データ修正画面の例を説明する説明図である。図２７に示す画面は、分析装置エラー欄８２７、第１画像欄８１３１、第２画像欄８１３２、ＮＧ項目入力欄８２５、検体ＩＤ欄８２８および次ボタン８２４を含む。

分析装置エラー欄８２７には、分析装置３０で発生したエラーが表示されている。第１画像欄８１３１には、検体容器５０を横から撮影した第１画像が表示されている。第２画像欄８１３２には、検体の液面を撮影した第２画像が表示されている。

ＮＧ項目入力欄８２５には、検体容器５０に収容された検体を分析装置３０により分析できない理由を示す項目の一覧が表示されている。ユーザは、分析装置エラー欄８２７、第１画像欄８１３１および第２画像欄８１３２を参照して、適切な項目を選択する。

たとえば、分析装置３０のエラーログファイルに「分注ノズル詰まり」と記録されている場合であっても、泡、フィブリンおよび異物等の様々な原因が有り得る。ユーザは、第１画像および第２画像に基づいて詰まりの原因を判断して、ＮＧ項目入力欄８２５の適切な項目を選択する。ユーザは、検体ＩＤ欄８２８に表示された検体ＩＤに基づいて、検体を採取した医療機関名、および、検査項目等を参照し、判断の参考にしてもよい。

ＮＧ項目入力欄８２５への入力終了後、ユーザは次ボタン８２４を選択する。次ボタン８２４の選択を受け付けた場合、制御部２１１はＮＧ項目入力欄８２５から受け付けた入力を、教師データＤＢ６１１のレコードに反映させる。教師データＤＢ６１１と、教師データＤＢ６１とは、適宜同期する。

以上により、分析装置３０で発生したエラーを教師データＤＢ６１に反映させ、学習モデル６３を継続的に更新可能な分析システム１０を提供できる。

図２８は、実施の形態３の学習モデル６３を更新するプログラムの処理の流れを説明するフローチャートである。図２８は、制御部２１１により実行されるプログラムである。制御部２１１は、検体前処理装置４０内の教師データＤＢ６１と、情報処理装置２１０内の教師データＤＢ６１１とを同期させる（ステップＳ６０１）。制御部２１１は、分析装置３０に記録された分析エラーログファイルから、分析エラーを取得して、ログＤＢ６６に記録する（ステップＳ６０２）。

制御部２１１は、ログＤＢ６６のレコードの検体ＩＤフィールドに記録された検体ＩＤをキーとして教師データＤＢ６１１を検索し、レコードを抽出する（ステップＳ６０３）。制御部２１１は、抽出したレコードに記録されたデータおよびログＤＢ６６に基づいて、図２７を使用して説明した画面を表示する（ステップＳ６０４）。

制御部２１１は、ＮＧ項目入力欄８２５を介してエラーの発生原因を取得する（ステップＳ６０５）。制御部２１１は、ステップＳ６０３で取得したレコードの、ユーザにより入力された項目に対応するフィールドを変更することにより、教師データＤＢ６１１を更新する（ステップＳ６０６）。以上により、学習モデル６３による処理では検出できなかったエラー原因が、教師データＤＢ６１１との同期を通じて教師データＤＢ６１に記録される。

制御部２１１は、ログＤＢ６６に記録されたエラーの処理を終了したか否かを判定する（ステップＳ６０７）。終了していないと判定した場合（ステップＳ６０７でＮＯ）、制御部２１１はステップＳ６０３に戻る。終了したと判定した場合（ステップＳ６０７でＹＥＳ）、制御部２１１は処理を終了する。

本実施の形態によると、分析装置３０で発生したエラーのログに基づいて学習モデル６３を更新する分析システム１０を提供できる。ユーザは、分析装置３０で発生するエラーの頻度および他の業務との兼ね合いを見て、都合の良い時間に図２８を使用して説明したプログラムを実行して、教師データＤＢ６１を更新できる。

本実施の形態によると、ユーザは初期段階では緩めの判断を教師データＤＢ６１に記録し、分析装置３０でエラーが出た後に判断を修正できる。これにより、分析装置３０が処理可能であると判定する範囲が広い学習モデル６３を作成できる。

［実施の形態４］
本実施の形態は、分析装置３０で発生したエラーに基づいて生成したフィードバックモデルを有する分析システム１０に関する。実施の形態３と共通する部分については、説明を省略する。

図２９は、実施の形態４の学習モデル６３の構成を説明する説明図である。本実施の形態の学習モデル６３は、図１７を使用して説明した実施の形態２の学習モデル６３にフィードバックモデル６４８およびフィードバックモデル６５８が追加されている。

フィードバックモデル６４８は、血液の検体が入った検体容器５０について、分析装置３０が出すエラーをフィードバックして作成されるモデルである。フィードバックモデル６４８は、第１エラー予測モデル６４８１、第２エラー予測モデル６４８２、第３エラー予測モデル６４８３等を含む。それぞれのエラー予測モデルは、分析装置３０が出力するエラーの種類に対応している。

同様にフィードバックモデル６５８は、尿の検体が入った検体容器５０について、分析装置３０が出すエラーをフィードバックして作成されるモデルである。フィードバックモデル６５８は、第１エラー予測モデル６５８１、第２エラー予測モデル６５８２、第３エラー予測モデル６５８３等を含む。以下の説明ではフィードバックモデル６４８を例にして説明する。検体が尿である場合には、フィードバックモデル６４８の代わりにフィードバックモデル６５８を使用する。

図３０は、フィードバックモデル６４８を説明する説明図である。図１９を使用して説明した各モデルと同様に、フィードバックモデル６４８はＣＮＮを用いて学習を行なう。フィードバックモデル６４８は、入力層７０１、中間層７０２、出力層７０３、および、図示を省略する畳込み層とプーリング層とを有するニューラルネットワークモデル７０により構成される。

フィードバックモデル６４８に、検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像が入力される。入力された画像は、畳込み層およびプーリング層により繰り返し処理が行なわれた後に、入力層７０１に入力される。

出力層７０３に、それぞれのエラーの発生確率が出力される。たとえば、第１エラー予測モデル６４８１では、１番目のエラーが発生する確率が出力層７０３に出力される。中間層７０２の各ニューロンのパラメータは、教師データＤＢ６１に基づいて機械学習により調整されている。

図３１は、フィードバックＤＢのレコードレイアウトを説明する説明図である。フィードバックＤＢは、制御部２１１により作成されて、補助記憶装置２１３または情報処理装置２１０に接続された外部の大容量記憶装置等に記憶されるＤＢである。フィードバックＤＢは、フィードバックモデル６４８を作成する際の教師データに使用されるＤＢである。

フィードバックＤＢは、検体ＩＤフィールド、撮影画像フィールド、検体種類フィールド、および分析エラーフィールドを有する。撮影画像フィールドは、第１画像フィールドおよび第２画像フィールドを有する。

検体ＩＤフィールドには、検体に固有に付与された検体ＩＤが記録されている。第１画像フィールドには、検体容器５０を横から撮影した第１画像が記録されている。第２画像フィールドには、検体の液面を撮影した第２画像が記録されている。

検体種類フィールドには、「血液」、「尿」等の検体の種類が記録されている。分析エラーフィールドには、分析装置３０が出力したエラーが記録されている。エラーが発生しなかった検体については、分析エラーフィールドに「正常」が記録されている。フィードバックＤＢは、１つの検体ＩＤについて、１つのレコードを有する。

制御部２１１は、フィードバックＤＢを教師データに使用して教師あり機械学習を行ない、フィードバックモデル６４８を生成する。制御部２１１はネットワークを介して情報処理装置２０にフィードバックモデル６４８を送信する。制御部２１は、フィードバックモデル６４８を受信して、補助記憶装置２３に記憶する。

図３２は、実施の形態４のプログラムの処理の流れを示すフローチャートである。ステップＳ５５１からステップＳ５６１までの処理は、図２３を使用して説明したプログラムの処理の流れと同様であるため、説明を省略する。

分析可能であると判定した場合（ステップＳ５６１でＹＥＳ）、制御部２１はエラー予測のサブルーチンを起動する（ステップＳ６１１）。エラー予測のサブルーチンは、フィードバックモデル６４８を用いて分析装置３０が出力するエラーを予想するサブルーチンである。エラー予測のサブルーチンの処理の流れは後述する。

ステップＳ６１１、または、ステップＳ５６２の終了後、制御部２１は処理を終了するか否かを判定する（ステップＳ５６３）。処理を終了しないと判定した場合（ステップＳ５６３でＮＯ）、制御部２１はステップＳ５５１に戻る。処理を終了すると判定した場合（ステップＳ５６３でＹＥＳ）、制御部２１は処理を終了する。

図３３は、エラー予測のサブルーチンの処理の流れを説明するフローチャートである。エラー予測のサブルーチンは、フィードバックモデル６４８を用いて分析装置３０が出力するエラーを予想するサブルーチンである。

制御部２１は、第１画像および第２画像を、フィードバックモデル６４８を構成する一つのモデルに入力し、出力層７０３から分析装置３０がエラーを発生する確率を取得する（ステップＳ６２１）。

制御部２１は、エラーの発生する確率が所定の閾値より大きいか否かを判定する（ステップＳ６２２）。エラーの発生する確率が大きいと判定した場合（ステップＳ６２２でＹＥＳ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ６２３）。

エラーの発生する確率は大きくないと判定した場合（ステップＳ６２２でＮＯ）、制御部２１は、フィードバックモデル６４８に含まれる全モデルの処理を終了したか否かを判定する（ステップＳ６２４）。終了していないと判定した場合（ステップＳ６２４でＮＯ）、制御部２１はステップＳ６２１に戻る。

終了したと判定した場合（ステップＳ６２４でＹＥＳ）、または、ステップＳ６２３の終了後、制御部２１は処理を終了する。

図３４は、フィードバックモデル６４８を更新するプログラムの処理の流れを説明するフローチャートである。図３４は、制御部２１１により実行されるプログラムである。制御部２１１は、検体前処理装置４０内の教師データＤＢ６１と、情報処理装置２１０内の教師データＤＢ６１１とを同期させる（ステップＳ６３１）。制御部２１１は、分析装置３０に記録された分析エラーログファイルから、分析エラーを取得して、ログＤＢ６６に記録する（ステップＳ６３２）。

制御部２１１は、教師データＤＢ６１１およびログＤＢ６６に基づいてフィードバックＤＢを作成する（ステップＳ６３３）。具体的には、制御部２１１は教師データＤＢ６１１の検体ＩＤフィールドおよび撮影画像フィールドをフィードバックＤＢにコピーする。制御部２１１は、フィードバックＤＢの検体ＩＤフィールドに記録された検体ＩＤをキーとして、ログＤＢ６６を検索し、レコードを抽出する。

レコードが抽出された場合、制御部２１１は抽出されたレコードの分析エラーフィールドに記録された分析エラーを、フィードバックＤＢの分析エラーフィールドに記録する。レコードが抽出されない場合、制御部２１１はフィードバックＤＢの分析エラーフィールドに「正常」を記録する。以上により、フィードバックＤＢが作成される。

制御部２１１は、フィードバックＤＢに記録された教師データを訓練データとテストデータとに分ける。制御部２１は、訓練データを用いて教師あり学習を行ない、一つのエラーに対するフィードバックモデルを生成する（ステップＳ６３４）。

制御部２１１は、テストデータを用いてフィードバックモデルの精度を評価する（ステップＳ６３５）。制御部２１は、フィードバックモデルの精度が所定の閾値を超えるか否かを判定する（ステップＳ６３６）。所定の閾値以上の精度であると判定した場合（ステップＳ６３６でＹＥＳ）、制御部２１１はステップＳ６３４で作成したモデルを情報処理装置２０に送信する（ステップＳ６３７）。

所定の閾値未満の精度であると判定した場合（ステップＳ６３６でＮＯ）、または、ステップＳ６３７の終了後、制御部２１１は、すべてのエラーに対する処理が終了したか否かを判定する（ステップＳ６３８）。終了していないと判定した場合（ステップＳ６３８でＮＯ）、制御部２１１はステップＳ６３４に戻る。終了したと判定した場合（ステップＳ６３８でＹＥＳ）、制御部２１１は処理を終了する。

本実施の形態によると、分析装置３０から出力されるエラーに基づいて機械学習を行なう分析システム１０を提供できる。専門家ユーザが第１画像および第２画像を目視して判断する時間が確保できない場合であっても、学習モデル６３の精度を向上させることができる。

［実施の形態５］
本実施の形態は、検体前処理装置４０を内蔵する分析装置３０に関する。実施の形態２と共通する部分については、説明を省略する。

図３５は、実施の形態５の分析装置３０の構成を説明する説明図である。分析装置３０に、分析部３０１、検体前処理装置４０、異常検体収容部１２および検体回収部１３が内蔵されている。第１搬送部４１１の途中に、検体容器５０からキャップ５５を取り外す開栓部１６が設けられている。

開栓部１６の上流側に、第１画像を撮影する第１カメラ４７１が配置されている。開栓部１６の下流側に、第２画像を撮影する第２カメラ４７２が配置されている。第２カメラ４７２と振分部４８との間に、バーコードリーダ１４が配置されている。

検体投入部４１には、キャップ５５がついたままの検体容器５０が投入される。検体容器５０は、第１搬送部４１１により搬送される。第１カメラ４７１は、搬送中の検体容器５０の第１画像を撮影する。第１画像には、キャップ５５も撮影される。

開栓部１６において、検体容器５０からキャップ５５が取り外される。第２カメラ４７２は、キャップ５５が取り外された検体容器５０内の検体の液面を撮影する。バーコードリーダ１４は、搬送中の検体容器５０のバーコードラベル５１から検体ＩＤを読み取る。異常が検知されない検体容器５０は、分析部３０１まで搬送されて、所定の分析が行なわれる。分析部３０１は、情報処理装置２０の制御部２１により制御される。

図３６は、実施の形態５の学習モデル６３の構成を説明する説明図である。本実施の形態の学習モデル６３は、図１７を使用して説明した血液検体用学習モデル６４および尿検体用学習モデル６５に加えて、キャップ判定学習モデル６９を有する。

図３７は、キャップ判定教師ＤＢのレコードレイアウトを説明する説明図である。キャップ判定教師ＤＢは、キャップ判定学習モデル６９の生成に使用される教師データを記録したＤＢである。キャップ判定教師ＤＢは、補助記憶装置２３または情報処理装置２０に接続された大容量記憶装置等に記憶されている。

キャップ判定教師ＤＢは、医療機関ＩＤフィールド、検体ＩＤフィールド、検査項目フィールド、および、キャップ色フィールドを有する。

医療機関ＩＤフィールドには、医療機関に固有に付与された医療機関ＩＤが記録されている。検体ＩＤフィールドには、検体に固有に付与された検体ＩＤが記録されている。検査項目フィールドには、医療機関から依頼された検査項目が記録されている。キャップ色フィールドには、キャップ５５の色が記録されている。キャップ判定教師ＤＢは、１つの検体ＩＤについて、１つのレコードを有する。

図３８は、キャップ判定学習モデル６９を説明する説明図である。キャップ判定学習モデル６９は、ＣＮＮを用いた教師あり学習により生成される。キャップ判定学習モデル６９は、入力層７０１、中間層７０２および出力層７０３を有するニューラルネットワークモデル７０により構成される。

キャップ判定学習モデル６９の入力層７０１には、検体容器５０の処理を依頼した医療機関の医療機関ＩＤおよび検査項目Ａ等の各検査項目の依頼有無が入力される。出力層７０３には、検体容器５０のキャップ５５が赤色である確率、青色である確率、緑色である確率等が出力される。

中間層７０２の各ニューロンのパラメータは、キャップ判定教師ＤＢに記録された教師データに基づいて機械学習により調整されている。キャップ判定学習モデル６９は、ランダムフォレスト等の任意の手法により生成されても良い。

図３９は、実施の形態５の画面例を説明する説明図である。制御部２１は、キャップ５５の色が通常その医療機関でその検体に対して使用されている色とは異なる色であると判定した場合に、図３９に示す画面を表示する。図３９に示す画面は、第１画像欄８１３１、受注情報欄８３３、通常キャップ色欄８３４、今回キャップ色欄８３５、中止ボタン８３１および継続ボタン８３２を含む。

第１画像欄８１３１には、第１カメラ４７１により撮影された第１画像が表示されている。受注情報欄８３３には、医療機関名、検体ＩＤおよび検査項目が表示されている。医療機関名および検査項目は、検体ＩＤに基づいて検体情報ＤＢ６８から取得される。

通常キャップ色欄８３４には、医療機関および検査項目の組合せに基づいてキャップ判定学習モデル６９により最も可能性が高いと判定されたキャップ５５の色が表示される。なお、通常キャップ色欄８３４には、たとえば上位数色と、それぞれの色の確率が表示されても良い。

今回キャップ色欄８３５には、第１画像から取得されたキャップ５５の色が表示されている。なお、通常キャップ色欄８３４に表示された色と、今回キャップ色欄８３５に表示された色とが異なる場合には、制御部２１は画面の点滅または音等により、ユーザの注意を引いても良い。

検体容器５０の確認が必要であると判断した場合、ユーザは中止ボタン８３１を選択する。中止ボタン８３１の選択を受け付けた場合、制御部２１は検体容器５０からキャップ５５を取り外さないように開栓部１６を制御する。さらに制御部２１は振分部４８を制御して、検体容器５０を第１搬送部４１１から第２搬送部１２１に移す。以上により、検体容器５０は分析部３０１に送られる前に回収される。

分析を継続すると判断した場合、ユーザは継続ボタン８３２を選択する。検体容器５０は、開栓部１６で開栓された後、分析部３０１に投入される。

図４０は、実施の形態５のプログラムの処理の流れを示すフローチャートである。図４０に示すプログラムは、学習が完了した段階で使用するプログラムである。制御部２１は、第１カメラ４７１および第２カメラ４７２を用いて検体容器５０を横から撮影した第１画像および検体の液面を撮影した第２画像を撮影する（ステップＳ５５１）。制御部２１は、バーコードリーダ１４を介してバーコードラベル５１に記載された検体ＩＤを読み取る（ステップＳ５５２）。

制御部２１は、ステップＳ５５２で読み取った検体ＩＤをキーとして、検体情報ＤＢ６８からレコードを抽出する（ステップＳ５５３）。制御部２１は、ステップＳ５５３で抽出したレコードに記録された医療機関ＩＤおよび検査項目をキャップ判定学習モデル６９の入力層７０１に入力する。制御部２１は、キャップ判定学習モデル６９の出力層７０３より、キャップ５５の色の推定結果を取得する（ステップＳ６５２）。

制御部２１は、ステップＳ６５２で取得した推定結果と、第１画像に撮影されたキャップ５５の色とが同じであるか否かを判定する（ステップＳ６５３）。同じ色ではないと判定した場合（ステップＳ６５３でＮＯ）、制御部２１は図３９を使用して説明した画面を表示する（ステップＳ６６１）。

制御部２１は、継続ボタン８３２の選択を受け付けたか否かを判定する（ステップＳ６６２）。継続ボタン８３２の選択を受け付けたと判定した場合（ステップＳ６６２でＹＥＳ）、または、キャップ５５が同じ色であると判定した場合（ステップＳ６５３でＹＥＳ）、制御部２１はステップＳ５５１で撮影した第１画像および第２画像を、図３６を使用して説明した学習モデル６３に含まれる一つのモデルに入力する。

入力された画像は、畳込み層およびプーリング層により繰り返し処理が行なわれた後に、入力層７０１に入力される。制御部２１は、出力層７０３から推定結果を取得する（ステップＳ５５６）。制御部２１は、一つの種類の検体に対応する全モデルの処理を終了したか否かを判定する（ステップＳ５５７）。全モデルの処理を終了していないと判定した場合（ステップＳ５５７でＮＯ）、制御部２１はステップＳ５５６に戻る。

全モデルの処理を終了したと判定した場合（ステップＳ５５７でＹＥＳ）、制御部２１は、検体容器５０に収容された検体が分析装置３０により分析可能であるか否かを判定する（ステップＳ５６１）。分析可能ではないと判断した場合（ステップＳ５６１でＮＯ）、または、継続ボタン８３２の選択を受け付けないと判定した場合（ステップＳ６６２でＮＯ）、制御部２１は、振分部４８を制御して検体容器５０を第１搬送部４１１から除去する（ステップＳ５６２）。除去された検体容器５０は、第２搬送部１２１を介して異常検体収容部１２に収容される。

本実施の形態によると、医療機関が通常とは異なる色のキャップ５５が使用した場合に検知する分析システム１０を提供できる。通常とは異なる色のキャップ５５が使用された場合、医療機関側で発注ミスその他のトラブルが生じている可能性がある。そのような場合に速やかに検知して、対応可能な分析システム１０を提供できる。

なお、キャップ５５の色が推定結果と異なる色であると判定した場合（ステップＳ６５３でＮＯ）、制御部２１は、図３９を使用して説明した画面を表示せずに、ステップＳ５６２に進み、検体容器５０を第１搬送部４１１から除去しても良い。

バーコードリーダ１４は、第２カメラ４７２よりも上流側に配置されても良い。ステップＳ５５１においては第１カメラ４７１を用いて第１画像を撮影する。継続ボタン８３２の選択を受け付けたと判定した場合（ステップＳ６６２でＹＥＳ）、または、キャップ５５が同じ色であると判定した場合（ステップＳ６５３でＹＥＳ）、制御部２１は、開栓部１６を制御して、キャップ５５を取り外す。制御部２１は第２カメラ４７２を用いて第２画像を撮影する。

以上により、キャップの色に異常がある場合には検体容器５０の蓋を開けずに、専門家による適切な処置を待つ分析システム１０を提供できる。

［実施の形態６］
本実施の形態は、臨床検査技師等の検体を取り扱う専門家を育成するトレーニングに利用する訓練装置に流用可能な分析システム１０に関する。実施の形態２と共通する部分については、説明を省略する。

図４１から図４３は、実施の形態６の画面例を説明する説明図である。図４１は、トレーニング用の問題を表示する画面である。図４１に示す画面は、第１画像欄８１３１、第２画像欄８１３２、検体種類欄８４１、分析可ボタン８４２、分析不可ボタン８４３および次ボタン８２４を含む。

第１画像欄８１３１には、検体容器５０を横から撮影した第１画像が表示されている。第２画像欄８１３２には、検体の液面を撮影した第２画像が表示されている。第１画像欄８１３１および第２画像欄８１３２に表示される画像は、あらかじめ選択されたトレーニング用の画像でも、トレーニングを受けるユーザ自身が用意した検体容器５０を撮影した画像でも良い。

検体種類欄８４１には、検体の種類が表示されている。第１画像欄８１３１および第２画像欄８１３２にトレーニング用の画像を使用する場合には、トレーニング用画像の検体の種類が表示される。ユーザ自身が用意した検体容器５０を撮影した画像を使用する場合には、ユーザが検体種類欄８４１に表示する検体の種類を指定する。

ユーザは、第１画像欄８１３１および第２画像欄８１３２に表示された画像に基づいて、検体容器５０を分析装置３０により分析可能であるか否かを判断し、分析可ボタン８４２または分析不可ボタン８４３を選択する。その後、ユーザは次ボタン８２４を選択する。

制御部２１は、第１画像および第２画像を学習モデル６３に入力し、出力層７０３から取得した出力データに基づいて分析装置３０より分析可能であるか否かを判定する。

図４２は、ユーザが分析可ボタン８４２を選択し、制御部２１も分析装置３０による分析が可能であると判定した場合の画像である。図４２に示す画像には、「正解」を示す評価欄８４４が表示されている。ユーザは、自分の判断が正しいことを確認できる。

図４３は、ユーザが分析可ボタン８４２を選択し、制御部２１は分析装置３０による分析ができないと判定した場合の画像である。図４３に示す画像には、「不正解」を示す評価欄８４４が表示されている。画面の下部に、分析不可と判定した理由を解説する解説欄８４５が表示されている。ユーザは、自分の判断が誤っていたこと、および、その理由を確認できる。

本実施の形態によると、たとえば教師データＤＢ６１に記録された過去の画像を使用して、専門家のトレーニングを行なう装置を提供できる。ユーザが自分で用意した検体容器５０を使用してトレーニングを行なうことにより、検体の採取および処理作業のトレーニングを行なうことも可能である。

記録済の撮影画像を使用してトレーニングを行なう場合、汎用のパソコン、タブレットまたはスマートフォン等の情報機器を使用して本実施の形態の訓練装置を実現しても良い。学習モデル６３が個々の情報機器に配布されており、情報機器上でプログラムが実行されても良い。情報機器とネットワークを介して接続されたサーバマシンまたはクラウドコンピューティングシステム上で、プログラムが実行されても良い。

［実施の形態７］
図４４は、実施の形態７の分析装置３０の機能ブロック図である。分析装置３０は、画像取得部７６、入力部７７および出力部７８を有する。画像取得部７６は、検体が収容された検体容器５０の撮影画像を受け付ける。入力部７７は、検体が収容された検体容器５０の撮影画像を受け付けて、検体または検体容器５０の状態に関する予測を出力する学習モデル６３に、画像取得部７６が取得した撮影画像を入力する。出力部７８は、入力された撮影画像に基づいて学習モデル６３から出力された予測を出力する。

［実施の形態８］
本実施の形態は、汎用のコンピュータ９０とプログラム９７とを組み合わせて動作させることにより、本実施の形態の情報処理装置２０を実現する形態に関する。図４５は、実施の形態８の分析システム１０の構成を示す説明図である。実施の形態１と共通する部分については、説明を省略する。

本実施の形態の分析システム１０は、コンピュータ９０を含む。コンピュータ９０は、制御部２１、主記憶装置２２、補助記憶装置２３、通信部２４、表示部２５、入力部２６、カメラＩ／Ｆ２７、振分部Ｉ／Ｆ２８、読取部２９およびバスを備える。コンピュータ９０は、汎用のパーソナルコンピュータ、タブレットまたはサーバコンピュータ等の情報機器である。

プログラム９７は、可搬型記録媒体９６に記録されている。制御部２１は、読取部２９を介してプログラム９７を読み込み、補助記憶装置２３に保存する。また制御部２１は、コンピュータ９０内に実装されたフラッシュメモリ等の半導体メモリ９８に記憶されたプログラム９７を読出しても良い。さらに、制御部２１は、通信部２４および図示しないネットワークを介して接続される図示しない他のサーバコンピュータからプログラム９７をダウンロードして補助記憶装置２３に保存しても良い。

プログラム９７は、コンピュータ９０の制御プログラムとしてインストールされ、主記憶装置２２にロードして実行される。これにより、コンピュータ９０は上述した情報処理装置２０として機能する。

各実施例で記載されている技術的特徴（構成要件）はお互いに組合せ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものでは無いと考えられるべきである。本発明の範囲は、上記した意味では無く、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０分析システム
１２異常検体収容部
１２１第２搬送部
１３検体回収部
１３１第３搬送部
１４バーコードリーダ
１５検体情報システム
１６開栓部
２０情報処理装置
２１制御部
２２主記憶装置
２３補助記憶装置
２４通信部
２５表示部
２６入力部
２７カメラＩ／Ｆ
２８振分部Ｉ／Ｆ
２９読取部
２１０情報処理装置
２１１制御部
２１２主記憶装置
２１３補助記憶装置
２１４通信部
３０分析装置
３０１分析部
４０検体前処理装置
４１検体投入部
４１１第１搬送部
４７カメラ
４７１第１カメラ
４７２第２カメラ
４８振分部
４８１振分アーム
５０検体容器
５１バーコードラベル
５２サンプルカップ
５３チューブ
５５キャップ
６１教師データＤＢ
６１１教師データＤＢ
６３学習モデル
６４血液検体用学習モデル
６４１容器サイズ判定モデル
６４２容器種類判定モデル
６４３検体量判定モデル
６４４異物判定モデル
６４５フィブリン判定モデル
６４６泡判定モデル
６４７乳び判定モデル
６４８フィードバックモデル
６４８１第１エラー予測モデル
６４８２第２エラー予測モデル
６４８３第３エラー予測モデル
６４９バーコード判定学習モデル
６５尿検体用学習モデル
６５１容器サイズ判定モデル
６５２容器種類判定モデル
６５３検体量判定モデル
６５４異物判定モデル
６５６泡判定モデル
６５７乳び判定モデル
６５８フィードバックモデル
６５８１第１エラー予測モデル
６５８２第２エラー予測モデル
６５８３第３エラー予測モデル
６５９バーコード判定学習モデル
６６ログＤＢ
６８検体情報ＤＢ
６９キャップ判定学習モデル
７０ニューラルネットワークモデル
７０１入力層
７０２中間層
７０３出力層
７１領域候補抽出部
７２分類部
７６画像取得部
７７入力部
７８出力部
８１１仮検体ＩＤ欄
８１２１第１結果欄
８１２２第２結果欄
８１３撮影画像欄
８１３１第１画像欄
８１３２第２画像欄
８１４検出画像欄
８１５項目入力欄
８１６総合判定入力欄
８１７設定ボタン
８１８キャンセルボタン
８２１総合判定欄
８２２ＮＧ項目欄
８２３修正ボタン
８２４次ボタン
８２５ＮＧ項目入力欄
８２６総合判定変更ボタン
８２７分析装置エラー欄
８２８検体ＩＤ欄
８３１中止ボタン
８３２継続ボタン
８３３受注情報欄
８３４通常キャップ色欄
８３５今回キャップ色欄
８４１検体種類欄
８４２分析可ボタン
８４３分析不可ボタン
８４４評価欄
８４５解説欄
９０コンピュータ
９６可搬型記録媒体
９７プログラム
９８半導体メモリ

Claims

検体が収容された検体容器の撮影画像を取得する画像取得部と、
検体が収容された検体容器の撮影画像を受け付けて、前記検体または前記検体容器の状態に関する予測を出力する学習モデルに、前記画像取得部が取得した撮影画像を入力する入力部と、
入力された撮影画像に基づいて前記学習モデルから出力された予測を出力する出力部と
を備える分析装置。
前記学習モデルは、分析部が前記検体容器を処理可能であるか否かに関する予測を出力する
請求項１に記載の分析装置。
前記学習モデルは、分析部が前記検体容器内の検体を分析可能であるか否かに関する予測を出力する
請求項１または請求項２に記載の分析装置。
前記学習モデルは、前記検体に、溶血、黄疸、乳び、フィブリン、泡、異物、液量不足、液量過剰からなる群から選択された少なくとも１つ以上の分析阻害因子が存在するか否かに関する予測を出力する
請求項１から請求項３のいずれか一つに記載の分析装置。
前記学習モデルは、前記検体容器が、規定外サイズ、キャップの有無、バーコードラベル貼付位置異常からなる群から選択された少なくとも１つ以上の処理阻害形態であるか否か、に関する予測を出力する。
請求項１から請求項４のいずれか一つに記載の分析装置。
前記出力部が出力した予測に基づいて、前記画像取得部が取得した前記撮影画像に撮影された前記検体が収容された検体容器の分析装置による分析可否を判定する判定部と、
前記判定部による判定結果に基づいて前記検体容器を振り分ける振分部と
を備える請求項１から請求項５のいずれか一つに記載の分析装置。
前記画像取得部が取得した撮影画像と、前記判定部が判定した判定結果とを表示する表示部と、
前記撮影画像に撮影された検体容器の分析装置による分析可否の入力を受け付ける受付部と
を備える請求項６に記載の分析装置。
前記画像取得部が取得した撮影画像に撮影された前記検体容器が投入された分析装置から、分析時に発生したエラーを取得するエラー取得部と、
前記画像取得部が取得した撮影画像と、前記エラー取得部が取得したエラーとを関連づけて記録する記録部と
を備える請求項１から請求項７のいずれか一つに記載の分析装置。
前記記録部に記録された情報に基づいて、前記学習モデルを更新する
請求項８に記載の分析装置。
検体が収容された検体容器の撮影画像を取得する画像取得部と、
検体が収容された検体容器の撮影画像を受け付けて、前記検体または前記検体容器の状態に関する予測を出力する学習モデルに、前記画像取得部が取得した撮影画像を入力する入力部と、
前記学習モデルから出力された予測に基づいて前記検体容器を振り分ける振分部と、
前記振分部により一方に振り分けられた前記検体容器内の検体を分析する分析部と
を備える検体前処理装置。
ユーザによる判定結果を受け付ける受付部と、
検体が収容された検体容器の撮影画像を取得する画像取得部と、
検体が収容された検体容器の撮影画像を受け付けて、前記検体または前記検体容器の状態に関する予測を出力する学習モデルに、前記画像取得部が取得した撮影画像を入力する入力部と、
入力された撮影画像に基づいて前記学習モデルから出力された予測を出力する出力部と、
前記受付部が受け付けた判定結果と、前記出力部が出力した予測とを表示する表示部と
を備える訓練装置。
検体が収容された検体容器の撮影画像を取得し、
検体が収容された検体容器の撮影画像を受け付けて、前記検体または前記検体容器の状態に関する予測を出力する学習モデルに、取得した撮影画像を入力し、
入力された撮影画像に基づいて前記学習モデルから出力された予測を出力する
処理をコンピュータに実行させるプログラム。
検体が収容された検体容器の撮影画像を取得し、
検体が収容された検体容器の撮影画像を受け付けて、前記検体容器の状態に関する予測を出力する学習モデルに、取得した撮影画像を入力し、
入力された撮影画像に基づいて前記学習モデルから出力された予測を出力する
処理をコンピュータに実行させる情報処理方法。
検体が収容された検体容器が撮影された撮影画像を受け付ける入力層と、
前記検体が収容された検体容器の分析装置による分析可否に関する情報を出力する出力層と、
前記撮影画像と前記分析装置による分析可否とを含む教師データに基づいてパラメータが学習された中間層とを備え、
検体が収容された検体容器が撮影された撮影画像が前記入力層に入力された場合に、前記中間層で演算を行ない、前記出力層から前記分析装置による分析可否を出力する
処理に用いられる学習モデル。
検体が収容された検体容器が撮影された撮影画像、および、前記検体または前記検体容器の分析装置による分析可否を関連づけて記録した教師データを複数取得し、
取得した複数の前記教師データに基づいて、前記撮影画像を入力、前記分析装置による分析可否を出力として、検体が収容された検体容器を撮影した撮影画像が入力された場合に、前記分析装置による分析可否に関する予測を出力する学習モデルを生成する
学習モデルの生成方法。