JP2022051447A - 細胞分析方法及び細胞分析装置 - Google Patents

Abstract

【課題】検体に含まれる複数の細胞から得られたデータを分析する構成において、大幅に増加した情報量の細胞のデータを要求された処理能力で処理可能な細胞分析方法および細胞分析装置を提供する。【解決手段】細胞分析方法は、ホストプロセッサと、並列処理プロセッサとを含む細胞分析装置において、前記ホストプロセッサによる制御に基づいて、検体中の複数の細胞の各々に関するデータを取得し、前記並列処理プロセッサによって、前記データに関する並列処理を実行し、前記並列処理の結果に基づき、前記複数の細胞の各々について細胞種別に関する情報を生成する、ことを含む。【選択図】図１

Description

本発明は、細胞分析方法及び細胞分析装置に関する。

特許文献１には、血球細胞をフローサイトメータによって測定して得られたデータを、プロセッサを搭載したデータ処理システムにおいて解析し、細胞を種別に応じて分類する方法が記載されている。特許文献１では、フローサイトメータによって測定した光学的な情報で細胞を分類できない場合に、さらに細胞の体積と導電率の情報を用いることが記載されている。

特表２０１２－５１９８４８号公報

細胞の分類精度を向上するために細胞の分類に用いる情報量を増やすと、複数の細胞を含む血液や尿などの検体においては、一つの細胞から得られる情報量が増えることで検体単位でのデータ容量は膨大なものとなる。例えば、深層学習アルゴリズムを用いて個々の細胞の分類を行うには、細胞毎の特徴を抽出するために個々の細胞から取得する情報量を大幅に増やす必要がある。特許文献１には、大幅に増加した情報量を、要求された処理能力の範囲内で処理可能なシステムは開示されていない。

本発明の一態様は、検体に含まれる複数の細胞から得られたデータを分析する構成において、大幅に増加する情報量の細胞のデータを、要求された処理能力の要求を満たすことが可能な細胞分析方法、細胞分析装置を提供することを目的とする。

上記の課題を解決するために、本発明の一態様に係る細胞分析方法は、ホストプロセッサ（３００１、４８３１、６００１、８１１１）と、並列処理プロセッサ（３００２、４８３３、６００２、８１１２）とを含む細胞分析装置（４０００、４０００’、４０００''）において、ホストプロセッサ（３００１、４８３１、６００１、８１１１）による制御に基づいて、検体中の複数の細胞の各々に関するデータを取得し、並列処理プロセッサ（３００２、４８３３、６００２、８１１２）によって、前記データに関する並列処理を実行し、並列処理の結果に基づき、複数の細胞の各々について細胞種別に関する情報を生成する、ことを含む。

上記の課題を解決するために、本発明の別の態様に係る細胞分析方法は、測定ユニット（４００、４００ａ、５００、５００ａ、７００）によって細胞を測定し、測定ユニット（４００、４００ａ、５００、５００ａ、７００）とインターネットまたはイントラネットを介さずに接続された並列処理プロセッサ（３００２、４８３３、６００２、８１１２）によって、前記測定に基づく細胞に関するデータの並列処理を実行し、並列処理の結果に基づき、前記細胞の細胞種別に関する情報を生成する、ことを含む。

上記の課題を解決するために、本発明の別の態様に係る細胞分析方法は、細胞分析装置（４０００、４０００’、４０００''）に搭載された測定ユニット（４００、４００ａ、５００、５００ａ、７００）によって検体を吸引し、吸引された検体中の細胞に関するデータを生成し、前記データに関する並列処理を、細胞分析装置（４０００、４０００’、４０００''）に搭載された並列処理プロセッサ（３００２、４８３３、６００２、８１１２）で実行し、並列処理プロセッサ（３００２、４８３３、６００２、８１１２）が実行する並列処理の結果に基づき、細胞の細胞種別に関する情報を生成する、ことを含む。

上記の課題を解決するために、本発明の一態様に係る細胞分析装置は、検体に含まれる複数の細胞を測定する測定ユニット（４００、４００ａ、５００、５００ａ、７００）と、複数の細胞の分析に関する情報処理を行うプロセッサ（３００１、４８３１、６００１、８１１１）と、並列処理プロセッサ（３００２、４８３３、６００２、８１１２）と、を備え、測定ユニット（４００、４００ａ、５００、５００ａ、７００）は、複数の細胞の各々に関するデータを取得し、並列処理プロセッサ（３００２、４８３３、６００２、８１１２）は、前記データに関する並列処理を実行し、プロセッサ（３００１、４８３１、６００１、８１１１）は、並列処理の結果に基づいて生成された、複数の細胞の各々の細胞種別に関する情報を処理する、ことを含む。

複数の細胞を大容量のデータに基づいて分析しつつ、処理能力の要求を満たすことが可能となる。

（ａ）は、従来法の白血球分類の例を示す。（ｂ）は、本法の白血球分類の例を示す。 （ａ）は、フローセルを流れる細胞に光を照射する例を示す。（ｂ）は、前方散乱光信号、側方散乱光信号、蛍光信号のサンプリングを行う例を示す。（ｃ）は、サンプリングによって得られる波形データの例を示す。 訓練データの生成方法の例を示す。 ラベル値の例を示す。 分析データの分析方法の例を示す。 細胞分析装置の外観の例を示す。 測定ユニットのブロック図の例を示す。 検体吸引部と試料調製部の例を示す。 ＦＣＭ検出部の光学系の構成例を示す。 処理ユニットの構成例を示す。 並列処理プロセッサの構成例を示す。 測定ユニットへの並列処理プロセッサの実装例を示す。 測定ユニットへの並列処理プロセッサの他の実装例を示す。 測定ユニットへの並列処理プロセッサの他の実装例を示す。 測定ユニットへの並列処理プロセッサの他の実装例を示す。 プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。 （ａ）は、行列の積の計算式を示す。（ｂ）は、並列処理プロセッサで並列に実行される演算処理の例を示す。 演算処理を、並列処理プロセッサにて実行する様子を示す。 （ａ）は、深層学習アルゴリズムに入力される波形データとして、前方散乱光の波形データの例を示す。（ｂ）は、波形データとフィルタとの行列演算の概要を示す。 細胞分析装置による検体の分析動作の例を示す。 細胞分析処理の例を示す。 並列処理の例を示す。 測定ユニットのブロック図の他の例を示す。 処理ユニットのブロック図の例を示す。 プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。 測定ユニットのブロック図の他の例を示す。 処理ユニットのブロック図の他の例を示す。 測定ユニットと処理ユニットと解析ユニットとの構成例を示す。 測定ユニットのブロック図の他の例を示す。 解析ユニットのブロック図の例を示す。 プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。 処理ユニットのブロック図の他の例を示す。 測定ユニットのブロック図の他の例を示す。 解析ユニットのブロック図の他の例を示す。 測定ユニットのブロック図の例を示す。 フローサイトメータの光学系の概略の例を示す。 測定ユニットの試料調製部の概略の例を示す。 波形データ分析システムの概略の例を示す。 ベンダ側装置のブロック図の例を示す。 測定ユニットのブロック図の例を示す。 解析ユニットのブロック図の他の例を示す。 深層学習装置の機能ブロック図の例を示す。 訓練データを生成するため処理部の動作のフローチャート例を示す。 ニューラルネットワークを説明するための模式図を示す。（ａ）は、ニューラルネットワークの概要を示す模式図を示す。（ｂ）は、各ノードにおける演算を示す模式図を示す。（ｃ）は、ノード間の演算を示す模式図を示す。 参照法による判定結果と深層学習アルゴリズムを用いた判定結果との混合マトリックスを示す。 （ａ）は、好中球のＲＯＣ曲線を示す。（ｂ）は、リンパ球のＲＯＣ曲線を示す。（ｃ）は、単球のＲＯＣ曲線を示す。 （ａ）は、好酸球のＲＯＣ曲線を示す。（ｂ）は、好塩基球のＲＯＣ曲線を示す。（ｃ）は、コントロール血液（ＣＯＮＴ）のＲＯＣ曲線のＲＯＣ曲線を示す。 画像分析装置としての細胞分析装置の構成例を示す。 処理部の構成例を示す。 訓練データの生成方法の例を示す。 ラベル値の例を示す。 画像の分析方法の例を示す。 分析結果の一実施形態を示す。

以下、本発明の概要及び実施の形態を、添付の図面を参照して詳細に説明する。なお、以下の説明及び図面において、同じ符号は同じ又は類似の構成要素を示すこととし、よって、同じ又は類似の構成要素に関する説明を省略する。

［１．細胞の分析方法］
本実施形態は、ホストプロセッサと、並列処理プロセッサとを含む細胞分析装置において、前記ホストプロセッサによる制御に基づいて細胞の各々に関するデータを取得し、前記並列処理プロセッサで前記データに関する並列処理を実行し、前記並列処理の結果に基づき、前記細胞の各々について細胞種別に関する情報を生成する、ことを含む細胞分析方法を開示する。

本分析方法によれば、１検体あたり数百メガバイトから数ギガバイトに及ぶ膨大な容量のデータを分析する場合であっても、ホストプロセッサとは別に設けられた並列処理プロセッサによって細胞のデータに関する処理を並列で実行できる。そのため、例えば膨大な容量のデータを用いる深層学習アルゴリズムによって細胞を分類する場合であっても、細胞分析装置のみでデータの処理が完結する。例えば、深層学習アルゴリズムを格納した分析用サーバに、インターネットまたはイントラネットを介して細胞のデータを送信する必要がない。したがって、本分析方法によれば、細胞分析装置から分析用サーバに大容量のデータを送信し、分析用サーバから返ってくる分析結果を取得する必要がなく、細胞の分類精度を向上しながらも細胞分析装置の処理能力を維持することができる。

図１を用いて、本実施形態の概要の例を説明する。図１（ａ）は従来法の白血球分類を模式的に表す図であり、図１（ｂ）は本法の白血球分類を模式的に示す図である。図１（ａ）、図１（ｂ）において、ＦＳＣは前方散乱光の信号強度を示すアナログ信号を示し、ＳＳＣは側方散乱光のアナログ信号を示し、ＳＦＬは側方蛍光の信号強度を示すアナログ信号を示す。図１（ａ）に図示されるように、従来法では、検体に含まれる個々の細胞をフローサイトメータで測定し、前方散乱光、側方散乱光、側方蛍光のそれぞれのアナログ信号のパルスのピーク高さを前方散乱光強度、側方散乱光強度、側方蛍光強度として取得する。次に、細胞を前方散乱光強度、側方散乱光強度、側方蛍光強度に基づき、特定の種別に分類する。細胞を分類した結果は図１（ａ）に示すようなスキャッタグラムとして表示される。図１（ａ）のスキャッタグラムにおいて、横軸は側方散乱光、縦軸は側方蛍光の強度を示す。

従来の白血球分類は、図１（ａ）に示されるように、アナログ波形のピーク高さの情報のみに基づいて血球の種別を判定していた。これに対して、本実施形態の方法では、検体中の細胞に関するデータとして、図１（ｂ）に示されるように、１つの細胞からフローサイトメータによって取得されるアナログ信号の波形全体を解析対象のデータとして分析することで細胞を分類する。図１（ｂ）にはフローサイトメータによって得られるアナログ信号を描画した波形を示しているが、後述するように、本実施形態において検体中の細胞に関するデータは、このアナログ信号をＡ／Ｄ変換することによって得られる複数時点の信号強度を示す値を要素とするデジタルデータ（後述する波形データ）を意図している。このデジタルデータ群は行列データであり、本実施形態では、例えば、一行複数列の行列データ（すなわち、一次元の配列データ）である。

本実施形態では、図１（ｂ）に示される訓練前の深層学習アルゴリズム５０に、細胞種別毎の波形データを学習させる。そして、検体に含まれる細胞種別が未知の細胞の波形データを訓練済みの深層学習アルゴリズム６０に入力することで、深層学習アルゴリズム６０から、細胞の各々について細胞種別の判定結果を導く。深層学習アルゴリズム５０、６０は、人工知能アルゴリズムの一つであり、多層の中間層を含むニューラルネットワークで構成される。本実施形態では、訓練済みの深層学習アルゴリズム６０に従って波形データの分析に関する処理を実行するにあたり、深層学習アルゴリズム６０に多量に含まれる行列演算を、細胞分析装置に搭載された並列処理プロセッサを用いて、並列処理で実行する。細胞分析装置は、並列処理を実行可能な並列処理プロセッサと、並列処理プロセッサに並列処理を実行させる実行命令プロセッサ（以下、単にプロセッサという）とを備える。

以下、細胞種別を判定する目的で分析に供される生体試料中の個々の細胞を「分析対象の細胞」ともいう。言い換えると、生体試料は、複数個の分析対象の細胞を含みうる。複数個の細胞は、分析対象となる複数種別の細胞を含みうる。

生体試料として、被検者から採取された生体試料を挙げることができる。例えば、生体試料は、例えば、静脈血、動脈血等の末梢血、尿、血液及び尿以外の体液を含み得る。血液及び尿以外の体液として、骨髄液、腹水、胸水、脳脊髄液等を含みうる。以下、血液及び尿以外の体液を単に「体液」という場合がある。血液試料は、細胞数の計数及び細胞種別の判定ができる状態である限り、制限されない。血液は、好ましくは末梢血である。例えば、血液は、エチレンジアミン四酢酸塩ナトリウム塩又はカリウム塩）、ヘパリンナトリウム等の抗凝固剤を使用して採血された末梢血を挙げることができる。末梢血は、動脈から採取されても静脈から採取されてもよい。

本実施形態において判定しようとする細胞種別は、形態学的な分類に基づく細胞種別を基準とするものであり、生体試料の種類に応じて異なる。生体試料が血液である場合であって、血液が健常者から採血されたものである場合、本実施形態において判定しようとする細胞種別には、例えば、赤血球、白血球等の有核細胞、血小板等が含まれる。有核細胞には、例えば、好中球、リンパ球、単球、好酸球、好塩基球が含まれる。好中球には、例えば、分葉核好中球及び桿状核好中球が含まれる。一方、血液が非健常者から採血されたものである場合、有核細胞には、例えば、幼若顆粒球及び異常細胞からなる群から選択される少なくとも一種が含まれる場合がある。このような細胞も本実施形態において判定しようとする細胞種別に含まれる。幼若顆粒球には、例えば、後骨髄球、骨髄球、前骨髄球、骨髄芽球等の細胞が含まれ得る。

また、有核細胞には、正常細胞の他、健常人の末梢血には含まれない異常細胞が含まれていてもよい。異常細胞の例は、所定の疾患に罹患した際に出現する細胞であり、例えば腫瘍細胞である。造血系の場合、所定の疾患は、例えば、骨髄異型性症候群、急性骨髄芽球性白血病、急性骨髄芽球性白血病、急性前骨髄球性白血病、急性骨髄単球性白血病、急性単球性白血病、赤白血病、急性巨核芽球性白血病、急性骨髄性白血病、急性リンパ球性白血病、リンパ芽球性白血病、慢性骨髄性白血病、又は慢性リンパ球性白血病等の白血病、ホジキンリンパ腫、非ホジキンリンパ腫等の悪性リンパ腫、及び多発性骨髄腫よりなる群から選択される疾患であり得る。

さらに、異常細胞には、例えば、リンパ芽球、形質細胞、異型リンパ球、反応性リンパ球、前赤芽球、好塩基性赤芽球、多染性赤芽球、正染性赤芽球、前巨赤芽球、好塩基性巨赤芽球、多染性巨赤芽球、及び正染性巨赤芽球等の有核赤血球である赤芽球、及びミクロメガカリオサイトを含む巨核球等の健常人の末梢血では通常認められない細胞が含まれ得る。

また、生体試料が尿である場合、本実施形態において判定しようとする細胞種別には、例えば、赤血球、白血球、移行上皮、扁平上皮等の上皮細胞等が含まれ得る。異常細胞としては、例えば、細菌、糸状菌、酵母等の真菌、腫瘍細胞等が含まれ得る。

生体試料が腹水、胸水、髄液等の通常血液成分を含まない体液である場合、細胞種別には、例えば、赤血球、白血球、大型細胞を含みうる。ここでいう「大型細胞」とは、体腔内膜又は内臓の腹膜から剥がれた細胞で白血球より大きいものを指し、例えば、中皮細胞、組織球、腫瘍細胞等が該当する。

生体試料が骨髄液である場合、本実施形態において判定しようとする細胞種別には、正常な細胞として、成熟した血球細胞と幼若な血球系細胞を含みうる。成熟した血球細胞には、例えば、赤血球、白血球等の有核細胞、血小板等が含まれる。白血球等の有核細胞には、例えば、好中球、リンパ球、形質細胞、単球、好酸球、好塩基球が含まれる。好中球には、例えば、分葉核好中球及び桿状核好中球が含まれる。幼若な血球系細胞には、例えば、造血系幹細胞、幼若顆粒球系細胞、幼若リンパ球系細胞、幼若単球系細胞、幼若赤血球系細胞、巨核球系細胞、間葉系細胞等が含まれる。幼若顆粒球には、例えば、後骨髄球、骨髄球、前骨髄球、骨髄芽球等の細胞が含まれ得る。幼若リンパ球系細胞には、例えば、リンパ芽球等が含まれる。幼若単球系細胞には、単芽球等が含まれる。幼若赤血球系細胞には、例えば、前赤芽球、好塩基性赤芽球、多染性赤芽球、正染性赤芽球、前巨赤芽球、好塩基性巨赤芽球、多染性巨赤芽球、及び正染性巨赤芽球等の有核赤血球が含まれる。巨核球系細胞には、例えば、巨核芽球等が含まれる。

骨髄に含まれ得る異常細胞としては、例えば、上述した骨髄異型性症候群、急性骨髄芽球性白血病、急性骨髄芽球性白血病、急性前骨髄球性白血病、急性骨髄単球性白血病、急性単球性白血病、赤白血病、急性巨核芽球性白血病、急性骨髄性白血病、急性リンパ球性白血病、リンパ芽球性白血病、慢性骨髄性白血病、又は慢性リンパ球性白血病等の白血病、ホジキンリンパ腫、非ホジキンリンパ腫等の悪性リンパ腫、及び多発性骨髄腫よりなる群から選択される造血系腫瘍細胞、骨髄以外の器官に発生した悪性腫瘍の転移腫瘍細胞を挙げることができる。

図１には、細胞から得られる信号として、フローセルを流れる細胞に光を照射して得られる光学的信号である前方散乱光信号、側方散乱光信号、側方蛍光信号を例示しているが、細胞の特徴を表し、細胞を種別ごとに分類できる信号であれば特に制限されない。

細胞から得られる信号としては、細胞の形態学的特徴を表す信号、化学的特徴を表す信号、物理的特徴を表す信号、遺伝学的特徴を表す信号のいずれでもよいが、好ましくは細胞の形態学的特徴を表す信号である。細胞の形態学的特徴を表す信号は、好ましくは、細胞から得られる光学的信号である。

光学的信号は、好ましくは、細胞に光を照射することで光学的な応答として得られる光信号である。光信号は、光散乱に基づく信号、光吸収に基づく信号、透過光に基づく信号、及び蛍光に基づく信号から選択される少なくとも一種を含み得る。

光散乱に基づく信号は、光照射によって生じる散乱光信号および光照射によって生じる光損失信号を含み得る。散乱光信号は、照射光の進行方向に対する散乱光の受光角度に応じて、細胞の特徴を示す異なるパラメータとなる。前方散乱光信号は、細胞の大きさを表すパラメータとして用いられる。側方散乱光信号は、細胞の核の複雑さを表すパラメータとして用いられる。

前方散乱光の「前方」は、光源から発せられた光の進行方向を意図する。「前方」には、照射光の角度を０度とした場合に受光角度が０から５度付近である前方低角、及び／又は受光角度５から２０度付近である前方高角を含み得る。「側方」は、「前方」と重ならない限り制限されない。「側方」には、照射光の角度を０度とした場合、受光角度が２５度から１５５度付近、好ましくは４５度から１３５度付近、より好ましくは９０度付近を含み得る。

光散乱に基づく信号は、偏光または偏光解消を信号の成分として含んでもよい。例えば、細胞に光を照射して生じる散乱光を偏光板を通して受光することで、特定角度に偏光した散乱光のみを受光することができる。また、偏光板を通して光を細胞に照射し、生じた散乱光を照射用の偏光板と異なる角度の偏光のみを透過する偏光板を通して受光することで、偏光解消散乱光のみを受光することができる。

光損失信号は、光が細胞に照射されて散乱することで受光部における受光量が減少することに基づく、受光量の損失量を表す。光損失信号は、好ましくは、照射光の光軸方向における光損失（軸方向光損失）として得られる。光損失信号は、細胞がフローセルを流れていない状態で受光部における受光量を１００％としたときの、細胞がフローセルを流れた時の受光量の割合として表すことができる。軸方向光損失は、前方散乱光信号と同様に細胞の大きさを表すパラメータとして用いられるが、細胞が透光性を有する場合とそうでない場合とで得られる信号は異なる。

蛍光に基づく信号は、蛍光物質によって標識した細胞に対して光を照射することで励起される蛍光であってもよいし、非染色の細胞から生じる自家蛍光であってもよい。蛍光物質は、核酸や膜タンパクに結合する蛍光色素であってもよいし、細胞の特定のタンパク質に結合する抗体を蛍光色素で修飾した標識抗体であってもよい。

光学的信号は、細胞に対して光を照射し、照射された細胞を撮像することによって得られる画像データの形式で取得してもよい。画像データは、いわゆるイメージングフローサイトメータによって、流路を流れる個々の細胞をＴＤＩカメラやＣＣＤカメラ等の撮像素子によって撮像することで得ることができる。または、スライドガラス上に細胞を含む検体または測定試料を塗布し、散布し、または点着し、スライドガラスを撮像素子によって撮像することで細胞の画像データを得てもよい。

細胞から得られる信号は、光学的信号に限られず、細胞から得られる電気的信号であってもよい。電気的信号は、例えば、フローセルに直流電流を印加し、細胞がフローセルを流れることによって生じるインピーダンスの変化を電気的信号として用いてもよい。このようにして得られる電気的信号は細胞の容積を反映するパラメータとなる。または、電気的信号は、フローセルを流れる細胞に無線周波を印加したときのインピーダンスの変化を電気的信号としてもよい。このようにして得られる電気的信号は細胞の伝導度を反映するパラメータとなる。

細胞から得られる信号は、上述の細胞から得られる信号のうち少なくとも２種類以上の信号を組み合わせてもよい。複数の信号を組み合わせることで、細胞の特徴を多面的に分析することができ、より高精度な細胞の分類が可能になる。組み合わせは、例えば、複数の光学的信号、例えば前方散乱光信号、側方散乱光信号、蛍光信号のうち少なくとも２つを組み合わせてもよいし、角度の異なる散乱光信号、例えば低角度散乱光信号と高角度散乱光信号を組み合わせてもよい。または光学的信号と電気的信号を組み合わせてもよく、組み合わせる信号の種類および数は特に制限されない。

本実施形態における、細胞の分析方法において、細胞種別の判定は、深層学習アルゴリズムを使用する方法に限られない。流路内の所定位置を通過する個々の細胞から、前記細胞毎に、前記細胞が前記所定位置を通過している間の複数の時点において信号強度を取得し、取得した個々の細胞に関する複数の時点における信号強度をパターンとして認識した結果に基づいて細胞種別を判定してもよい。パターンは、複数時点の信号強度の数値パターンとして認識してもよく、複数時点の信号強度をグラフとしてプロットした場合の形状パターンとして認識してもよい。数値パターンとして認識する場合には、分析対象である細胞の数値パターンと、既に細胞種別が既知である数値パターンとを比較することにより、細胞種別を判定することができる。分析対象である細胞の数値パターンと対照の数値パターンとの比較は、例えばスピアマンの順位相関、ｚスコア等を用いることができる。分析対象である細胞のグラフ形状のパターンと、既に細胞種別が既知であるグラフ形状のパターンとを比較することにより、細胞種別を判定することができる。分析対象である細胞のグラフ形状のパターンと、既に細胞種別が既知であるグラフ形状のパターンとの比較は、例えば、幾何学形状パターンマッチングを用いてもよいし、ＳＩＦＴ Ｄｅｓｃｒｉｐｔｏｒに代表されるフィーチャーディスクリプターを用いてもよい。

＜細胞の分析方法の概要＞
次に、図２、図３～図５に示す例を用いて訓練データ７５の生成方法及び波形データの分析方法を説明する。

＜波形データ＞
図２は、本分析方法において用いられる波形データを説明するための模式図である。図２（ａ）に示すように、細胞Ｃを含む検体をフローセルＦＣに流し、フローセルＦＣを流れる細胞Ｃに光を照射すると、光の進行方向に対して前方に前方散乱光ＦＳＣが生じる。同様に、光の進行方向に対して側方に側方散乱光ＳＳＣと側方蛍光ＳＦＬが生じる。前方散乱光は、第１受光部Ｄ１によって受光され、受光量に応じた信号が出力される。側方散乱光は、第２受光部Ｄ２によって受光され、受光量に応じた信号が出力される。側方蛍光は、第３受光部Ｄ３によって受光され、受光量に応じた信号が出力される。これにより、受光部Ｄ１～Ｄ３から、時間経過に伴う信号の変化を表すアナログ信号が出力される。前方散乱光に対応するアナログ信号を「前方散乱光信号」、側方散乱光に対応するアナログ信号を「側方散乱光信号」、側方蛍光に対応するアナログ信号を「蛍光信号」という。各アナログ信号の１つのパルスが一つの細胞に対応する。

アナログ信号は、Ａ／Ｄ変換部に入力され、デジタル信号に変換される。図２（ｂ）はＡ／Ｄ変換部によるデジタル信号への変換を模式的に示す図である。ここでは説明を簡略化するためアナログ信号をＡ／Ｄ変換部に直接入力するような図としている。アナログ信号のレベルをそのままデジタル信号に変換してもよいが、必要に応じて、ノイズ除去、ベースライン補正、正規化等の処理を行ってもよい。図２（ｂ）に示すように、Ａ／Ｄ変換部は、受光部Ｄ１～Ｄ３から入力されるアナログ信号のうち、前方散乱光信号のレベルが所定の閾値として設定されたレベルに至った時点を始点として、前方散乱光信号、側方散乱光信号、蛍光信号のサンプリングを行う。Ａ／Ｄ変換部は、所定のサンプリングレート（例えば、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、又は１６０ナノ秒間隔で６４ポイントのサンプリング等）で、それぞれのアナログ信号をサンプリングする。

図２（ｃ）は、サンプリングによって得られる波形データを模式的に示す図である。サンプリングによって、一つの細胞に対応する波形データとして、複数の時点におけるアナログ信号レベルをデジタルに示す値を要素とする行列データが得られる。このようにしてＡ／Ｄ変換部は、一つの細胞に対応する前方散乱光のデジタル信号、側方散乱光のデジタル信号、側方蛍光のデジタル信号を生成する。Ａ／Ｄ変換は、デジタル信号化された細胞数が所定数に達するまで、または検体をフローセルに流し始めてから所定時間が経過するまで繰り返される。これにより、図２（ｃ）に示すように、一つの検体に含まれるＮ個の細胞の波形データを合体したデジタル信号が得られる。各細胞に対するサンプリングデータの集合（図２の例ではｔ＝０ｎｓからｔ＝１０２４０ｎｓまで１０ナノ秒毎に１０２４個のデジタル値の集合）を波形データと呼び、一つの検体から得られた波形データの集合をデジタル信号と呼ぶ。

Ａ／Ｄ変換部によって生成された各々の波形データには、各々の細胞を識別するためのインデックスが付与されてもよい。インデックスは、例えば、生成された波形データの順に１～Ｎの整数が付与され、同じ細胞から得られた前方散乱光の波形データ、側方散乱光の波形データ、側方蛍光の波形データには、それぞれ、同一のインデックスが付与される。

一つの波形データは一つの細胞に対応するので、インデックスは測定された細胞に対応する。同じ細胞に対応する波形データに同一のインデックスが付与されることで、後述する深層学習アルゴリズムは、個々の細胞に対応する前方散乱光の波形データと、側方散乱光の波形データと、蛍光の波形データを１セットとして解析し、細胞の種別を分類できる。

＜訓練データの生成＞
図３は、細胞の種別を判定するための深層学習アルゴリズムを訓練するために使用される訓練データの生成方法の一例を示す模式図である。訓練データ７５は、検体をフローサイトメータによって測定し、検体に含まれる細胞について得られた前方散乱光（ＦＳＣ）のアナログ信号７０ａ、側方散乱光（ＳＳＣ）のアナログ信号７０ｂ、及び側方蛍光（ＳＦＬ）のアナログ信号７０ｃに基づいて生成される波形データである。波形データの取得方法は、上述のとおりである。

訓練データ７５は、例えば、フローサイトメータによって検体を測定し、その検体に含まれる細胞を従来法のスキャッタグラムに基づいて解析した結果、特定の細胞種別である可能性が高いと判断された細胞の波形データを用いることができる。血球計数装置を用いる例で説明すると、まず、血液検体をフローサイトメータで測定し、検体に含まれる個々の細胞の前方散乱光、側方散乱光、蛍光の波形データを蓄積しておく。側方散乱光強度（側方散乱光信号のパルスの高さ）と蛍光強度（蛍光信号のパルス高さ）に基づいて、細胞を好中球、リンパ球、単球、好酸球、好塩基球、幼若顆粒球、異常細胞の集団に分類する。分類された細胞種別に対応するラベル値をその細胞の波形データに付与することで、訓練データが得られる。例えば、好中球の集団に含まれる細胞の側方散乱光強度および側方蛍光強度の最頻値、平均値または中央値を求め、それらの値に基づいて代表的な細胞を特定し、それらの細胞の波形データに好中球に対応するラベル値「１」を付与することで訓練データを得ることができる。訓練データの生成方法はこれに限らず、例えばセルソータによって特定の細胞だけを回収しておき、その細胞をフローサイトメータによって測定し、得られた波形データに細胞のラベル値を付与することによって訓練データを得てもよい。

アナログ信号７０ａ、７０ｂ、７０ｃは、フローサイトメータによって好中球が測定されたときの前方散乱光信号、側方散乱光信号、側方蛍光信号をそれぞれ示す。これらのアナログ信号が、上述したようにＡ／Ｄ変換されると、前方散乱光信号の波形データ７２ａ、側方散乱光信号の波形データ７２ｂ、側方蛍光信号の波形データ７２ｃが得られる。波形データ７２ａ、７２ｂ、７２ｃそれぞれの内部で隣り合うセルは、サンプリングレートに対応する間隔、例えば１０ナノ秒間隔での信号レベルを格納している。波形データ７２ａ、７２ｂ、７２ｃは、データの元となった細胞の種別を表すラベル値７７と組み合わされて、各細胞に対応する３つの波形データ、言い換えれば３つの信号強度（前方散乱光の信号強度、側方散乱光の信号強度、及び側方蛍光の信号強度）のデータがセットとなるように訓練データ７５として深層学習アルゴリズム５０に入力される。図３の例では訓練データの元となった細胞が好中球であるため、波形データ７２ａ、７２ｂ、７２ｃに好中球であることを示すラベル値７７として「１」が付与され、訓練データ７５が生成される。図４にラベル値７７の例を示す。訓練データ７５は、細胞種別毎に生成されるため、ラベル値は、細胞種別に応じて異なるラベル値７７が付与される。

＜深層学習の概要＞
図３を例として、ニューラルネットワークの訓練の概要を説明する。ニューラルネットワーク５０は、畳み込み層を有する畳み込みニューラルネットワークであることが好ましい。ニューラルネットワーク５０における入力層５０ａのノード数は、入力される訓練データ７５の波形データに含まれる配列の要素数に対応している。配列の要素数は、１つの細胞に対応する前方散乱光、側方散乱光、側方蛍光の波形データ７２ａ、７２ｂ、７２ｃの要素数の総和に等しい。図３の例では、波形データ７２ａ、７２ｂ、７２ｃのそれぞれが１０２４個の要素を含んでいるため、入力層５０ａのノード数は、１０２４×３＝３０７２個となる。波形データ７２ａ、７２ｂ、７２ｃは、ニューラルネットワーク５０の入力層５０ａに入力される。訓練データ７５の各波形データのラベル値７７は、ニューラルネットワークの出力層５０ｂに入力され、ニューラルネットワーク５０を訓練する。図３の符号５０ｃは、中間層を示す。

＜波形データの分析方法＞
図５に分析対象である細胞の波形データを分析する方法の例を示す。波形データの分析方法では、分析対象の細胞からフローサイトメータによって取得した前方散乱光のアナログ信号８０ａ、側方散乱光のアナログ信号８０ｂ、及び側方蛍光のアナログ信号８０ｃから、上述の方法によって得られる波形データからなる分析データ８５が生成される。

分析データ８５と訓練データ７５は、少なくとも取得条件を同じにすることが好ましい。取得条件とは、検体に含まれる細胞をフローサイトメータによって測定するための条件、例えば測定試料の調製条件、測定試料をフローセルに流すときの流速、フローセルに照射される光の強度、散乱光及び蛍光を受光する受光部の増幅率などを含む。取得条件は、さらに、アナログ信号をＡ／Ｄ変換するときのサンプリングレートも含む。

分析対象の細胞がフローセルを流れると、前方散乱光のアナログ信号８０ａ、側方散乱光のアナログ信号８０ｂ、及び側方蛍光のアナログ信号８０ｃが得られる。これらのアナログ信号８０ａ、８０ｂ、８０ｃが上述したようにＡ／Ｄ変換されると、細胞毎に、信号強度を取得した時点が同期され、前方散乱光信号の波形データ８２ａ、側方散乱光信号の波形データ８２ｂ、側方蛍光信号の波形データ８２ｃとなる。波形データ８２ａ、８２ｂ、８２ｃは、各細胞の３つの信号強度（前方散乱光の信号強度、側方散乱光の信号強度、及び側方蛍光の信号強度）のデータがセットとなるように組み合わされて、分析データ８５として深層学習アルゴリズム６０に入力される。

分析データ８５を訓練済みの深層学習アルゴリズム６０を構成するニューラルネットワーク６０の入力層６０ａに入力すると、出力層６０ｂから、分析データ８５に対応する細胞の種別に関する分類情報として分析結果８３が出力される。図５の符号６０ｃは、中間層を示す。細胞種別に関する分類情報とは、例えば、細胞が複数の細胞種別の各々に属する確率である。さらに、この確率の中で、値が最も高い分類に、分析データ８５を取得した分析対象の細胞が属すると判断し、その細胞種別を表す識別子であるラベル値８２等が分析結果８３に含まれてもよい。分析結果８３は、ラベル値そのものの他、ラベル値を細胞種別を示す情報（例えば文字列）に置き換えたデータであってもよい。図５では分析データ８５に基づいて、深層学習アルゴリズム６０が分析データ８５を取得した分析対象の細胞が属する確率が最も高かったラベル値「１」を出力し、さらに、このラベル値に対応する「好中球」という文字データが分析結果８３として出力される例を示している。ラベル値の出力は、深層学習アルゴリズム６０が行ってもよいが、他のコンピュータプログラムが、深層学習アルゴリズム６０が算出した確率に基づいて、最も好ましいラベル値を出力してもよい。

［２．細胞分析装置と細胞分析装置における生体試料の測定］
本実施形態の細胞の波形データ、またはその元となる細胞のアナログ信号は、第１の細胞分析装置４０００又は第２の細胞分析装置４０００’において取得され得る。図６の（ａ）は、細胞分析装置４０００の外観の例を示す。図６の（ｂ）は、細胞分析装置４０００’の外観の例を示す。図６の（ａ）において、細胞分析装置４０００は、測定ユニット４００と、測定ユニット４００における試料の測定条件の設定や測定を制御したり、深層学習アルゴリズム６０による細胞のデータの分析結果を分析するための処理ユニット３００を備える。図６の（ｂ）において、細胞分析装置４０００’は、測定ユニット５００と、測定ユニット５００における試料の測定条件の設定や測定を制御したり、深層学習アルゴリズム６０による細胞のデータの分析結果を分析するための処理ユニット３００を備える。測定ユニット４００、５００と処理ユニット３００は相互に通信可能に有線、又は無線で接続されうる。以下に、測定ユニット４００、５００の構成例を示すが、本実施形態は、以下の例示に限定されて解釈されるものではない。処理ユニット３００は、後述するベンダ側装置１００と共用されてもよい。

＜第１の細胞分析装置と測定試料の調製＞
（測定ユニット及び処理ユニットの構成）
測定ユニット４００が、血液試料中の細胞を検出するためのフローサイトメータであるＦＣＭ検出部を備える血液分析装置、より具体的には血球計数装置である場合の構成例を説明する。

（構成例１）
図７から図１９を参照し、測定ユニット４００及び処理ユニット３００の構成例を説明する。図７は、測定ユニット４００のブロック図の例を示す。図７に示されるように、測定ユニット４００は、血球を検出するＦＣＭ検出部４１０、ＦＣＭ検出部４１０から出力されるアナログ信号を処理するアナログ処理部４２０、測定ユニット制御部４８０、試料調製部４４０、装置機構部４３０及び検体吸引部４５０を備えている。

図８は、検体吸引部４５０と試料調製部４４０を説明するための模式図である。検体吸引部４５０は、採血管Ｔから血液検体（全血）を吸引するためのノズル４５１と、ノズルに陰圧／陽圧を付与するためのポンプ４５２を備える。ノズル４５１は、装置機構部４３０によって上下移動されることで採血管Ｔに挿入される。ノズル４５１が採血管Ｔに挿入された状態でポンプ４５２が陰圧を付与すると、ノズル４５１を介して血液検体が吸引される。なお、装置機構部４３０は、採血管Ｔからの血液の吸引前に採血管Ｔを転倒攪拌するハンド部材を備えてもよい。

試料調製部４４０は、５つの反応チャンバ４４０ａ～４４０ｅを備える。反応チャンバ４４０ａ～４４０ｅは、それぞれ、ＤＩＦＦ、ＲＥＴ、ＷＰＣ、ＰＬＴ－Ｆ、ＷＮＲの測定チャネルにおいて用いられる。各反応チャンバには、各測定チャネルに対応する試薬である溶血剤を収容した溶血剤容器と染色液を収容した染色液容器が流路を介して接続されている。一つの反応チャンバとそれに接続された試薬（溶血剤及び染色液）によって、測定チャネルが構成されている。例えば、ＤＩＦＦ測定チャネルは、ＤＩＦＦ測定用試薬であるＤＩＦＦ溶血剤およびＤＩＦＦ染色液と、ＤＩＦＦ反応チャンバ４４０ａによって構成されている。他の測定チャネルも同様に構成されている。なお、ここでは一つの測定チャネルが溶血剤と染色液を一つずつ備えた構成を例示しているが、一つの測定チャネルが必ずしも溶血剤と染色液の両方を備えなくてもよく、複数の測定チャネルによって一つの試薬が共用されてもよい。

血液検体を吸引したノズル４５１は、装置機構部４３０による水平・上下移動によって、反応チャンバ４４０ａ～４４０ｅのうち、オーダーに対応する測定チャネルに対応する反応チャンバに上方からアクセスし、吸引した血液検体を吐出する。試料調製部４４０は、血液検体が吐出された反応チャンバに、対応する溶血剤と染色液を供給し、反応チャンバ内で血液検体と溶血剤と染色液を混合することで測定試料を調製する。調製された測定試料は、流路を介して反応チャンバからＦＣＭ検出部４１０に供給され、フローサイトメトリー法による細胞の測定が行われる。

図９は、ＦＣＭ検出部４１０の光学系の構成例を示している。図９に示すように、フローサイトメータによる測定では、測定試料に含まれる細胞がフローサイトメータ内に備えられたフローセル（シースフローセル）４１１３を通過する際に、光源４１１１がフローセル４１１３に光を照射し、この光によってフローセル４１１３内の細胞から発せられる散乱光及び蛍光を検出する。

図９において、光源４１１１であるレーザダイオードから出射された光は、照射レンズ系４１１２を介してフローセル４１１３内を通過する細胞に照射される。

本実施形態において、フローサイトメータの光源４１１１は特に限定されず、蛍光色素の励起に好適な波長の光源４１１１が選択される。そのような光源４１１１としては、例えば赤色半導体レーザ光源及び／又は青色半導体レーザ光源を含む半導体レーザ光源、アルゴンレーザ光源、ヘリウム－ネオンレーザ等の気体レーザ光源、水銀アークランプなどが使用される。特に半導体レーザ光源は、気体レーザ光源に比べて非常に安価であるので好適である。

図９に示されるように、フローセル４１１３を通過する粒子から発せられる前方散乱光は、集光レンズ４１１４とピンホール部４１１５を介して前方散乱光受光素子４１１６によって受光される。前方散乱光受光素子４１１６はフォトダイオードである。側方散乱光は、集光レンズ４１１７、ダイクロイックミラー４１１８、バンドパスフィルタ４１１９、及びピンホール部４１２０を介して側方散乱光受光素子４１２１によって受光される。側方散乱光受光素子４１２１は、フォトダイオードである。側方蛍光は、集光レンズ４１１７及びダイクロイックミラー４１１８を介して側方蛍光受光素子４１２２によって受光される。側方蛍光受光素子４１２２は、アバランシェフォトダイオードである。なお、前方散乱光受光素子４１１６、側方散乱光受光素子４１２１、側方蛍光受光素子４１２２として光電子増倍管を用いてもよい。

各受光素子４１１６、４１２１及び４１２２から出力された受光信号は、それぞれ、アンプ４１５１、４１５２及び４１５３を介してアナログ処理部４２０に入力される。

図７に戻って、アナログ処理部４２０は、ＦＣＭ検出部４１０から入力されるアナログ信号に対してノイズ除去、平滑化等の処理を行い、処理後のアナログ信号を測定ユニット制御部４８０に対して出力する。

測定ユニット制御部４８０は、Ａ／Ｄ変換部４８２と、プロセッサ４８３１と、ＲＡＭ４８３４と、記憶部４８３５と、バスコントローラ４８５０と、並列処理プロセッサ４８３３と、処理ユニット３００と接続するインタフェース部４８９とを備えている。さらに、測定ユニット制御部４８０は、Ａ／Ｄ変換部４８２との間に介在するインタフェース部４８４と、装置機構部４３０との間に介在するインタフェース部４８８とを備えている。図７に示されるように、本構成例では、並列処理プロセッサ４８３３は、測定ユニット４００の内部に組み込まれる形で細胞分析装置４０００に搭載されている。

プロセッサ４８３１は、バス４８５を介して、インタフェース部４８９、インタフェース部４８８、インタフェース部４８４、ＲＡＭ４８３４、記憶部４８３５と接続されている。プロセッサ４８３１は、バス４８５を介して並列処理プロセッサ４８３３と接続されている。処理ユニット３００は、インタフェース部４８９とバス４８５を介して測定ユニット４００の各部に接続されている。バス４８５は、例えば、数百ＭＢ／ｓ以上のデータ転送速度を有する伝送路である。バス４８５は、例えば、１ＧＢ／ｓ以上のデータ転送速度を有する伝送路で構成してもよい。バス４８５は、例えば、ＰＣＩ－Ｅｘｐｒｅｓｓ又はＰＣＩ－Ｘ規格に基づいてデータ転送を行う。

Ａ／Ｄ変換部４８２は、アナログ処理部４２０から出力されたアナログ信号をデジタル信号に変換する。Ａ／Ｄ変換部４８２は、検体の測定開始から測定終了までのアナログ信号をデジタル信号に変換する。ある測定チャネルでの測定によって複数種類のアナログ信号（例えば、前方散乱光強度、側方散乱光強度および蛍光強度にそれぞれ対応するアナログ信号）が生成される場合、Ａ／Ｄ変換部４８２は、それぞれのアナログ信号の測定開始から測定終了までをデジタル信号に変換する。Ａ／Ｄ変換部４８２には、例えば、図９を参照して説明したように、３種類のアナログ信号（すなわち前方散乱光信号、側方散乱光信号および蛍光信号）が、それぞれ対応する複数の信号伝送経路４２１を介して入力される。Ａ／Ｄ変換部４８２は、複数の信号伝送経路４２１から入力されたアナログ信号のそれぞれをデジタル信号に変換する。それぞれの信号伝送経路４２１は、例えば、アナログ信号を差動信号として伝送するように構成されている。

Ａ／Ｄ変換部４８２は、図２を参照して説明したように、所定のサンプリングレート（例えば、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、又は１６０ナノ秒間隔で６４ポイントのサンプリング等）で、アナログ信号をサンプリングする。Ａ／Ｄ変換部４８２は、各細胞に対応する３種類のアナログ信号に対してサンプリング処理を実行することで、各細胞について前方散乱光信号の波形データ、側方散乱光信号の波形データおよび蛍光信号の波形データを生成する。Ａ／Ｄ変換部４８２は、生成した波形データのそれぞれにインデックスを付与する。生成された波形データは、図２（ｃ）に示すように、一つの検体に含まれるＮ個の細胞の波形データが連続してできるデジタル信号になる。これによりＮ個の細胞から得られる３種類のアナログ信号（前方散乱光信号、側方散乱光信号および蛍光信号）に対応する３つのデジタル信号が生成される。

Ａ／Ｄ変換部４８２は、アナログ信号から波形データを生成することに加えて、アナログ信号のパルスからピーク値を計算してもよい。

Ａ／Ｄ変換部４８２は、生成したデジタル信号をバス４８５に入力する。バスコントローラ４８５０は、Ａ／Ｄ変換部４８２から出力されたデジタル信号を、例えば、ＤＭＡ（Ｄｉｒｅｃｔ Ｍｅｍｏｒｙ Ａｃｃｅｓｓ）転送によって、ＲＡＭ４８３４に送信する。ＲＡＭ４８３４は、デジタル信号を記憶する。

プロセッサ４８３１は、並列処理プロセッサ４８３３を用いて、深層学習アルゴリズム６０に従って、生成されたデジタル信号に含まれる波形データの分析処理を実行する。すなわちプロセッサ４８３１は、深層学習アルゴリズム６０にしたがってデジタル信号に含まれる波形データの分析処理を実行するようにプログラムされている。深層学習アルゴリズム６０に基づいて細胞のデータを分析するための解析ソフトウェア４８３２は、記憶部４８３５に格納されていてもよい。この場合、プロセッサ４８３１は、記憶部４８３５に格納されている解析ソフトウェア４８３２を実行することにより、深層学習アルゴリズム６０に基づくデータの分析処理を実行する。プロセッサ４８３１は、例えば、ＣＰＵ（Central Processing Unit）である。プロセッサ４８３１は、例えばインテル社製のＣｏｒｅ ｉ９、Ｃｏｒｅ ｉ７、Ｃｏｒｅ ｉ５、ＡＭＤ社製のＲｙｚｅｎ ９、Ｒｙｚｅｎ ７、Ｒｙｚｅｎ ５、Ｒｙｚｅｎ ３などを用いてもよい。

プロセッサ４８３１は、並列処理プロセッサ４８３３を制御する。並列処理プロセッサ４８３３は、プロセッサ４８３１による制御に応じて、例えば行列演算に関する並列処理を実行する。つまり、プロセッサ４８３１は、並列処理プロセッサ４８３３のマスタプロセッサであり、並列処理プロセッサ４８３３は、プロセッサ４８３１のスレーブプロセッサである。プロセッサ４８３１は、ホストプロセッサまたはメインプロセッサとも呼ばれる。

並列処理プロセッサ４８３３は、波形データの分析に関する処理の少なくとも一部である複数の演算処理を並列に実行する。並列処理プロセッサ４８３３は、例えば、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）である。並列処理プロセッサ４８３３がＦＰＧＡである場合、並列処理プロセッサ４８３３は、例えば、訓練済みの深層学習アルゴリズム６０に関する演算処理が予めプログラムされていてもよい。並列処理プロセッサ４８３３がＡＳＩＣである場合、並列処理プロセッサ４８３３は、例えば、訓練済みの深層学習アルゴリズム６０に関する演算処理を実行するための回路が予め組み込まれていてもよいし、そのような組み込み回路に加えてプログラマブルなモジュールが内蔵されていてもよい。並列処理プロセッサ４８３３は、例えば、ＮＶＩＤＩＡ社製のＧｅＦｏｒｃｅ，Ｑｕａｄｒｏ，ＴＩＴＡＮ，Ｊｅｔｓｏｎなどを用いてもよい。Ｊｅｔｓｏｎシリーズであれば、例えば、Ｊｅｔｓｏｎ Ｎａｎｏ、Ｊｅｔｓｏｎ Ｔｘ２、Ｊｅｔｓｏｎ Ｘａｖｉｅｒ、Ｊｅｔｓｏｎ ＡＧＸ Ｘａｖｉｅｒが用いられる。

プロセッサ４８３１は、例えば、測定ユニット４００の制御に関する計算処理を実行する。プロセッサ４８３１は、例えば、装置機構部４３０、試料調製部４４０、検体吸引部４５０との間で送受信される制御信号に関する計算処理を実行する。プロセッサ４８３１は、例えば、処理ユニット３００との間での情報の送受信に関する計算処理を実行する。プロセッサ４８３１は、例えば、記憶部４８３５からのプログラムデータの読み出し、ＲＡＭ４８３４へのプログラムの展開、ＲＡＭ４８３４との間のデータの送受信に関する処理を実行する。プロセッサ４８３１により実行される上述の各処理は、例えば、所定の順番に実行することが求められる。例えば、装置機構部４３０、試料調製部４４０、検体吸引部４５０の制御に要する処理がＡ、Ｂ及びＣとすると、Ｂ、Ａ、Ｃの順で実行することが求められることがある。プロセッサ４８３１はこのような順序に依存する連続的な処理を実行することが多いため、演算ユニット（「プロセッサコア」、「コア」等と呼ばれることがある）の数を増したとしても、必ずしも処理速度が高まるものではない。

一方、並列処理プロセッサ４８３３は、例えば、多量の要素を含む行列データの演算のように、定型的で多量な計算処理を実行する。本実施形態では、並列処理プロセッサ４８３３は、深層学習アルゴリズム６０に従って波形データを分析する処理の少なくとも一部を並列化した並列処理を実行する。深層学習アルゴリズム６０には、例えば、多量の行列演算が含まれる。深層学習アルゴリズム６０には、例えば、少なくとも１００の行列演算が含まれることがあり、また、少なくとも１０００の行列演算が含まれることもある。並列処理プロセッサ４８３３は、複数の演算ユニットを有し、これらの演算ユニットの各々が同時に行列演算を実行可能である。つまり、並列処理プロセッサ４８３３は、並列処理として、複数の演算ユニットの各々による行列演算を並列に実行することができる。例えば、深層学習アルゴリズム６０に含まれる行列演算は、互いに順序依存が無い複数の演算処理に分割することができる。このように分割された演算処理は、複数の演算ユニットの各々で並列に実行可能となる。これらの演算ユニットは、「プロセッサコア」、「コア」等と呼ばれることがある。

このような並列処理を実行することにより、測定ユニット４００全体としての演算処理を高速化することが可能となる。深層学習アルゴリズム６０に含まれる行列演算のような処理は、例えば、「単一命令複数データ処理」（ＳＩＭＤ：Single Instruction Multiple Data）と呼ばれることがある。並列処理プロセッサ４８３３は、例えばこのようなＳＩＭＤ演算に適している。このような並列処理プロセッサ４８３３は、ベクトルプロセッサと呼ばれることがある。

上述のように、プロセッサ４８３１は、多様かつ複雑な処理を実行することに適している。一方、並列処理プロセッサ４８３３は、定型化された多量の処理を並列に実行することに適している。定型化された多量の処理を並列に実行することにより、計算処理に要するＴＡＴ（Turn Around Time）が短縮される。

なお、並列処理プロセッサ４８３３が実行する並列処理の対象は、行列演算に限られない。例えば、並列処理プロセッサ４８３３が深層学習アルゴリズム５０に従って学習処理を実行するときは、学習処理に関する微分演算等が並列処理の対象となり得る。

プロセッサ４８３１の演算ユニットの数は、例えば、デュアルコア（コア数：２）、クアッドコア（コア数：４）、オクタコア（コア数：８）である。一方、並列処理プロセッサ４８３３は、演算ユニットを、例えば、少なくとも１０個有し（コア数：１０）、１０の行列演算を並列に実行し得る。並列処理プロセッサ４８３３は、例えば、演算ユニットを数十個有するものもある。また、並列処理プロセッサ４８３３は、演算ユニットを、例えば、少なくとも１００個有し（コア数：１００）、１００の行列演算を並列に実行し得るものもある。並列処理プロセッサ４８３３は、例えば、演算ユニットを数百個有するものもある。また、並列処理プロセッサ４８３３は、演算ユニットを、例えば、少なくとも１０００個有し（コア数：１０００）、１０００の行列演算を並列に実行し得るものもある。並列処理プロセッサ４８３３は、例えば、演算ユニットを数千個有するものもある。

図１１は、並列処理プロセッサ４８３３の構成例を示す。並列処理プロセッサ４８３３は、複数の演算ユニット４８３６、及びＲＡＭ４８３７を含む。演算ユニット４８３６の各々は、行列データの演算処理を並列に実行する。ＲＡＭ４８３７は、演算ユニット４８３６が実行する演算処理に関するデータを記憶する。ＲＡＭ４８３７は、少なくとも１ギガバイトの容量を有するメモリである。ＲＡＭ４８３７は、２ギガバイト、４ギガバイト、６ギガバイト、８ギガバイト、又は１０ギガバイト以上の容量を有するメモリであってもよい。演算ユニット４８３６は、ＲＡＭ４８３７からデータを取得し、演算処理を実行する。演算ユニット４８３６は、「プロセッサコア」、「コア」等と呼ばれることがある。

図１２～図１４は、測定ユニット４００への並列処理プロセッサ４８３３の搭載例を示す。図１２～図１４は、並列処理プロセッサ４８３３が測定ユニット４００の内部に組み込まれる形で細胞分析装置４０００に搭載されている例を示す。図１２及び図１３は、プロセッサ４８３１と並列処理プロセッサ４８３３とを別体として設ける搭載例を示す。図１２に示すように、プロセッサ４８３１は、例えば、基板４８３８に搭載される。並列処理プロセッサ４８３３は、例えば、グラフィックボード４８３０に搭載され、グラフィックボード４８３０がコネクタ４８３９を介して基板４８３８に接続される。プロセッサ４８３１は、バス４８５を介して並列処理プロセッサ４８３３と接続される。図１３に示すように、並列処理プロセッサ４８３３は、例えば、基板４８３８に直に搭載され、バス４８５を介してプロセッサ４８３１に接続されてもよい。図１４は、プロセッサ４８３１と並列処理プロセッサ４８３３とを一体として設ける搭載例を示す。図１４に示すように、並列処理プロセッサ４８３３は、例えば、基板４８３８に搭載されたプロセッサ４８３１に内蔵されてもよい。

図１５は、測定ユニット４００への並列処理プロセッサ４８３３の他の搭載例を示す。図１５は、測定ユニット４００に接続される外付け装置４８００によって、測定ユニット４００に並列処理プロセッサ４８３３を搭載する例を示す。並列処理プロセッサ４８３３は、例えば、ＵＳＢ（Universal Serial Bus）デバイスである外付け装置４８００に実装され、このＵＳＢデバイスがインタフェース部４８７を介してバス４８５に接続されることで、並列処理プロセッサ４８３３が細胞分析装置４０００に搭載される。ＵＳＢデバイスは、例えば、ＵＳＢドングルのような小型デバイスでもよい。インタフェース部４８７は、例えば、数百Ｍｂｐｓの転送速度を有するＵＳＢインタフェースであり、より好ましくは、数Ｇｂｐｓ～数１０Ｇｂｐｓ以上の転送速度を有するＵＳＢインタフェースである。並列処理プロセッサ４８３３が実装された外付け装置４８００として、例えば、Ｉｎｔｅｌ社製 Ｎｅｕｒａｌ Ｃｏｍｐｕｔｅ Ｓｔｉｃｋ ２が用いられてもよい。

並列処理プロセッサ４８３３が実装された複数のＵＳＢデバイスをインタフェース部４８７に接続することで、複数の並列処理プロセッサ４８３３を細胞分析装置４０００に搭載してもよい。一つのＵＳＢデバイスに実装される並列処理プロセッサ４８３３は、演算ユニット４８３６の数がＧＰＵ等に比べて少ないことがあるため、測定ユニット４００に接続するＵＳＢデバイスを複数に増設することにより、コア数のスケールアップが可能となる。

図１６、図１７および図１８は、プロセッサ４８３１上で動作する解析ソフトウェア４８３２の制御に基づいて、並列処理プロセッサ４８３３で実行される演算処理の概要を示す。図１６は、演算処理を実行する並列処理プロセッサ４８３３の構成例を示す。並列処理プロセッサ４８３３は、複数の演算ユニット４８３６、ＲＡＭ４８３７を有する。解析ソフトウェア４８３２を実行するプロセッサ４８３１は、並列処理プロセッサ４８３３に命令し、波形データを深層学習アルゴリズム６０で分析する場合に要する少なくとも一部の演算処理を並列処理プロセッサ４８３３に実行させることができる。プロセッサ４８３１は、並列処理プロセッサ４８３３に対して、深層学習アルゴリズムに基づく波形データ分析に関する演算処理の実行を命令する。ＦＣＭ検出部４１０で検出された信号に対応する波形データの全部又は少なくとも一部は、ＲＡＭ４８３４に記憶される。ＲＡＭ４８３４に記憶されたデータは、並列処理プロセッサ４８３３のＲＡＭ４８３７に転送される。ＲＡＭ４８３４に記憶されたデータは、例えば、ＤＭＡ（Direct Memory Access）方式によりＲＡＭ４８３７に転送される。並列処理プロセッサ４８３３の複数の演算ユニット４８３６の各々は、ＲＡＭ４８３７に記憶されたデータに対する演算処理を並列に実行する。複数の演算ユニット４８３６の各々は、必要なデータをＲＡＭ４８３７から取得して演算処理を実行する。演算結果に対応するデータは、並列処理プロセッサ４８３３のＲＡＭ４８３７に記憶される。演算結果に対応するデータは、ＲＡＭ４８３７からＲＡＭ４８３４に、例えばＤＭＡ方式で、転送される。

図１７は、並列処理プロセッサ４８３３が実行する行列演算の概要を示す。波形データを深層学習アルゴリズム６０に従って分析するにあたり、行列の積の計算（行列演算）が実行される。並列処理プロセッサ４８３３は、例えば、行列演算に関する複数の演算処理を並列に実行する。図１７の（ａ）は、行列の積の計算式を示す。（ａ）に示す計算式では、ｎ行ｎ列の行列ａとｎ行ｎ列の行列ｂとの積により、行列ｃを求める。図１７に例示されるように、計算式は、多階層のループ構文で記述される。図１７の（ｂ）は、並列処理プロセッサ４８３３で並列に実行される演算処理の例を示す。図１７（ａ）に例示された計算式は、例えば、１階層目のループ用変数ｉと、２階層目のループ用変数ｊとの組合せ数であるｎ×ｎ個の演算処理に分割することができる。このように分割された演算処理の各々は、互いに依存しない演算処理であるため、並列に実行し得る。

図１８は、図１７の（ｂ）に例示された複数の演算処理が、並列処理プロセッサ４８３３で並列に実行されることを示す概念図である。図１８に示すように、複数の演算処理の各々は、並列処理プロセッサ４８３３が備える複数の演算ユニット４８３６のいずれかに割り当てられる。演算ユニット４８３６の各々は、割り当てられた演算処理を、互いに並列に実行する。つまり、演算ユニット４８３６の各々は、分割された演算処理を同時に実行する。

図１７および図１８に例示された並列処理プロセッサ４８３３による演算によって、例えば、波形データに対応する細胞が複数の細胞種別の各々に属する確率に関する情報が求められる。演算の結果に基づいて、解析ソフトウェア４８３２を実行するプロセッサ４８３１は、波形データに対応する細胞の細胞種に関する解析を行う。演算結果は、並列処理プロセッサ４８３３のＲＡＭ４８３７に記憶され、ＲＡＭ４８３７からＲＡＭ４８３４に転送される。プロセッサ４８３１は、ＲＡＭ４８３４に記憶された演算結果に基づいて解析した結果を、バス４８５及びインタフェース部４８９を介して処理ユニット３００に送信する。

細胞が複数の細胞種別の各々に属する確率の演算は、並列処理プロセッサ４８３３とは別のプロセッサが行ってもよい。例えば、並列処理プロセッサ４８３３による演算結果がＲＡＭ４８３７からＲＡＭ４８３４に転送され、プロセッサ４８３１が、ＲＡＭ４８３４から読み出した演算結果に基づいて、各々の波形データに対応する細胞が複数の細胞種別の各々に属する確率に関する情報を演算してもよい。また、並列処理プロセッサ４８３３による演算結果をＲＡＭ４８３７から処理ユニット３００に転送され、処理ユニット３００に搭載されたプロセッサが、各々の波形データに対応する細胞が複数の細胞種別の各々に属する確率に関する情報を演算してもよい。

本実施形態では、図１７及び図１８に示された処理は、例えば、深層学習アルゴリズム６０における畳み込み層に関する演算処理（フィルタ処理とも呼ばれる）に適用される。

図１９に、畳み込み層に関する演算処理の概要を示す。図１９の（ａ）は、深層学習アルゴリズム６０に入力される波形データとして、前方散乱光（ＦＳＣ）の波形データの例を示す。本実施形態の波形データは、図２に示すように一次元の行列データである。より単純に言えば、波形データは要素を一列に並べた配列である。ここでは、説明の便宜上、波形データの要素数はｎ（ｎは１以上の整数）とする。（ａ）には、複数のフィルタが示されている。フィルタは、深層学習アルゴリズム５０の学習処理により生成される。複数のフィルタの各々は、波形データの特徴を表す一次元の行列データである。（ａ）に示すフィルタは、１行３列の行列データであるが、列数は３に限られない。深層学習アルゴリズム６０に入力される波形データと、各々のフィルタとを行列演算することで、波形データに関する細胞種別に対応する特徴が計算される。図１９の（ｂ）は、波形データとフィルタとの行列演算の概要を示す。（ｂ）に示されるように、各フィルタを波形データの各要素に対して１つずらしながら行列演算が実行される。行列演算の計算は、下記の式１により実行される。

式１において、ｘの添え字は、波形データの行番号及び列番号を示す変数である。ｈの添え字は、フィルタの行番号及び列番号を示す変数である。図１９に示す例の場合、波形データは一次元の行列データであり、フィルタは、１行３列の行列データであるから、Ｌ＝１、Ｍ＝３、ｐ＝０、ｑ＝０，１，２、ｉ＝０、ｊ＝０，１，…ｎ－１である。

並列処理プロセッサ４８３３は、式１で表される行列演算を、複数の演算ユニット４８３６の各々によって並列に実行する。並列処理プロセッサ４８３３が実行した演算処理に基づき、各細胞の細胞種別に関する分類情報が生成される。生成された分類情報は、分類情報に基づく検体の検査結果の生成および表示に用いられる処理ユニット３００に送信される。

測定ユニット４００は、波形データと識別情報とを対応付けて処理することができる。具体的には、測定ユニット４００は、波形データの分析結果（即ち、各細胞の細胞種別に関する分類情報）と識別情報とを対応付けて生成することができる。測定ユニット４００は、例えば、各細胞の細胞種別に関する分類情報と識別情報とを対応付けて、処理ユニット３００に送信する。識別情報は、例えば、（１）波形データに対応する生体試料の識別情報、（２）波形データに対応する細胞の識別情報（例えば上述のインデックス）、（３）波形データに対応する患者の識別情報、（４）波形データに対応する検査の識別情報、（５）波形データが測定された細胞分析装置の識別情報、（６）波形データが測定された病院や検査施設などの施設（以下、「検査関連施設」という。）の識別情報、が挙げられる。なお、（１）波形データに対応する生体試料の識別情報は、生体試料に対する測定オーダーが登録された時刻に関する情報、分析装置が生体試料を識別した時刻に関する情報、分析装置が生体試料の測定を開始した時刻に関する情報、生体試料が緊急検体か通常検体かを識別するための情報、生体試料が再計測か新規計測かを識別するための情報などの、並列処理の優先順位を決定するための情報を含み得る。測定ユニット４００は、例えば、ＬＩＳ（Laboratory Information System）又は処理ユニット３００から検査オーダーを受領する際に、ＬＩＳ又は処理ユニット３００から、上記識別情報（１）～（６）の少なくとも一つ又はそれらの組み合わせを取得できる。例えば、例示された（１）～（６）の少なくとも一つが、分類情報に対応付けられて処理ユニット３００に送信され、処理ユニット３００を介してユーザに検査結果として提供される。例示された（１）～（６）の複数の組み合わせが、分類情報と対応付けられて処理ユニット３００に送信されてもよい。測定ユニット４００は、例えば、上記識別情報（１）～（６）の少なくとも一つ又はそれらの組み合わせを自ら生成することもできる。

波形データと上記識別情報（上記（１）～（６）の少なくとも一つ又はそれらの組み合わせ）との対応付けは、処理ユニット３００が行ってもよい。処理ユニット３００は、例えば、ＬＩＳから検査オーダーを受領した際に、生体試料の識別情報や、患者の識別情報を取得する。処理ユニット３００は、上記検査オーダーに対応する測定を測定ユニット４００に指示する。処理ユニット３００は、当該測定指示に対応する結果（即ち、波形データ）を測定ユニット４００から取得した際、その結果（即ち、波形データ）と上記識別情報とを対応付ける。

図６に戻り、処理ユニット３００は、インタフェース部４８９、及びバス４８５を介してプロセッサ４８３１と接続されており、プロセッサ４８３１及び並列処理プロセッサ４８３３による分析結果を受信することができる。インタフェース部４８９は、例えば、ＵＳＢインタフェースである。

図１０は、処理ユニット３００の構成を示す図である。処理ユニット３００は、プロセッサ３００１と、バス３００３と、記憶部３００４と、インタフェース部３００６と、表示部３０１５と、操作部３０１６とを備える。処理ユニット３００は、ハードウェアとしては一般的なパーソナルコンピュータによって構成されており、記憶部３００４に格納された専用のプログラムを実行することで、細胞分析装置４０００の処理ユニットとして機能する。

プロセッサ３００１はＣＰＵであり、記憶部３００４に記憶されたプログラムを実行することが可能である。

記憶部３００４は、ハードディスク装置を備える。記憶部３００４には、少なくとも、測定ユニット４００から送信される細胞の分類情報を処理して、検体の検査結果を生成するためのプログラム６０が格納されている。なお、検体の検査結果とは、後述するように、測定ユニット４００によって得られた個々の細胞の分類情報８２を分析結果８３に基づいて、検体に含まれる血球を計数した結果を意味する。

表示部３０１５は、コンピュータスクリーンを備える。表示部３０１５はインタフェース部３００６とバス３００３を介してプロセッサ３００１に接続されている。表示部３０１５は、プロセッサ３００１から入力される画像信号を受けて、測定ユニット４００から受領した分析結果８３と、プロセッサ３００１が分析結果８３を分析して得られる検査結果を表示することができる。

操作部３０１６は、キーボード、マウスまたはタッチパネルを含むポインティングデバイスを備える。医師や検査技師等のユーザは、操作部３０１６を操作することで、細胞分析装置４０００に測定オーダーを入力し、測定オーダーにしたがって測定指示を入力することができる。操作部３０１６は、ユーザから検査結果を表示する指示を受け付けることもできる。ユーザは、操作部３０１６を操作し、検査結果に関する様々な情報、例えば、グラフ、チャート、検体に付与されたフラグ情報を閲覧することができる。

上述の測定ユニット４００は、インタフェース部３００６を介して処理ユニット３００に接続されている。測定ユニット４００のプロセッサ４８３１は、深層学習アルゴリズム６０によって生成した個々の細胞の分類情報を、検体の識別情報と関連付けて、処理ユニット３００のプロセッサ３００１に送信することができる。プロセッサ３００１は、測定ユニット４００から受信した細胞の分析結果８３を、検体の識別情報と関連付けて記憶部３００４に格納する。

＜細胞分析装置の動作＞
図２０～図２２を参照し、細胞分析装置４０００による検体の分析動作を説明する。

処理ユニット３００のプロセッサ３００１は、操作部３０１６を介してユーザから測定オーダーと測定指示を受け付けると、測定ユニット４００に対して測定コマンドを送信する（ステップＳ１）。

測定ユニット４００のプロセッサ４８３１は、測定コマンドを受信すると、検体の測定を開始する。プロセッサ４８３１は、検体吸引部４５０に、採血管Ｔから検体を吸引させる（ステップＳ１０）。次に、プロセッサ４８３１は、検体吸引部４５０に、吸引した検体を試料調製部４４０のいずれかの反応チャンバ４４０ａ～４４０ｅに分注させる。ステップＳ１において処理ユニット３００から送信される測定コマンドには、測定オーダーによって測定が要求されている測定チャネルの情報が含まれている。プロセッサ４８３１は、測定コマンドに含まれる測定チャネルの情報に基づいて、対応する測定チャネルの反応チャンバに検体を吐出するよう検体吸引部４５０を制御する。

プロセッサ４８３１は、試料調製部４４０に測定試料を調製させる（ステップＳ１１）。具体的には、試料調製部４４０は、プロセッサ４８３１からの命令を受けて、検体が吐出された反応チャンバに試薬（溶血剤および染色液）を供給し、検体と試薬を混合する。これにより反応チャンバ内で、赤血球が溶血剤により溶血され、かつ白血球や網状赤血球などの、測定チャネルがターゲットとする細胞が染色的によって染色された測定試料が調製される。

プロセッサ４８３１は、ＦＣＭ検出部４１０に、調製した測定試料を測定させる（ステップＳ１２）。具体的に、プロセッサ４８３１は、装置機構部４３０を制御して、試料調製部４４０の反応チャンバ内にある測定試料をＦＣＭ検出部４１０へ送液する。反応チャンバとＦＣＭ検出部４１０は流路で接続されており、反応チャンバから送液された測定試料はフローセル４１１３内を流れて光源４１１１によってレーザ光が照射される（図９参照）。測定試料に含まれる細胞がフローセル４１１３を通過すると、光が細胞に照射され、細胞から生じた前方散乱光、側方散乱光、側方蛍光が、それぞれ受光素子４１１６、４１２１、４１２２によって検出され、受光強度に応じたアナログ信号が出力される。アナログ信号は、アナログ処理部４２０を介してＡ／Ｄ変換部４８２に出力される。

Ａ／Ｄ変換部４８２は、アナログ信号を所定レートでサンプリングすることで、個々の細胞の波形データを含むデジタル信号を生成する（ステップＳ１３）。波形データおよびデジタル信号の生成方法はすでに述べたとおりである。プロセッサ４８３１は、Ａ／Ｄ変換部４８２によって生成されたデジタル信号をＲＡＭ４８３４に取り込む。例えば、プロセッサ４８３１は、バスコントローラ４８５０を制御し、Ａ／Ｄ変換部４８２によって生成されたデジタル信号をＤＭＡ転送によってＲＡＭ４８３４に取り込ませる。ＤＭＡ転送により、デジタル信号は、プロセッサ４８３１を介さずに直接ＲＡＭ４８３４に転送される。具体的には、プロセッサ４８３１は、検査対象の検体に含まれる細胞から取得された前方散乱光信号のデジタル信号、側方散乱光のデジタル信号および蛍光信号のデジタル信号をＲＡＭ４８３４に取り込む。デジタル信号はＲＡＭ４８３４に格納される。

プロセッサ４８３１は、深層学習アルゴリズム６０を用いて、生成したデジタル信号に含まれる波形データに基づく細胞分類を実行する（ステップＳ１４）。Ｓ１４の処理については後述する。

プロセッサ４８３１は、Ｓ１４の結果として得られた個々の細胞の分類情報８２を含む分析結果８３を、検体の識別情報と関連付けて処理ユニット３００に送信する（ステップＳ１５）。分析結果８３は、例えば、一つの検体に含まれる複数の細胞の分析結果８３が、それぞれ、検体の識別情報に紐づけられて、処理ユニット３００へ送られる。

処理ユニット３００のプロセッサ３００１は、測定ユニットから分析結果８３を受信すると（ステップＳ２）、記憶部３００４に格納されたプログラムを用いて分析結果８３を分析し、検体の検査結果を生成する（ステップＳ３）。Ｓ３の処理では、例えば、個々の細胞の分析結果８３に含まれるラベル値に基づいて、細胞種別ごとに細胞の数が計数される。例えば、１つの検体から好中球を示すラベル値「１」が付与された分類情報がＮ個あれば、検体の検査結果として好中球の数＝Ｎとする計数結果が取得される。

プロセッサ３００１は、分析結果８３に基づいて測定チャネルに応じた測定項目に関する計数結果を取得し、検体の識別情報とともに記憶部３００４に格納する。測定チャネルに応じた測定項目とは、測定オーダーによって計数結果が要求されている項目である。例えばＤＩＦＦチャネルに応じた測定項目とは白血球５分類、すなわち単球、好中球、リンパ球、好酸球、好塩基球の数である。ＲＥＴチャネルに応じた測定項目とは網赤血球の数である。ＰＬＴ－Ｆに応じた測定項目とは血小板の数である。ＷＰＣに応じた測定項目とは造血前駆細胞の数である。ＷＮＲに応じた測定項目とは白血球と有核赤血球の数である。計数結果は、上に列挙したような測定が要求されている項目（リポータブル項目ともいう）に限らず、同じ測定チャネルで測定可能な他の細胞の計数結果も含みうる。例えば測定チャネルがＤＩＦＦであれば、図４に示すように、白血球５分類に加えて、幼若顆粒球（ＩＧ）および異常細胞も計数結果に含まれる。さらにプロセッサ３００１は、得られた計数結果を分析することで検体の検査結果を生成し、記憶部３００４に格納する。計数結果の分析とは、例えば計数結果が正常値範囲内であるか、異常細胞が検出されていないか、前回の検査結果と比べて乖離が許容範囲内か、などを判断することを含む。

プロセッサ３００１は、生成した検査結果を表示部３０１５に表示する（ステップＳ４）。

次に図２１を参照して、ステップＳ１４の細胞分類の処理について説明する。ステップS１４の細胞分類の処理は、解析ソフトウェア４８３２の動作に応じて、プロセッサ４８３１が行う処理である。プロセッサ４８３１は、ステップＳ１３においてＲＡＭ４８３４に取り込まれたデジタル信号を並列処理プロセッサ４８３３に転送する（Ｓ１０１）。プロセッサ４８３１は、図１６に示されるように、ＤＭＡ転送によって、ＲＡＭ４８３４からＲＡＭ４８３７にデジタル信号を転送する。プロセッサ４８３１は、例えば、バスコントローラ４８５０を制御し、ＲＡＭ４８３４からＲＡＭ４８３７にデジタル信号をＤＭＡ転送させる。

プロセッサ４８３１は、並列処理プロセッサ４８３３に、デジタル信号に含まれる波形データに対する並列処理の実行を指示する（Ｓ１０２）。プロセッサ４８３１は、例えば、並列処理プロセッサ４８３３のカーネル関数を呼び出すことで、並列処理の実行を指示する。並列処理プロセッサ４８３３で実行される処理は、図２２に例示されたフローチャートで後述される。プロセッサ４８３１は、例えば、深層学習アルゴリズム６０に関する行列演算の実行を並列処理プロセッサ４８３３に指示する。デジタル信号は複数の波形データに分解され、順次、深層学習アルゴリズム６０に入力される。デジタル信号に含まれる、各細胞に対応するインデックスは深層学習アルゴリズム６０には入力されない。深層学習アルゴリズム６０に入力された波形データは、並列処理プロセッサ４８３３によって演算される。

プロセッサ４８３１は、並列処理プロセッサ４８３３によって実行された演算結果を受領する（Ｓ１０３）。演算結果は、例えば、図１６に示されるように、ＲＡＭ４８３７からＲＡＭ４８３４にＤＭＡ転送される。

プロセッサ４８３１は、並列処理プロセッサ４８３３による演算結果に基づいて、測定された各々の細胞の細胞種別の解析結果を生成する（Ｓ１０４）。

図２２は、解析ソフトウェア４８３２の動作に応じたプロセッサ４８３１の指示に基づいて実行される並列処理プロセッサ４８３３の演算処理の動作例を示す。

解析ソフトウェア４８３２を実行するプロセッサ４８３１は、並列処理プロセッサ４８３３に、演算ユニット４８３６に対する演算処理の割り当てを実行させる（Ｓ１１０）。プロセッサ４８３１は、例えば、並列処理プロセッサ４８３３のカーネル関数を呼び出すことで、並列処理プロセッサ４８３３に、演算ユニット４８３６への演算処理の割り当てを実行させる。図１８に示されるように、例えば、深層学習アルゴリズム６０に関する行列演算が複数の演算処理に分割され、分割された各演算処理が演算ユニット４８３６に割り当てられる。複数の波形データが、順次、深層学習アルゴリズム６０に入力される。波形データに対応する行列演算が複数の演算処理に分割され、演算ユニット４８３６に割り当てられる。

各演算処理は、複数の演算ユニット４８３６によって並列に処理される（Ｓ１１１）。演算処理は、複数の波形データに対して実行される。

複数の演算ユニット４８３６によって並列に処理されることで生成された演算結果は、ＲＡＭ４８３７からＲＡＭ４８３４に転送される（Ｓ１１２）。例えば、演算結果は、ＲＡＭ４８３７からＲＡＭ４８３４へ、ＤＭＡによって転送される。

（構成例２）
図２３及び図２４を参照し、測定ユニット４００及び処理ユニット３００によって構成される細胞分析装置４０００の他の構成例を説明する。本構成例では、並列処理プロセッサは、処理ユニット３００に設けられる。

図２３は、測定ユニット４００のブロック図の他の例を示す。図２３に示す測定ユニット４００は、Ａ／Ｄ変換部４８２、プロセッサ４８３１、ＲＡＭ４８３４、記憶部４８３５、並列処理プロセッサ４８３３を備えておらず、接続ポート４２０１が設けられていることを除き、図６、図７及びその関連記載で説明された測定ユニット４００と同様の構成及び機能を有する。接続ポート４２０１には接続ケーブル４２０２が接続される。

図２４は、処理ユニット３００のブロック図の例を示す。図２４に示すように、処理ユニット３００は、プロセッサ３００１、並列処理プロセッサ３００２、記憶部３００４、ＲＡＭ３００５、インタフェース部３００６、Ａ／Ｄ変換部３００８、バスコントローラ４８５０、インタフェース部３００９を備えており、これらはバス３００３に接続されている。つまり図２４の例では、並列処理プロセッサ３００２が処理ユニット３００の内部に組み込まれる形で細胞分析装置４０００に搭載されている。バス３００３は、例えば、数百ＭＢ／ｓ以上のデータ転送速度を有する伝送路である。バス３００３は、１ＧＢ／ｓ以上のデータ転送速度を有する伝送路であってもよい。バス３００３は、例えば、ＰＣＩ－ＥｘｐｒｅｓｓやＰＣＩ－Ｘ規格に基づいてデータ転送を行う。プロセッサ３００１、並列処理プロセッサ３００２、記憶部３００４、ＲＡＭ３００５の構成、及び、それらで実行される処理は、上述の図１１～図１９で説明されたプロセッサ４８３１、並列処理プロセッサ４８３３、記憶部４８３５、ＲＡＭ４８３４の構成及び処理と同様である。Ａ／Ｄ変換部３００８は、測定ユニット４００から出力されたアナログ信号を上述したようにサンプリングし、細胞の波形データを含むデジタル信号を生成する。デジタル信号の生成方法については上述のとおりである。図２３及び図２４の例では、接続ケーブル４２０２は、例えば、測定ユニット４００から処理ユニット３００に伝送されるアナログ信号の種類に対応する数の伝送経路を備える。例えば、接続ケーブル４２０２は、ツイストペアケーブルで構成され、処理ユニット３００に伝送されるアナログ信号の種類に対応する数のペア数の配線を有する。接続ポート３００７からＡ／Ｄ変換部３００８の伝送経路も、処理ユニット３００に伝送されるアナログ信号の種類に対応する数の配線を有してもよい。接続ポート３００７からＡ／Ｄ変換部３００８の伝送経路では、例えば、アナログ信号は差動信号として伝送される。

図２５に示すように、プロセッサ３００１および並列処理プロセッサ３００２は、上述のプロセッサ４８３１および並列処理プロセッサ４８３３と同様の構成および機能を有する。並列処理プロセッサ３００２は、複数の演算ユニット３２００、及びＲＡＭ３２０１を含む。プロセッサ３００１上で、測定された細胞の細胞種別を解析する解析ソフトウェア３１００が実行される。なお、並列処理プロセッサ３００２は、バス３００３に直接接続される必要はなく、例えば、ＵＳＢデバイスに実装され、このＵＳＢデバイスがインタフェース部（不図示）を介してバス３００３に接続されることで、処理ユニット３００の一部として細胞分析装置４０００に搭載されてもよい。このＵＳＢデバイスは、例えば、ＵＳＢドングルのような小型デバイスでもよい。

図２３及び図２４に示すとおり、処理ユニット３００は、インタフェース部３００６を介して、測定ユニット４００のインタフェース部４８９と接続されている。処理ユニット３００は、インタフェース部３００６を介して、装置機構部４３０及び試料調製部４４０の制御信号を測定ユニット４００に送信する。インタフェース部３００６は、例えばＵＳＢインタフェースである。

図２３及び図２４に示す例では、処理ユニット３００は、インタフェース部３００６の他に、Ａ／Ｄ変換部３００８に接続される接続ポート３００７、接続ポート３００７に接続される接続ケーブル４２０２を介して、測定ユニット４００の接続ポート４２０１と接続される。接続ポート４２０１はアナログ処理部４２０と接続される。接続ポート４２０１から処理ユニット３００に出力されるアナログ信号は、上述の通り、測定ユニット４００のＦＣＭ検出部４１０の出力がアナログ処理部４２０によって処理された信号である。アナログ処理部４２０は、ＦＣＭ検出部４１０から入力されたアナログ信号に対してノイズ除去を含む処理を行う。アナログ処理部４２０で処理されたアナログ信号は、接続ポート４２０１、接続ケーブル４２０２を介して、処理ユニット３００に伝送される。接続ケーブル４２０２は、信号伝送中のノイズ低減のため、例えば、１メートル又はそれ以下の長さで構成される。アナログ信号は、例えば、差動信号として、接続ケーブル４２０２を介して処理ユニット３００に伝送される。処理ユニット３００は、複数の接続ポート３００７を備えてもよい。処理ユニット３００は、複数の接続ポート３００７を介して、複数の測定ユニット４００からアナログ信号を取得してもよい。

測定ユニット４００から接続ケーブル４２０２を介して伝送されたアナログ信号は、処理ユニット３００のＡ／Ｄ変換部３００８によって、デジタル信号に変換される。Ａ／Ｄ変換部３００８は、例えば、図２を参照して説明したように、所定のサンプリングレート（例えば、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、又は１６０ナノ秒間隔で６４ポイントのサンプリング等）で、伝送されたアナログ信号をサンプリングし、細胞ごとの波形データを生成する。波形データはバス３００３を介して記憶部３００４又はＲＡＭ３００５に記憶される。波形データは、例えば、ＤＭＡによりＲＡＭ３００５に転送される。プロセッサ３００１及び並列処理プロセッサ３００２は、記憶部３００４又はＲＡＭ３００５に記憶された波形データに対して演算処理を実行する。

プロセッサ３００１上で動作する解析ソフトウェア３１００は、図１６に示された解析ソフトウェア４８３２と同様の機能を有する。プロセッサ３００１は、解析ソフトウェア３１００を実行することにより、図１６、図１７、図１８、図２１、図２２およびその関連記載と同様の動作によって、測定された細胞の細胞種別に関する分類情報を生成する。

この図２３、図２４に示される構成例２の細胞分析装置４０００の場合、図２０に示すフローチャートのうち、ステップＳ１３（デジタル信号生成）、ステップＳ１４（細胞分類）が処理ユニット３００において行われる。ステップＳ１５（分類情報の送信）は省略される。図２１、図２２の処理は、処理ユニット３００のプロセッサ３００１と並列処理プロセッサ３００２によって行われる。

プロセッサ３００１は、波形データと識別情報とを対応付けて処理することができる。具体的には、プロセッサ３００１は、波形データの分析結果（即ち、各細胞の細胞種別に関する分類情報）と識別情報とを対応付けることができる。識別情報は、例えば、（１）波形データに対応する生体試料の識別情報、（２）波形データに対応する細胞の識別情報、（３）波形データに対応する患者の識別情報、（４）波形データに対応する検査の識別情報、（５）波形データが測定された細胞分析装置の識別情報、（６）波形データが測定された検査関連施設の識別情報、が挙げられる。プロセッサ３００１は、例えば、ＬＩＳから検査オーダーを受領する際に、ＬＩＳから、上記識別情報（１）～（６）の少なくとも一つ又はそれらの組み合わせを取得できる。例えば、例示された（１）～（６）の少なくとも一つが、分類情報に対応付けられて、検査結果としてユーザに提供される。例示された（１）～（６）の複数の組み合わせが、分類情報と対応付けられて、検査結果としてユーザに提供されてもよい。

（構成例３）
図２６及び図２７を参照し、測定ユニット４００及び処理ユニット３００によって構成される細胞分析装置４０００の他の構成例を説明する。本構成例においても、並列処理プロセッサ３００２は、処理ユニット３００の内部に組み込まれる形で細胞分析装置４０００に搭載される。

図２６は、測定ユニット４００のブロック図の他の例を示す。図２６に示す測定ユニット４００は、プロセッサ４８３１、ＲＡＭ４８３４、記憶部４８３５、並列処理プロセッサ４８３３を備えておらず、Ａ／Ｄ変換部４８２で生成されたデジタル信号を処理ユニット３００に伝送するためのインタフェース部４８５１と伝送路４８５２が設けられていることを除き、図６、図７及びその関連記載で説明された測定ユニット４００と同様の構成及び機能を有する。インタフェース部４８５１は、例えば、１ギガビット／秒以上の通信帯域を備える専用回線としてのインタフェースである。例えば、インタフェース部４８５１は、ギガビットイーサ、ＵＳＢ３．０、またはＴｈｕｎｄｅｒｂｏｌｔ３に準拠したインタフェースである。インタフェース部４８５１がギガビットイ―サである場合、伝送路４８５２は例えばＬＡＮケーブルである。インタフェース部４８５１がＵＳＢ３．０である場合、伝送路４８５２はＵＳＢ３．０に準拠したＵＳＢケーブルである。伝送路４８５２は、例えば、測定ユニット４００と処理ユニット３００との間でデジタル信号を伝送するための専用の伝送路である。

図２７は、処理ユニット３００のブロック図の他の例を示す。図２７に示す処理ユニット３００は、Ａ／Ｄ変換部３００８及び接続ポート３００７を備えていないこと、および、インタフェース部３０１０を備えることを除き、図２４及びその関連記載で説明された処理ユニット３００と同様の構成及び機能を有する。処理ユニット３００は、複数のインタフェース部３０１０、および、複数のインタフェース部３００６を介して、複数の測定ユニット４００と接続されてもよい。

プロセッサ３００１および並列処理プロセッサ３００２は、図２５およびその関連記載で説明されたプロセッサ３００１および並列処理プロセッサ３００２と同様の構成および機能を有する。図２７において、並列処理プロセッサ３００２は、必ずしもバス３００３に直接接続される必要はなく、例えば、ＵＳＢデバイスに実装され、このＵＳＢデバイスがインタフェース部（不図示）を介してバス３００３に接続されてもよい。このＵＳＢデバイスは、例えば、ＵＳＢドングルのような小型デバイスでもよい。

プロセッサ３００１上で動作する解析ソフトウェア３１００は、図１６に示された解析ソフトウェア４８３２と同様の機能を有する。解析ソフトウェア３１００は、図１６、図１７、図１８、図２１、図２２およびその関連記載と同様の動作によって、測定された細胞の細胞種別を解析する。

この図２６、図２７に示される構成例３の細胞分析装置４０００の場合、図２０に示すフローチャートのうち、ステップＳ１４（細胞分類）が処理ユニット３００において行われる。ステップＳ１５（分類情報の送信）は省略される。図２１、図２２の処理は、処理ユニット３００のプロセッサ３００１と並列処理プロセッサ３００２によって行われる。

図２６、図２７の構成では、ＦＣＭ検出部４１０において生成された細胞のアナログ信号（前方散乱光信号、側方散乱光信号、側方蛍光信号）は、測定ユニット４００内のＡ／Ｄ変換部４８２においてデジタル信号に変換される。デジタル信号は、インタフェース部４８４、バス４８５、インタフェース部４８５１、伝送路４８５２を介して、処理ユニット３００に送られる。伝送路４８５２は、上述のとおり測定ユニット４００と処理ユニット３００との間でデジタル信号を伝送するための専用の伝送路である。、例えば、測定ユニット４００と処理ユニット３００は、伝送路４８５２を介して、一対一で接続される。言い換えれば、伝送路４８５２は、例えば、細胞分析装置４０００を構成するコンポーネント（例えば、測定ユニット４００および処理ユニット３００）以外の装置に関連するデータの伝送が介在しない伝送路である。伝送路４８５２は、例えば、イントラネット又インターネットとは、別の伝送路である。これにより、測定ユニット４００内でＡ／Ｄ変換を行って生成されたデジタル信号を処理ユニット３００に送信しても、デジタル信号の伝送の通信速度のボトルネックを回避できる。

（構成例４）
図２８、図２９、図３０、図３１、及び図３２を参照し、細胞分析装置４０００の他の構成例を説明する。

本構成例では、図２８に例示されるように、測定ユニット４００と処理ユニット３００の間に、解析ユニット６００が設けられる。つまり、図２８、図２９、図３０、図３１、図３２の構成において、細胞分析装置４０００は、測定ユニット４００と、処理ユニット３００と、解析ユニット６００を備えて構成される。解析ユニット６００は、測定された細胞の細胞種別を解析する。後述するとおり、本構成例では並列処理プロセッサ６００２は解析ユニット６００に組み込まれる形で細胞分析装置４０００に搭載される。

図２９に例示された測定ユニット４００の構成は、図２６およびその関連記載で説明された測定ユニット４００と同様の構成および機能を有する。測定ユニット４００と処理ユニット３００との間に、解析ユニット６００が設けられている。解析ユニット６００は、複数の測定ユニット４００と接続されてもよい。解析ユニット６００は、複数の処理ユニット３００と接続されてもよい。インタフェース部４８５１は、例えば、１ギガビット／秒以上の通信帯域を備えるインタフェースである。例えば、インタフェース部４８５１は、ギガビットイーサ、ＵＳＢ３．０又はＴｈｕｎｄｅｒｂｏｌｔ３に準拠したインタフェースである。インタフェース部４８５１がギガビットイーサである場合、伝送路４８５２は例えばＬＡＮケーブルである。インタフェース部４８５１がＵＳＢ３．０である場合、伝送路４８５２はＵＳＢ３．０に準拠したＵＳＢケーブルである。伝送路４８５２は、上述のとおり測定ユニット４００と処理ユニット３００との間でデジタル信号を伝送するための専用の伝送路である。例えば、測定ユニット４００と処理ユニット３００は、伝送路４８５２を介して、一対一で接続される。

図３０は、解析ユニット６００の構成例を示す。解析ユニット６００は、例えば、プロセッサ６００１、並列処理プロセッサ６００２、バス６００３、記憶部６００４、ＲＡＭ６００５、インタフェース部６００６、インタフェース部６００７を備え、これらはバス６００３に接続されている。バス６００３は、例えば、数百ＭＢ／ｓ以上のデータ転送速度を有する伝送路である。バス３００３は、１ＧＢ／ｓ以上のデータ転送速度を有する伝送路であってもよい。バス３００３は、例えば、ＰＣＩ－ＥｘｐｒｅｓｓやＰＣＩ－Ｘ規格に基づいてデータ転送を行う。解析ユニット６００は、複数のインタフェース部６００６を介して、複数の測定ユニット４００と接続されてもよい。複数の測定ユニット４００が設けられている場合、測定ユニット４００のそれぞれに解析ユニット６００が接続されてもよい（例えば、複数の測定ユニット４００と複数の解析ユニット６００が、それぞれ、一対一に接続される）。

図３１に示すように、プロセッサ６００１および並列処理プロセッサ６００２は、上述のプロセッサ４８３１および並列処理プロセッサ４８３３と同様の構成および機能を有する。並列処理プロセッサ６００２は、複数の演算ユニット６２００、及びＲＡＭ６２０１を含む。プロセッサ６００１上で、測定された細胞の細胞種別を解析する解析ソフトウェア６１００が動作する。プロセッサ６００１上で動作する解析ソフトウェア６１００は、図１６に示された解析ソフトウェア４８３２と同様の機能を有する。解析ソフトウェア６１００は、図１６、図１７、図１８、図２１、図２２およびその関連記載と同様の動作によって、測定された細胞の細胞種別を解析する。解析ソフトウェア６１００は、測定された細胞の分類情報を、インタフェース部６００７を介して処理ユニット３００に送信する。インタフェース部６００７は、例えば、イーサネット（登録商標）、ＵＳＢである。インタフェース部６００７は、無線通信可能なインタフェース（例えば、ＷｉＦｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標））でもよい。

図３２は、処理ユニット３００の構成例を示す。図３２に示された処理ユニット３００は、図２４および図２７に示された処理ユニット３００のように並列処理プロセッサ３００２を備えなくてもよい。また、図３２に示されたプロセッサ３００１上では、図２４および図２７に示された解析ソフトウェア３１００が動作していなくてもよい。処理ユニット３００は、インタフェース部３００６を介して、解析ユニット６００による解析結果を受信する。インタフェース部３００６は、例えば、イーサネット、ＵＳＢである。インタフェース部３００６は、無線通信可能なインタフェース（例えば、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ）でもよい。

図２９、図３０、図３１、図３２の構成では、ＦＣＭ検出部４１０において生成された細胞のアナログ信号（前方散乱光信号、側方散乱光信号、側方蛍光信号）は、測定ユニット４００内のＡ／Ｄ変換部４８２においてデジタル信号に変換される。波形データは、インタフェース部４８４、バス４８５、インタフェース部４８５１、伝送路４８５２を介して、解析ユニット６００に送られる。インタフェース部４８５１は、上述のとおり測定ユニット４００と解析ユニット６００を接続する専用のインタフェースであり、測定ユニット４００と解析ユニット６００を一対一で接続する。言い換えれば、伝送路４８５２は、例えば、細胞分析装置４０００を構成するコンポーネント（例えば、測定ユニット４００および処理ユニット３００）以外の装置に関連するデータの伝送が介在しない伝送路である。伝送と４８５２は、例えば、イントラネット又インターネットとは、別の伝送路である。これにより、測定ユニット４００内でＡ／Ｄ変換を行って生成されたデジタル信号を処理ユニット３００に送信しても、デジタル信号の伝送の通信速度のボトルネックを回避できる。

この図２９、図３０、図３１、図３２に示される構成例４の細胞分析装置４０００の場合、図２０に示すフローチャートのうち、ステップＳ１４（細胞分類）とステップＳ１５（分類情報の送信）が解析ユニット６００において行われる。すなわち、ステップＳ１３で生成されたデジタル信号が測定ユニット４００から解析ユニット６００へ送信され、ステップＳ１５で分類情報が処理ユニット３００へ送信される。図２１、図２２の処理は、解析ユニット６００のプロセッサ６００１と並列処理プロセッサ６００２によって行われる。

（構成例５）
図２８、図３３および図３４を参照し、細胞分析装置４０００の他の構成例を説明する。この構成例５の細胞分析装置も、前述の構成例４と同様、測定ユニット４００と、処理ユニット３００と、解析ユニット６００を備えて構成される。
図３３に示される測定ユニット４００は、図２３およびその関連記載で説明された測定ユニット４００と同様の機能及び構成を備える。図３３に示される測定ユニット４００は、接続ケーブル４２０２を介して、解析ユニット６００と接続される。例えば、接続ケーブル４２０２は、ツイストペアケーブルで構成され、処理ユニット３００に伝送されるアナログ信号の種類に対応する数のペア数の配線を有する。接続ケーブル４２０２は、信号伝送中のノイズ低減のため、例えば、１メートル又はそれ以下の長さで構成される。測定ユニット４００は、接続ケーブル４２０２を介して、解析ユニット６００にアナログ信号を伝送する。

図３４に示される解析ユニット６００は、図３０およびその関連記載で説明された解析ユニット６００と同様の機能および構成を備える。つまり、図３４の例では、解析ユニット６００に組み込まれる形で並列処理プロセッサ６００２が細胞分析装置４０００に搭載されている。図３４に示される解析ユニット６００は、さらに、接続ポート６００８、Ａ／Ｄ変換部６００９を備える。解析ユニット６００から接続ケーブル４２０２を介して伝送されたアナログ信号は、接続ポート６００８を介してＡ／Ｄ変換部６００９に入力される。Ａ／Ｄ変換部６００９は、Ａ／Ｄ変換部４８２と同様の処理により、アナログ信号をデジタル信号に変換する。

解析ユニット６００は、複数の接続ポート６００８を介して、複数の測定ユニット４００と接続されてもよい。複数の測定ユニット４００が設けられている場合、測定ユニット４００のそれぞれに解析ユニット６００が接続されてもよい（例えば、複数の測定ユニット４００と複数の解析ユニット６００が、それぞれ、一対一に接続される）。

図３１に示すように、プロセッサ６００１および並列処理プロセッサ６００２は、上述のプロセッサ４８３１および並列処理プロセッサ４８３３と同様の構成および機能を有する。プロセッサ６００１上で、測定された細胞の細胞種別を解析する解析ソフトウェア６１００が動作する。プロセッサ６００１上で動作する解析ソフトウェア６１００は、図１６に示された解析ソフトウェア４８３２と同様の機能を有する。解析ソフトウェア６１００は、図１６、図１７、図１８、図２１、図２２およびその関連記載と同様の動作によって、測定された細胞の細胞種別を解析する。解析ソフトウェア６１００は、測定された細胞の細胞種別の解析結果を、インタフェース部６００７を介して処理ユニット３００に送信する。インタフェース部６００７は、例えば、イーサネット、ＵＳＢである。インタフェース部６００７は、無線通信可能なインタフェース（例えば、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ）でもよい。

この図３３、図３４に示される構成例５の細胞分析装置４０００の場合、図２０に示すフローチャートのうち、ステップＳ１３（デジタル信号の生成）、ステップＳ１４（細胞分類）、及びステップＳ１５（分類情報の送信）が解析ユニット６００において行われる。すなわち、解析ユニット６００のＡ／Ｄ変換部６００９においてデジタル信号の生成（ステップＳ１３）が行われ、デジタル信号に基づく細胞分類（ステップＳ１４）がプロセッサ６００１と並列処理プロセッサ６００２によって行われ、分類情報が解析ユニット６００から処理ユニット３００へ送信される（ステップＳ１５）。図２１、図２２の処理は、解析ユニット６００のプロセッサ６００１と並列処理プロセッサ６００２によって行われる。

（波形データおよびデジタル信号のデータサイズ）
次に、波形データ及びデジタル信号のデータサイズについて説明する。本実施形態では、例えば、前方散乱光のアナログ信号（ＦＳＣ）、側方散乱光のアナログ信号（ＳＳＣ）、側方蛍光のアナログ信号（ＳＦＬ）のそれぞれに対して、１つの細胞について一定間隔で複数の時点においてサンプリングが行われる。サンプリングレートの例は、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、又は１６０ナノ秒間隔で６４ポイントのサンプリング等を挙げることができる。データ量は、例えば、１サンプリングあたり２バイトとなる。ＦＳＣ、ＳＳＣ、ＳＦＬの各々について、サンプリングレートに応じた量のデータ（１０２４ポイントのレートの場合、２バイト×１０２４＝２０４８バイト）が取得される。このデータ量は、一つの細胞あたりのデータ量である。１回の測定で、例えば、少なくとも１００個の細胞について、ＦＳＣ、ＳＳＣ、ＳＦＬが測定される。また、１回の測定で、例えば、少なくとも１０００個の細胞について、ＦＳＣ、ＳＳＣ、ＳＦＬが測定されることもある。また、１回の測定で、例えば、約１００００個～約１４００００個の細胞について、ＦＳＣ、ＳＳＣ、ＳＦＬが測定されることもある。よって、例えば、１回の測定で計測される細胞数が１０００００個で、サンプリングレートが１０２４の場合、ＦＳＣ、ＳＳＣ、ＳＦＬの各々のデジタル信号のデータ量は、２バイト×１０２４×１０００００＝２０４，８００，０００バイトとなり、ＦＳＣ、ＳＳＣ、ＳＦＬの合計で、６１４，４００，０００バイトとなる。

更に、ＦＳＣ、ＳＳＣ、ＳＦＬは、測定チャネル毎に計測される。よって、例えば、１回の測定で計測される細胞数が１０００００個で、サンプリングレートが１０２４、測定チャネル数が５の場合、ＦＳＣ、ＳＳＣ、ＳＦＬの各々のデータ量は、２バイト×１０２４×１０００００×５＝１，０２４，０００，０００バイトとなり、ＦＳＣ、ＳＳＣ、ＳＦＬの合計で、３，０７２，０００，０００バイトとなる。

以上より、デジタル信号の容量は、例えば、１検体あたり数百メガバイトから数ギガバイトとなり、細胞数、サンプリングレート、測定チャンネル数によっては、少なくとも１ギガバイトとなる。

本実施形態によれば、１検体あたり数百メガバイトから数ギガバイトに及ぶ膨大な容量のデジタル信号を分析するにあたり、上述のとおり細胞分析装置４０００又は４０００’の内部で深層学習アルゴリズム６０を用いた分析処理が完結し、細胞分析装置４０００又は４０００’の外部に設置された分析用サーバにインターネットまたはイントラネットを介してデジタル信号が送信されることはない。よって、細胞分析装置４０００又は４０００’から分析用サーバにデジタル信号を送信する場合に生じる通信負荷の増大に伴う処理能力低下を回避することができる。

＜第２の細胞分析装置と第２の細胞分析装置における生体試料の測定＞
第２の細胞分析装置４０００’の構成例として、測定ユニット５００が尿試料又は体液試料を測定するためのフローサイトメータを備える尿中有形成分分析装置または体液分析装置である場合のブロック図の例を示す。

図３５は、測定ユニット５００のブロック図の例である。図３５において、測定ユニット５００は、検体分配部５０１、試料調製部５０２、光学検出部５０５、光学検出部５０５の出力信号（プリアンプにより増幅された出力信号）を増幅する増幅回路５５０、増幅回路５５０からの出力信号に対してフィルタ処理を行うフィルタ回路５０６、フィルタ回路５０６の出力信号（アナログ信号）をデジタル信号に変換するＡ／Ｄ変換部５０７、プロセッサ４８３１、並列処理プロセッサ４８３３、ＲＡＭ４８３４、バスコントローラ４８５０、記憶装置５１１ａ、ＬＡＮ（Local Area Network）アダプタ５１２を含む。プロセッサ４８３１、並列処理プロセッサ４８３３、ＲＡＭ４８３４、バスコントローラ４８５０、記憶装置５１１ａ、ＬＡＮアダプタ５１２は、バス５０８に接続されている。深層学習アルゴリズム６０および深層学習アルゴリズム６０に基づく解析ソフトウェアは記憶装置５１１ａに格納されている。

プロセッサ４８３１は、第１の細胞分析装置４０００の例に基づいて説明したように、Ａ／Ｄ変換部５０７から出力されたデジタル信号に対して所定の演算処理を行う。プロセッサ４８３１は、並列処理プロセッサ４８３３を用いて、波形データを分析する。プロセッサ４８３１及び並列処理プロセッサ４８３３の構成例及び並列処理プロセッサ４８３３の動作は、上述の図１１～図１９及びその関連記載と同様である。

処理ユニット３００は、例えば、ＬＡＮアダプタ５１２を介して測定ユニット５００とＬＡＮケーブルにて接続されており、この処理ユニット３００により、測定ユニット５００で取得された測定データに基づく検査結果の生成が行われる。光学検出部５０５、増幅回路５５０、フィルタ回路５０６、Ａ／Ｄ変換部５０７、プロセッサ４８３１、並列処理プロセッサ４８３３、記憶装置５１１ａは、測定試料を測定し、測定データを生成する光学測定部５１０を構成している。

図３６は、測定ユニット５００の光学検出部５０５の構成を示す図である。図３６において、コンデンサレンズ５５２は、光源である半導体レーザ光源５５３から放射されたレーザ光をフローセル５５１に集光し、集光レンズ５５４は測定試料中の有形成分から発せられる前方散乱光を前方散乱光受光部５５５に集光する。また、他の集光レンズ５５６は有形成分から発せられる側方散乱光と蛍光とをダイクロイックミラー５５７に集光する。ダイクロイックミラー５５７は、側方散乱光を側方散乱光受光部５５８へ反射し、蛍光を蛍光受光部５５９の方へ透過させる。これらの光信号は、測定試料中の有形成分の特徴を反映する。そして、前方散乱光受光部５５５、側方散乱光受光部５５８及び蛍光受光部５５９は光信号を電気信号に変換し、それぞれ、前方散乱光信号、側方散乱光信号及び蛍光信号を出力する。これらの出力は、プリアンプにより増幅された後、次段の処理に供される。また、前方散乱光受光部５５５、側方散乱光受光部５５８及び蛍光受光部５５９のそれぞれは、駆動電圧を切り替えることにより、低感度出力と高感度出力との切り替えが可能である。この感度の切り替えは、後述のプロセッサ４８３１により行われる。本実施形態では、前方散乱光受光部５５５としてフォトダイオードが用いられ、側方散乱光受光部５５８及び蛍光受部５５としてフォトマルチプライヤチューブを用いてもよいし、側方散乱光受光部５５８及び蛍光受光部５５９としてフォトダイオードを用いてもよい。なお、蛍光受光部５５９から出力された蛍光信号は、プリアンプにより増幅された後、分岐する二つの信号チャンネルに与えられる。二つの信号チャンネルは、それぞれ図３５にて前述した増幅回路５５０に接続されている。一方の信号チャンネルに入力された蛍光は、増幅回路５５０により高感度に増幅される。

（測定試料の調製）
図３７は、図３５にて示した試料調製部５０２及び光学検出部５０５の概略機能構成を示す図である。図３５及び図３７に示した検体分配部５０１は、吸引管５１７とシリンジポンプとを備える。検体分配部５０１は、検体（尿又は体液）００ｂを、吸引管５１７を介して吸引し、試料調製部５０２へ分注する。試料調製部５０２は、反応槽５１２ｕと反応槽５１２ｂとを備えている。検体分配部５０１は、反応槽５１２ｕ及び反応槽５１２ｂのそれぞれに定量された測定試料を分配する。

反応槽５１２ｕにおいて、分配された生体試料は、希釈液としての第１試薬５１９ｕ及び染料を含む第３試薬５１８ｕと混合される。第３試薬５１８ｕに含まれる色素により、検体中の有形成分が染色される。生体試料が尿の場合、この反応槽５１２ｕにおいて調製された試料は、赤血球、白血球、上皮細胞、腫瘍細胞等の比較的大きい尿中有形成分を分析するための第１測定試料として使用される。生体試料が体液の場合、反応槽５１２ｕにおいて調製された試料は、体液中の赤血球を分析するための第３測定試料として使用される。

一方、反応槽５１２ｂにおいて、分配された生体試料は、希釈液としての第２試薬５１９ｂ及び染料を含む第４試薬５１８ｂと混合される。後述するように、第２試薬５１９ｂは、溶血作用を有する。第４試薬５１８ｂに含まれる色素により、検体中の有形成分が染色される。生体試料が尿の場合、この反応槽５１２ｂにおいて調製された試料は、尿中の細菌を分析するための第２測定試料となる。生体試料が体液である場合において、反応槽５１２ｂにおいて調製された試料は、体液中の有核細胞（白血球及び大型細胞）及び細菌を分析するための第４測定試料となる。

反応槽５１２ｕからは、光学検出部５０５のフローセル５５１へとチューブが延設されており、反応槽５１２ｕにおいて調製された測定試料がフローセル５５１へと供給可能となっている。また、反応槽５１２ｕの出口には、電磁弁５２１ｕが設けられている。反応槽５１２ｂからもチューブが延設されており、このチューブが反応槽２ｕから延びたチューブの途中に連結されている。これにより、反応槽５１２ｂにおいて調製された測定試料がフローセル５５１へと供給可能となっている。また、反応槽５１２ｕの出口には、電磁弁５２１ｂが設けられている。

反応槽５１２ｕ、５１２ｂからフローセル５５１まで延設されたチューブは、フローセル５５１の手前で分岐しており、その分岐先がシリンジポンプ５２０ａに接続されている。また、シリンジポンプ５２０ａと分岐点との間には、電磁弁５２１ｃが設けられている。

反応槽５１２ｕ、５１２ｂのそれぞれから延設されたチューブの接続点から、分岐点までの途中で、チューブはさらに分岐しており、その分岐先がシリンジポンプ５２０ｂに接続されている。また、シリンジポンプ５２０ｂへ延びるチューブの分岐点と、接続点との間には、電磁弁５２１ｄが設けられている。

また、試料調製部５０２には、シース液を収容するシース液収容部５２２が接続されており、このシース液収容部５２２がチューブによってフローセル５５１に接続されている。シース液収容部５２２にはコンプレッサ５２２ａが接続されており、コンプレッサ５２２ａが駆動されると、シース液収容部５２２に圧縮空気が供給され、シース液収容部５２２からフローセル５５１へとシース液が供給される。

反応槽５１２ｕ、５１２ｂのそれぞれにおいて調製された２種類の懸濁液（測定試料）は、先に反応槽５１２ｕの懸濁液（生体試料が尿のときは第１測定試料。生体試料が体液のときは第３測定試料。）が光学検出部５０５に導かれ、フローセル５５１においてシース液に包まれた細い流れを形成し、そこに、レーザ光が照射される。その後同様に、反応槽５１２ｂの懸濁液（生体試料が尿のときは第２測定試料。生体試料が体液のときは第４測定試料。）が光学検出部５０５に導かれ、フローセル５５１において細い流れを形成し、レーザ光が照射される。このような動作は、プロセッサ４８３１（制御部）の制御により、電磁弁５２１ａ、５２１ｂ、５２１ｃ、５２１ｄ及び駆動部５０３等を動作させることで、自動的に行われる。

第１試薬から第４試薬について詳細に説明する。第１試薬５１９ｕは、緩衝剤を主成分とする試薬であって、赤血球を溶血させずに安定した蛍光信号を得ることができるように浸透圧補償剤を含有しており、分類測定に適するような浸透圧となるよう１００～６００ｍＯｓｍ／ｋｇに調整されている。第１試薬５１９ｕは、尿中の赤血球に対する溶血作用を有していないことが好ましい。

第２試薬５１９ｂは、第１試薬５１９ｕと異なり、溶血作用を有している。これは、後述する第４試薬５１８ｂの細菌の細胞膜への通過性を高めて染色を早く進行させるためである。さらに、粘液糸、赤血球破片などの夾雑物を収縮させるためでもある。第２試薬５１９ｂは溶血作用を獲得するために界面活性剤を含む。界面活性剤は、アニオン、ノニオン、カチオンなど種々用いられるが、カチオン系界面活性剤が特に好適である。界面活性剤により細菌の細胞膜にダメージを与えることができるため、第４試薬５１８ｂが含有する色素により効率よく細菌の核酸を染色することができる。その結果、細菌の測定を短時間の染色処理で行うことができる。

さらに他の実施形態として、第２試薬５１９ｂは、界面活性剤ではなく、酸性又は低ｐＨに調整されることで溶血作用を獲得してもよい。低ｐＨとは、第１試薬１９ｕよりもｐＨが低いことをいう。第１試薬５１９ｕが中性若しくは弱酸性～弱アルカリ性の範囲内であるとき、第２試薬１９ｂは酸性又は強酸性である。第１試薬５１９ｕのｐＨが６．０～８．０であるとき、第２試薬５１９ｂのｐＨは、それよりも低いｐＨであり、好ましくは２．０～６．０である。

第２試薬５１９ｂは、界面活性剤を含み、かつ、低ｐＨに調整されていてもよい。

さらに他の実施形態として、第２試薬５１９ｂは、第１試薬１９ｕよりも低い浸透圧にすることで、溶血作用を獲得してもよい。

一方、第１試薬５１９ｕは界面活性剤を含んでいない。なお、他の実施形態としては、第１試薬５１９ｕは界面活性剤を含んでもよいが、赤血球を溶血させないように種類と濃度を調整する必要がある。よって、第１試薬５１９ｕは、第２試薬５１９ｂと同じ界面活性剤を含まないか、若しくは同じ界面活性剤を含んでいたとしても、第２試薬５１９ｂよりも低濃度であることが好ましい。

第３試薬５１８ｕは、尿中有形成分（赤血球、白血球、上皮細胞、円柱等）の測定に用いられる染色試薬である。第３試薬５１８ｕが含む染料としては、核酸を有していない有形成分をも染色するために、膜染色をする染料が選ばれる。第３試薬５１８ｕは、好ましくは赤血球溶血を防ぐ目的及び安定した蛍光強度を得る目的のために浸透圧補償剤を含み、分類測定に適するような浸透圧となるよう１００～６００ｍＯｓｍ／ｋｇに調整されている。第３試薬１８ｕによって尿中有形成分の細胞膜、核（膜）が染色される。膜染色する色素を含有する染色試薬としては縮合ベンゼン誘導体が用いられ、例えば、シアニン系色素を用いることができる。なお、第３試薬１８ｕは、細胞膜だけでなく核膜も染色するようになっている。第３試薬５１８ｕを用いると、白血球、上皮等の有核細胞では、細胞質（細胞膜）における染色強度と核（核膜）における染色強度とが合わさり、核酸を有しない尿中有形成分よりも染色強度が高くなる。これによって白血球及び上皮等の有核細胞を赤血球等の核酸のない尿中有形成分と弁別することができる。第３試薬として、米国５８９１７３３号公報に記載の試薬を用いることができる。米国５８９１７３３号公報は、参照により本明細書に組み込まれる。第３試薬５１８ｕは、第１試薬５１９ｕとともに尿又は体液と混合される。

第４試薬５１８ｂは、細菌及び真菌と同等の大きさの夾雑物が含まれている検体であっても、細菌を精度良く測定しうる染色試薬である。第４試薬５１８ｂとしては、欧州出願公開１１３６５６３号公報に詳細な説明がある。第４試薬５１８ｂに含まれる染料としては核酸を染色する染料が好適に用いられる。核染色する色素を含有する染色試薬としては、例えば、米国特許７３０９５８１号のシアニン系色素を用いることができる。第４試薬５１８ｂは、第２試薬５１９ｂとともに尿又は検体と混合される。欧州出願公開１１３６５６３号公報及び米国特許７３０９５８１号は、参照により本明細書に組み込まれる。

したがって、第３試薬５１８ｕは細胞膜を染色する色素を含有し、一方、第４試薬５１８ｂは核酸を染色する色素を含有していることが好ましい。尿中有形成分には、赤血球のような核を有しないものが含まれているため、第３試薬５１８ｕが細胞膜を染色する色素を含有することにより、このような核を有しないものも含めて尿中有形成分を検出することができる。また、第２試薬は細菌の細胞膜にダメージを与えることができるため、第４試薬１８ｂが含有する色素により効率よく細菌及び真菌の核酸を染色することができる。その結果、細菌の測定を短時間の染色処理で行うことができる。

［３．第１の波形データ分析システム］
＜第１の波形データ分析システムの構成＞
他の実施形態は、波形データ分析システムに関する。図３８を参照すると、第１の波形データ分析システムは、深層学習装置１００Ａを備える。ベンダ側装置１００は深層学習装置１００Ａとして動作する。深層学習装置１００Ａは、ニューラルネットワーク５０に訓練データを使って学習させ、訓練データによって訓練された深層学習アルゴリズム６０をユーザに提供する。学習済みのニューラルネットワークから構成される深層学習アルゴリズム６０は、記録媒体９８又は通信ネットワーク９９を通じて、深層学習装置１００Ａから測定ユニット４００に提供される。測定ユニット４００は、学習済みのニューラルネットワークから構成される深層学習アルゴリズム６０を用いて分析対象の細胞の波形データの分析を行う。

深層学習装置１００Ａは、例えば汎用コンピュータで構成されており、後述するフローチャートに基づいて、深層学習処理を行う。測定ユニット４００は、後述するフローチャートに基づいて、波形データ分析処理を行う。記録媒体９８は、例えばＤＶＤ－ＲＯＭやＵＳＢメモリ等の、コンピュータ読み取り可能であって非一時的な有形の記録媒体である。

深層学習装置１００Ａは測定ユニット４００ａ又は測定ユニット５００ａに接続されている。測定ユニット４００ａ又は測定ユニット５００ａの構成は、それぞれ上述した測定ユニット４００又は測定ユニット５００と同様である。深層学習装置１００Ａは、測定ユニット４００ａ又は測定ユニット５００ａによって取得された訓練用の波形データを取得する。訓練用の波形データの生成方法は、上述の通りである。

図３８に示すように、測定ユニット４００ａ又は測定ユニット５００ａは、それぞれフローセル４１１３、５５１を備える。測定ユニット４００ａ又は測定ユニット５００ａは、生体試料をフローセル４１１３、５５１に送液する。フローセル４１１３、５５１に供給された生体試料に、光源４１１２、５５３から光が照射され、生体試料中の細胞から発せられた前方散乱光、側方散乱光、及び側方蛍光を光検出部（４１１６、４１２１、４１２２、５５５、５５８、５５９）が検出する。測定ユニット４００ａ又は測定ユニット５００ａは、光検出部（４１１６、４１２１、４１２２、５５５、５５８、５５９）が光を検出して得られる前方散乱光信号、側方散乱光信号、及び側方蛍光信号から波形データを生成し、ベンダ側装置１００に波形データを送信する。

＜深層学習装置のハードウェア構成＞
図３９に、ベンダ側装置１００（深層学習装置１００Ａ）のブロック図を例示する。ベンダ側装置１００は、処理部１０（１０Ａ）と、入力部１６と、出力部１７とを備える。

処理部１０は、例えば、後述するデータ処理を行うＣＰＵ１１と、データ処理の作業領域に使用するメモリ１２と、後述するプログラム及び処理データを記録する記憶部１３と、各部の間でデータを伝送するバス１４と、外部機器とのデータの入出力を行うインタフェース部（Ｉ／Ｆ部）１５と、ＧＰＵ１９とを備えている。入力部１６及び出力部１７は、インタフェース部１５を介して処理部１０に接続されている。例示的には、入力部１６はキーボード又はマウス等の入力装置であり、出力部１７は液晶ディスプレイ等の表示装置である。ＧＰＵ１９は、ＣＰＵ１１が行う演算処理（例えば、並列演算処理）を補助するアクセラレータとして機能する。すなわち以下の説明においてＣＰＵ１１が行う処理とは、ＣＰＵ１１がＧＰＵ１９をアクセラレータとして用いて行う処理も含むことを意味する。ＧＰＵ１９は、上述の並列処理プロセッサ４８３３と同等の機能を有する。ここで、ＧＰＵ１９に代えて、ニューラルネットワークの計算に好ましい、チップを搭載してもよい。このようなチップとして、例えば、ＦＰＧＡ、ＡＳＩＣ、Ｍｙｒｉａｄ Ｘ（Ｉｎｔｅｌ）等を挙げることができる。

また、処理部１０は、以下の図４３で説明する各ステップの処理を行うために、本実施形態に係るプログラム及び訓練前のニューラルネットワークで構成される深層学習アルゴリズム５０を、例えば実行形式で記憶部１３に予め記録している。実行形式は、例えばプログラミング言語からコンパイラにより変換されて生成される形式である。処理部１０は、記憶部１３に記録したプログラムを使用して、訓練前のニューラルネットワーク５０の訓練処理を行う。

以下の説明においては、特に断らない限り、処理部１０が行う処理は、記憶部１３又はメモリ１２に格納されたプログラム及びニューラルネットワーク５０に基づいて、ＣＰＵ１１が行う処理を意味する。ＣＰＵ１１はメモリ１２を作業領域として必要なデータ（処理途中の中間データ等）を一時記憶し、記憶部１３に演算結果等の長期保存するデータを適宜記録する。

＜分析装置のハードウェア構成＞
ベンダ側装置１００から提供されたアルゴリズムに基づいて波形データを処理する測定ユニット４００又は５００の構成は、上述の構成と同等である。また、測定ユニット４００又は５００は、ベンダ側装置１００（深層学習装置１００Ａ）の機能を兼備し、訓練データを使ってニューラルネットワーク５０を学習させてもよい。この場合、ベンダ側装置１００（深層学習装置１００Ａ）は不要となる。

また、測定ユニット制御部４８０は、以下の波形データ分析処理で説明する各ステップの処理を行うために、本実施形態に係るプログラム及び訓練済みのニューラルネットワークで構成される深層学習アルゴリズム６０を、例えば実行形式で記憶部４８３５に予め記録している。実行形式は、例えばプログラミング言語からコンパイラにより変換されて生成される形式である。測定ユニット制御部４８０は、記憶部４８３５に記録したプログラム及び深層学習アルゴリズム６０を使用して処理を行う。

図４０に示すように、測定ユニット制御部４８０は、例えば、ＬＡＮアダプタ４８１を介して、通信ネットワーク経由で、記憶部４８３５に記録したプログラム及び深層学習アルゴリズム６０を更新してもよい。
図４１に示すように、上述の解析ユニット６００は、測定ユニット４００から受信したデジタル信号と解析結果を、インタフェース部６０１１を介して、深層学習装置１００Ａに送信してもよい。解析ユニット６００は、例えば、インターネットを介して、深層学習装置１００Ａに、波形データと、波形データに対応する分類情報とを送信する。深層学習装置１００Ａは、解析ユニット６００から送信された波形データと、当該波形データに対応する分類情報とに基づいて学習処理を行い、深層学習アルゴリズム６０を更新する。深層学習装置１００Ａは、更新した深層学習アルゴリズム６０を解析ユニット６００に送信する。解析ユニット６００は、深層学習装置１００Ａから送信された深層学習アルゴリズム６０により、記憶部６００４に格納されたアルゴリズムを更新する。解析ユニット６００は、例えば、測定ユニット４００から伝送された波形データをプロセッサ６００１および並列処理プロセッサ６００２で処理している間に、並行して、その波形データを深層学習装置１００Ａに送信する。解析ユニット６００は、波形データの解析、つまり分類情報の生成が完了次第、分類情報を深層学習装置１００Ａに送信する。

以下の説明においては、特に断らない限り、測定ユニット制御部４８０が行う処理は、記憶部４８３５又はＲＡＭ４８３４に格納されたプログラム及び深層学習アルゴリズム６０に基づいて、実際にはプロセッサ４８３１及び並列処理プロセッサ４８３３が行う処理を意味する。プロセッサ４８３１は、例えば、ＲＡＭ４８３４を作業領域として必要なデータ（処理途中の中間データ、測定結果、分析結果等）を一時記憶し、記憶部４８３５に演算結果等の長期保存するデータを適宜記録する。

＜機能ブロック及び処理手順＞
（深層学習処理）
図４２は、深層学習を行う深層学習装置１００Ａの機能ブロックの例を示す。図４２を参照すると、本実施形態に係る深層学習装置１００Ａの処理部１０Ａは、訓練データ生成部１０１と、訓練データ入力部１０２と、アルゴリズム更新部１０３とを備える。これらの機能ブロックは、コンピュータに深層学習処理を実行させるプログラムを、図３９に示す処理部１０Ａの記憶部１３又はメモリ１２にインストールし、このプログラムをＣＰＵ１１及びＧＰＵ１９が実行することにより実現される。訓練データデータベース（ＤＢ）１０４と、アルゴリズムデータベース（ＤＢ）１０５とは、処理部１０Ａの記憶部１３又はメモリ１２に記録される。

訓練用波形データ７６ａ、７６ｂ、７６ｃは、例えば、測定ユニット４００、５００によって予め取得され、処理部１０Ａの記憶部１３又はメモリ１２に予め記憶されている。深層学習アルゴリズム５０はアルゴリズムデータベース１０５に予め格納されている。

深層学習装置１００Ａの処理部１０Ａは、図４３に示す処理を行う。図４２に示す各機能ブロックを用いて説明すると、図４３に示すステップＳ２１１、Ｓ２１４及びＳ２１６の処理は、訓練データ生成部１０１が行う。ステップＳ２１２の処理は、訓練データ入力部１０２が行う。ステップＳ２１３、及びＳ２１５の処理は、アルゴリズム更新部１０３が行う。

図４３を用いて、処理部１０Ａが行う深層学習処理の例について説明する。はじめに、処理部１０Ａは、訓練用波形データ７２ａ、７２ｂ、７２ｃを取得する。訓練用の波形データ７２ａは前方散乱光の波形データであり、訓練用の波形データ７２ｂは側方散乱光の波形データであり、訓練用の波形データ７２ｃは側方蛍光の波形データである。訓練用の波形データ７２ａ、７２ｂ、７２ｃの取得は、例えば、オペレータの操作によって、測定ユニット４００、５００から取り込まれるか、記録媒体９８から取り込まれるか、通信ネットワーク経由でＩ／Ｆ部１５を介して行われる。訓練用波形データ７２ａ、７２ｂ、７２ｃを取得する際に、その訓練用波形データ７２ａ、７２ｂ、７２ｃが、いずれの細胞種別を示すものであるかの情報も取得される。いずれの細胞種別を示すものであるかの情報は、訓練用波形データ７２ａ、７２ｂ、７２ｃに紐付けられ、またオペレータが入力部１６から入力してもよい。

ステップＳ２１１において、処理部１０Ａは、取得した波形データ７２ａ、７２ｂ、７２ｃとラベル値７７とから、訓練データ７５を生成する。

ステップＳ２１２において、処理部１０Ａは、訓練データ７５をニューラルネットワーク５０に入力し、試行結果を取得する。試行結果は複数の訓練データ７５をニューラルネットワーク５０に入力する度に蓄積される。

本実施形態に係る細胞種別の分析方法では、畳み込みニューラルネットワークを使用しており、確率的勾配降下法を用いるため、ステップＳ２１３において、処理部１０Ａは、予め定められた所定の回数分の試行結果が蓄積されているか否かを判断する。試行結果が所定の回数分蓄積されている場合（ＹＥＳ）、処理部１０ＡはステップＳ２１４の処理に進み、試行結果が所定の回数分蓄積されていない場合（ＮＯ）、処理部１０ＡはステップＳ２１５の処理に進む。

次に、試行結果が所定の回数分蓄積されている場合、ステップＳ２１４において、処理部１０Ａは、ステップＳ２１２において蓄積しておいた訓練結果を用いて、ニューラルネットワーク５０の結合重みｗを更新する。本実施形態に係る細胞種別の分析方法では、確率的勾配降下法を用いるため、所定の回数分の試行結果が蓄積した段階で、ニューラルネットワーク５０の結合重みｗを更新する。結合重みｗを更新する処理は、具体的には、後述の（式１２）及び（式１３）に示される、勾配降下法による計算を実施する処理である。

ステップＳ２１５において、処理部１０Ａは、ニューラルネットワーク５０を規定数の訓練データ７５で訓練したか否かを判断する。規定数の訓練データ７５で訓練した場合（ＹＥＳ）には、深層学習処理を終了する。

ニューラルネットワーク５０を規定数の訓練データ７５で訓練していない場合（ＮＯ）には、処理部１０Ａは、ステップＳ２１５からステップＳ２１６に進み、次の訓練用波形データについてステップＳ２１１からステップＳ２１５までの処理を行う。

以上で説明した処理にしたがって、ニューラルネットワーク５０を訓練し深層学習アルゴリズム６０を得る。

（ニューラルネットワークの構造）
上述したように、本実施形態において、畳み込みニューラルネットワークを用いる。図４４の（ａ）にニューラルネットワーク５０の構造を例示する。ニューラルネットワーク５０は、入力層５０ａと、出力層５０ｂと、入力層５０ａ及び出力層５０ｂの間の中間層５０ｃとを備え、中間層５０ｃが複数の層で構成されている。中間層５０ｃを構成する層の数は、例えば５層以上、好ましくは５０層以上、より好ましくは１００層以上とすることができる。

ニューラルネットワーク５０では、層状に配置された複数のノード８９が、層間において結合されている。これにより、情報が入力側の層５０ａから出力側の層５０ｂに、図中矢印Ｄに示す一方向のみに伝播する。

（各ノードにおける演算）
図４４の（ｂ）は、各ノードにおける演算を示す模式図である。各ノード８９では、複数の入力を受け取り、１つの出力（ｚ）を計算する。図４４の（ｂ）に示す例の場合、ノード８９は４つの入力を受け取る。ノード８９が受け取る総入力（ｕ）は、例として以下の（式２）で表される。ここで、本実施形態においては、訓練データ７５及び分析データ８５として一次元の行列データを用いるため、演算式の変数が二次元の行列データに対応する場合には、変数を一次元の行列データに対応するように変換する処理を行う。

各入力には、それぞれ異なる重みが掛けられる。（式２）中、ｂはバイアスと呼ばれる値である。ノードの出力（ｚ）は、（式２）で表される総入力（ｕ）に対する所定の関数ｆの出力となり、以下の（式３）で表される。関数ｆは活性化関数と呼ばれる。

図４４の（ｃ）は、ノード間の演算を示す模式図である。ニューラルネットワーク５０では、（式２）で表される、各ノード８９の総入力（ｕ）に対して、（式３）で表される結果（ｚ）を出力するノードが層状に並べられている。前の層のノードの出力が、次の層のノードの入力となる。図４４の（ｃ）に示す例では、図中左側の層のノード８９ａの出力が、図中右側の層のノード８９ｂの入力となる。各ノード８９ｂは、それぞれ、ノード８９ａからの出力を受け取る。各ノード８９ａと各ノード８９ｂとの間の各結合には、異なる重みが掛けられる。複数のノード８９ａのそれぞれの出力をｘ１～ｘ４とすると、３つのノード８９ｂのそれぞれに対する入力は、以下の（式４－１）～（式４－３）で表される。

これら（式４－１）～（式４－３）を一般化すると、（式４－４）となる。ここで、ｉ＝１、・・・Ｉ、ｊ＝１、・・・Ｊである（Ｉは入力総数、Ｊは総出力数）。

（式４－４）を活性化関数に適用すると出力が得られる。出力は以下の（式５）で表される。

（活性化関数）
実施形態に係る細胞種別の分析方法では、活性化関数として、正規化線形関数（rectified linear unit function）を用いる。正規化線形関数は以下の（式６）で表される。

（式６）は、ｚ＝ｕの線形関数のうち、ｕ＜０の部分をｕ＝０とする関数である。図４４の（ｃ）に示す例では、ｊ＝１のノードの出力は、（式６）により、以下の式で表される。

（ニューラルネットワークの学習）
ニューラルネットワークを用いて表現される関数をｙ（ｘ：ｗ）とおくと、関数ｙ（ｘ：ｗ）は、ニューラルネットワークのパラメータｗを変化させると変化する。入力ｘに対してニューラルネットワークがより好適なパラメータｗを選択するように、関数ｙ（ｘ：ｗ）を調整することを、ニューラルネットワークの訓練または学習と呼ぶ。ニューラルネットワークを用いて表現される関数の入力と出力との組が複数与えられているとする。ある入力ｘに対する望ましい出力をｄとすると、入出力の組は、｛（ｘ１、ｄ１）、（ｘ２、ｄ２）、・・・、（ｘｎ、ｄｎ）｝と与えられる。（ｘ、ｄ）で表される各組の集合を、訓練データと呼ぶ。具体的には、図３に示す、波形データ（前方散乱光波形データ、側方散乱光波形データ、蛍光波形データ）の集合が、図３に示す訓練データである。

ニューラルネットワークの学習とは、どのような入出力の組（ｘｎ、ｄｎ）に対しても、入力ｘｎを与えたときのニューラルネットワークの出力ｙ（ｘｎ：ｗ）が、出力ｄｎになるべく近づくように重みｗを調整することを意味する。誤差関数（error function）とは、ニューラルネットワークを用いて表現される関数と訓練データとの近さ

を測る尺度である。誤差関数は損失関数（loss function）とも呼ばれる。実施形態に係る細胞種別の分析方法において用いる誤差関数Ｅ（ｗ）は、以下の（式７）で表される。（式７）は交差エントロピー（cross entropy）と呼ばれる。

（式７）の交差エントロピーの算出方法を説明する。実施形態に係る細胞種別の分析方法において用いるニューラルネットワーク５０の出力層５０ｂでは、すなわちニューラルネットワークの最終層では、入力ｘを内容に応じて有限個のクラスに分類するための活性化関数を用いる。活性化関数はソフトマックス関数（softmax function）と呼ばれ、以下の（式８）で表される。なお、出力層５０ｂには、クラス数ｋと同数のノードが並べられているとする。出力層Ｌの各ノードｋ（ｋ＝１、・・・、Ｋ）の総入力ｕは、前層Ｌ－１の出力から、ｕｋ^（Ｌ）で与えられるとする。これにより、出力層のｋ番目のノードの出力は以下の（式８）で表される。

（式８）がソフトマックス関数である。（式８）で決まる出力ｙ１、・・・、ｙＫの総和は常に１となる。

各クラスをＣ１、・・・、ＣＫと表すと、出力層Ｌのノードｋの出力ｙＫ（すなわちｕｋ^（Ｌ））は、与えられた入力ｘがクラスＣＫに属する確率を表す。以下の（式９）を参照されたい。入力ｘは、（式９）で表される確率が最大になるクラスに分類される。

ニューラルネットワークの学習では、ニューラルネットワークで表される関数を、各クラスの事後確率（posterior probability）のモデルとみなし、そのような確率モデルの下で、訓練データに対する重みｗの尤度（likelihood）を評価し、尤度を最大化するような重みｗを選択する。

（式８）のソフトマックス関数による目標出力ｄｎを、出力が正解のクラスである場合のみ１とし、出力がそれ以外の場合は０になるとする。目標出力をｄｎ＝［ｄｎ１、・・・、ｄｎＫ］というベクトル形式で表すと、例えば入力ｘｎの正解クラスがＣ３である場合、目標出力ｄｎ３のみが１となり、それ以外の目標出力は０となる。このように符号化すると、事後分布（posterior）は以下の（式１０）で表される。

訓練データ｛（ｘｎ、ｄｎ）｝（ｎ＝１、・・・、Ｎ）に対する重みｗの尤度Ｌ（ｗ）は、以下の（式１１）で表される。尤度Ｌ（ｗ）の対数をとり符号を反転すると、（式７）の誤差関数が導出される。

学習は、訓練データを基に計算される誤差関数Ｅ（ｗ）を、ニューラルネットワークのパラメータｗについて最小化することを意味する。実施形態に係る細胞種別の分析方法では、誤差関数Ｅ（ｗ）は（式７）で表される。

誤差関数Ｅ（ｗ）をパラメータｗについて最小化することは、関数Ｅ（ｗ）の局所的な極小点を求めることと同じ意味である。パラメータｗはノード間の結合の重みである。重みｗの極小点は、任意の初期値を出発点として、パラメータｗを繰り返し更新する反復計算によって求められる。このような計算の一例には、勾配降下法（gradient descent method）がある。

勾配降下法では、次の（式１２）で表されるベクトルを用いる。

勾配降下法では、現在のパラメータｗの値を負の勾配方向（すなわち－∇Ｅ）に移動させる処理を何度も繰り返す。現在の重みをｗ^（ｔ）とし、移動後の重みをｗ^{（ｔ＋１）}とすると、勾配降下法による演算は、以下の（式１３）で表される。値ｔは、パラメータｗを移動させた回数を意味する。

記号

は、パラメータｗの更新量の大きさを決める定数であり、学習係数と呼ばれる。（式１３）で表される演算を繰り返すことにより、値ｔの増加に伴って誤差関数Ｅ（ｗ^（ｔ））が減少し、パラメータｗは極小点に到達する。

なお、（式１３）による演算は、全ての訓練データ（ｎ＝１、・・・、Ｎ）に対して実施してもよく、一部の訓練データのみに対して実施してもよい。一部の訓練データのみに対して行う勾配降下法は、確率的勾配降下法（stochastic gradient descent）と呼ばれる。実施形態に係る細胞種別の分析方法では、確率的勾配降下法を用いる。

［４．ディープラーニングモデルの構築］
健常血液試料として健常人から採血した血液を測定し、非健常血液試料としてＸＮ ＣＨＥＣＫ Ｌｖ２(ストレック社のコントロール血液(固定などの処理が行われている))をＳｙｓｍｅｘ ＸＮ－１０００でそれぞれ測定した。蛍光染色試薬にはシスメックス株式会社製のフルオロセルＷＤＦを用いた。また溶血剤にはシスメックス株式会社製のライザセルＷＤＦを用いた。それぞれの生体試料に含まれる細胞毎に、前方散乱光の測定開始から１０ナノ秒間隔で前方散乱光、側方散乱光、及び側方蛍光の波形データを１０２４ポイントについて取得した。健常血液試料に関しては、８名の健常者から採血した血液中の細胞の波形データをデジタル信号としてプールした。それぞれの細胞の波形データに対して好中球（ＮＥＵＴ）、リンパ球（ＬＹＭＰＨ）、単球（ＭＯＮＯ）、好酸球（ＥＯ）、好塩基球（ＢＡＳＯ）、幼若顆粒球（ＩＧ)の分類を手動にて実施し、それぞれの波形データに細胞種別のアノテーション(ラベル付け)を付した。前方散乱光の信号強度が閾値を超えた時点を測定開始時点とし、前方散乱光、側方散乱光、側方蛍光の波形データの取得時点を同期させ、訓練データを生成した。またコントロール血液についてもコントロール血液由来細胞（ＣＯＮＴ）とアノテーションを行った。深層学習アルゴリズムに訓練データを入力し、学習させた。

学習した細胞データとは別の健常人の血液細胞についてＳｙｓｍｅｘ ＸＮ－１０００により訓練データと同様に分析用波形データを取得した。コントロール血液由来の波形データを混合し分析用データを作成した。この分析用データを、構築した深層学習アルゴリズムに入力し、個々の細胞種別のデータを取得した。

その結果を混合マトリックスとして図４５に示す。横軸に構築した深層学習アルゴリズムによる判定結果を示し、縦軸にヒトによる手動（参照法）の判定結果を示す。構築した深層学習アルゴリズムによる判定結果は、好塩基球とリンパ球間、好塩基球とゴースト間で若干の混同を生じたものの、参照法による判手結果と９８．８％の一致率を示した。

次に各細胞種別について、ＲＯＣ解析を行い、感度特異度を評価した。図４６の（ａ）は好中球、図４６の（ｂ）はリンパ球、図４６の（ｃ）は単球、図４７の（ａ）は好中球、図４７の（ｂ）は好塩基球、図４７の（ｃ）はコントロール血液（ＣＯＮＴ）のＲＯＣ曲線を示す。感度と特異度は、好中球はそれぞれ９９．５％、９９．６％、リンパ球はそれぞれ９９．４％、９９．５％、単球はそれぞれ９８．５％、９９．９％、好酸球はそれぞれ９７．９％、９９．８％、好塩基球はそれぞれ７１．０％、８１．４％、コントロール血液（ＣＯＮＴ）は、９９．８％、９９．６％となり、いずれも良好な成績を示した。

以上の結果から、波形データに基づいて生体試料に含まれる細胞から取得される信号に基づいて、深層学習アルゴリズムを用いることにより、高い分類精度で細胞種別を判定することが可能であることが明らかとなった。

さらに、コントロール血液のような非健常血液細胞が健常血液細胞と混じっている場合、従来のスキャッタグラム法では、個々の細胞の種別の判定が困難な場合があった。しかし、本実施形態の深層学習アルゴリズムを使用することにより、非健常血液細胞が健常血液細胞と混じっている場合であっても、個別の細胞の判定が可能であることが示された。

［５．画像分析装置を用いた分析システム］
細胞分析装置として画像分析装置を用いた実施形態を説明する。画像分析装置である第３の細胞分析装置４０００''は、撮像された画像データを分析することにより、撮像された細胞の細胞種別を推定する。

図４８に細胞分析装置４０００''の構成例を示す。図４８に示す細胞分析装置４０００''は、測定ユニット７００及び処理ユニット８００を備えており、前処理装置９００による前処理により調製された試料９０１を測定し、分析を行う。

測定ユニット７００は、フローセル７１０と、光源７２０～７２３と、集光レンズ７３０～７３３と、ダイクロイックミラー７４０～７４１と、集光レンズ７５０と、光学ユニット７５１と、集光レンズ７５２と、撮像部７６０と、を備えている。フローセル７１０の流路７１１には、試料７０１が流される。

光源７２０～７２３は、フローセル７１０を流れる試料７０１に光を照射する。光源７２０～７２３は、例えば半導体レーザ光源により構成される。光源７２０～７２３からは、それぞれ波長λ１１～λ１４の光が出射される。
集光レンズ７３０～７３３は、光源７２０～７２３から出射された波長λ１１～λ１４の光をそれぞれ集光する。ダイクロイックミラー７４０は、波長λ１１の光を透過させ、波長λ１２の光を屈折させる。ダイクロイックミラー７４１は、波長λ１１及びλ１２の光を透過させ、波長λ１３の光を屈折させる。こうして、波長λ１１～λ１４の光が、フローセル７１０の流路７１１を流れる試料７０１に照射される。なお、測定ユニット７００が備える半導体レーザ光源の数は１以上であれば制限されない。半導体レーザ光源の数は、例えば、１、２、３、４、５又は６の中から選択することができる。

フローセル７１０を流れる試料７０１が蛍光色素で染色されている場合、試料７０１に波長λ１１～λ１３の光が照射されると、細胞を染色している蛍光色素から蛍光が生じる。例えば、波長λ１１、λ１２、λ１３に各々対応する波長λ２１、λ２２、λ２３の蛍光が生じる。フローセル７１０を流れる試料７０１に波長λ１４の光が照射されると、この光は細胞を透過する。細胞を透過した波長λ１４の透過光は、明視野画像の生成に用いられる。

集光レンズ７５０は、フローセル７１０の流路７１１を流れる試料７０１から生じた蛍光と、フローセル７１０の流路７１１を流れる試料７０１を透過した透過光とを集光する。光学ユニット７５１は、例えば、４枚のダイクロイックミラーが組み合わせられた構成を有する。光学ユニット７５１の４枚のダイクロイックミラーは、蛍光と透過光とを、互いに僅かに異なる角度で反射し、撮像部７６０の受光面上において分離させる。集光レンズ７５２は、蛍光と透過光とを集光する。

撮像部７６０は、ＴＤＩ（Time Delay Integration）カメラにより構成される。撮像部７６０は、蛍光と透過光とを撮像して、蛍光に対応した蛍光画像と、透過光に対応した明視野画像とを、撮像信号として処理ユニット８００に出力できる。

処理ユニット８００は、ハードウェア構成として、処理部８１１、記憶部８１２、インタフェース部８１６、バス８１５を備える。処理部８１１、記憶部８１２、インタフェース部８１６は、バス８１５に接続されている。測定ユニット７００の撮像部７６０が撮像した撮像信号で構成される画像データ（例えば、蛍光画像、明視野画像）は、インタフェース部８１６を介して、記憶部８１２に記憶される。処理部８１１は、記憶部８１２から画像データを読み出し、画像データを分析する。

図４９は、処理部８１１の構成例を示す。処理部８１１は、例えば、プロセッサ８１１１、並列処理プロセッサ８１１２、ＲＡＭ８１１３を備える。プロセッサ８１１１、並列処理プロセッサ８１１２、ＲＡＭ８１１３は、それぞれ、上述したプロセッサ４８３１、並列処理プロセッサ４８３３、ＲＡＭ４８３４と同様の構成及び機能を有する。プロセッサ８１１１及び並列処理プロセッサ８１１２により、撮像部７６０が撮像した画像データを分析する。並列処理プロセッサ８１１２は、例えば、図１６、図１７及び図１８に例示された処理により、画像データに関する行列データの演算処理を複数の演算ユニットにより並列に実行する。

なお、処理部８１１の機能（プロセッサ８１１１、並列処理プロセッサ８１１２、ＲＡＭ８１１３）は、必ずしも処理ユニット８００が備える必要は無く、測定ユニット７００が備えてもよい。

＜訓練データの生成＞
以下、本実施形態における訓練データの生成例を説明する。

深層学習アルゴリズムを訓練するために使用される訓練用画像は、ＲＧＢカラー及びＣＭＹカラー等で撮像されることが好ましい。カラー画像は、赤、緑及び青又はシアン、マゼンタ、イエロー等の各原色の濃淡又は輝度を、２４ビットの値（８ビット×３色）で表すことが好ましい。訓練用画像は、少なくとも１つの色相と、その色相の濃淡又は輝度とを含んでいればよいが、少なくとも２つの色相と、それぞれ色相の濃淡又は輝度とを含むことがより好ましい。色相とその色相の濃淡又は輝度とを含む情報を色調ともいう。

訓練用画像における各画素の色調情報が、例えば、ＲＧＢカラーから、輝度の情報と色相の情報を含むフォーマットに変換される。輝度の情報と色相の情報を含むフォーマットとして、ＹＵＶ（ＹＣｂＣｒ、ＹＰｂＰｒ、ＹＩＱ等）等を挙げることができる。ここでは、ＹＣｂＣｒフォーマットへの変換を例として説明する。ＲＧＢカラーで撮像された訓練用画像は、輝度に基づく画像データ、第１の色相（例えば青色系）に基づく画像データ及び第２の色相（例えば、赤色系）に基づく画像データにそれぞれ変換される。ＲＧＢからＹＣｂＣｒへの変換は公知の方法により行うことができる。例えば、ＲＧＢからＹＣｂＣｒへは、国際規格ＩＴＵ－Ｒ ＢＴ．６０１にしたがって変換できる。輝度に基づく画像データ、第１の色相に基づく画像データ及び第２の色相に基づく画像データはそれぞれ図５０に示すように階調値の行列データとして表すことができる（以下、色調行列データ７２ｙ，７２ｃｂ，７２ｃｒともいう）。輝度に基づく画像データ、第１の色相に基づく画像データ、第２の色相に基づく画像データは、例えば、それぞれ０から２５５階調までの２５６階調で表される。ここで、輝度、第１の色相及び第２の色相に換えて、赤Ｒ、緑Ｇ、青Ｂの３原色や、シアンＣ、マゼンタＭ、イエローＹの色の３原色で訓練用画像を変換してもよい。

次に、色調行列データ７２ｙ，７２ｃｂ，７２ｃｒに基づいて、画素ごとに、輝度７２ｙ、第１の色相７２ｃｂ、及び第２の色相７２ｃｒの３つの階調値を組み合わせた色調ベクトルデータ７４を生成する。

次に、例えば、訓練用画像で分葉核好中球が撮像されていたとして、訓練用画像から生成される各色調ベクトルデータ７４には、分葉核好中球であることを示すラベル値７７として「１」が付与され、訓練データ７５となる。図５０では、便宜上、訓練データ７５を３画素×３画素で表しているが、実際は訓練用画像を撮像した際の画素の分だけ色調ベクトルデータが存在する。

図５１にラベル値７７の例を示す。ラベル値は、細胞種別及び各細胞の特徴の有無に応じて異なるラベル値７７が付与される。

＜深層学習の概要＞
図５０を例として、ニューラルネットワークの訓練の概要を説明する。ニューラルネットワーク５０は、畳み込みニューラルネットワークであることが好ましい。ニューラルネットワーク５０における入力層５０ａのノード数は、入力される訓練データ７５の画素数と画像に含まれる輝度と色相の数（例えば上記例では、輝度７２ｙ、第１の色相７２ｃｂ、及び第２の色相７２ｃｒの３つ）との積に対応している。色調ベクトルデータ７４はその集合７６としてニューラルネットワーク５０の入力層５０ａに入力される。訓練データ７５の各画素のラベル値７７を、ニューラルネットワークの出力層５０ｂとして、ニューラルネットワーク５０を訓練する。

ニューラルネットワーク５０は、訓練データ７５に基づいて、形態学的な細胞種別や細胞の特徴について、特徴量を抽出する。ニューラルネットワークの出力層５０ｂは、これらの特徴量を反映する結果を出力する。

図５０の符号５０ｃは、中間層を示す。

斯くして訓練されたニューラルネットワーク６０を有する深層学習アルゴリズム６０は、分析対象の細胞が、所定の細胞群に属し形態学的に分類される複数の細胞種別のいずれに該当するかを識別するための識別器として使用される。

＜画像の分析方法＞
図５２に画像の分析方法の例を示す。画像の分析方法では、分析対象の細胞を撮像した分析用画像から分析データ８１を生成する。分析用画像は、分析対象の細胞を撮像した画像である。

例示的には、本実施形態において撮像装置における撮像は、ＲＧＢカラー及びＣＭＹカラー等で行われることが好ましい。カラー画像は、赤、緑及び青又はシアン、マゼンタ、イエロー等の各原色の濃淡又は輝度を、２４ビットの値（８ビット×３色）で表すことが好ましい。分析用画像は、少なくとも１つの色相と、その色相の濃淡又は輝度とを含んでいればよいが、少なくとも２つの色相と、それぞれ色相の濃淡又は輝度とを含むことがより好ましい。色相とその色相の濃淡又は輝度とを含む情報を色調ともいう。

例えば、ＲＧＢカラーから、輝度の情報と色相の情報を含むフォーマットに変換する。輝度の情報と色相の情報を含むフォーマットとして、ＹＵＶ（ＹＣｂＣｒ、ＹＰｂＰｒ、ＹＩＱ等）等を挙げることができる。ここでは、ＹＣｂＣｒフォーマットへの変換を例として説明する。ここでは、ＲＧＢカラーの訓練用画像は、輝度に基づく画像データ、第１の色相（例えば青色系）に基づく画像データ及び第２の色相（例えば、赤色系）に基づく画像データに変換される。ＲＧＢから、ＹＣｂＣｒへの変換は公知の方法により行うことができる。例えば、ＲＧＢから、ＹＣｂＣｒへは、国際規格ＩＴＵ－Ｒ ＢＴ．６０１にしたがって変換できる。輝度、第１の色相及び第２の色相の各々に対応する画像データは、それぞれ図５２に示すように階調値の行列データとして表すことができる（以下、色調行列データ７９ｙ，７９ｃｂ，７９ｃｒともいう）。輝度、第１の色相及び第２の色相７２Ｃｒは、それぞれ０から２５５階調までの２５６階調で表される。ここで、輝度、第１の色相、第２の色相に換えて、赤Ｒ、緑Ｇ、青Ｂの３原色や、シアンＣ、マゼンタＭ、イエローＹの色の３原色で訓練用画像を変換してもよい。

次に、色調行列７９ｙ，７９ｃｂ，７９ｃｒに基づいて、画素ごとに、輝度７９ｙ、第１の色相７９ｃｂ、及び第２の色相７９ｃｒの３つの階調値を組み合わせた色調ベクトルデータ８０を生成する。１枚の分析用画像から生成された色調ベクトルデータ８０の集合を分析データ８１として生成する。

分析データ８１の生成と訓練データ７５の生成は、少なくとも撮像条件や、各画像からニューラルネットワークに入力するベクトルデータの生成条件を同じにすることが好ましい。

分析データ８１を訓練済みの深層学習アルゴリズム６０を構成するニューラルネットワーク６０の入力層６０ａに入力する。深層学習アルゴリズムは、分析データ８１から特徴量を抽出し、その結果をニューラルネットワーク６０の出力層６０ｂから出力する。出力層６０ｂから出力される値は、訓練データとして入力された形態学的な細胞の分類や特徴のそれぞれに、分析用画像に含まれる分析対象の細胞が属する確率である。

この確率の中で、値が最も高い形態学的分類に、分析用画像に含まれる分析対象の細胞が属すると判断し、その形態学的な細胞種別又は細胞の特徴をと紐付けられたラベル値が出力される。ラベル値そのもの、あるいはラベル値を形態学的な細胞種別又は細胞の特徴の有無を示す情報（例えば用語等）に置き換えたデータが細胞の形態に関する分析結果８３として出力される。図５２では分析データ８１から、識別器によってラベル値「１」が最も可能性が高いラベル値８２として出力され、このラベル値に対応する「分葉核好中球」という文字データが、細胞の形態に関する分析結果８３として出力される。

図５２の符号６０ｃは、中間層を示す。

［６．その他の形態］
以上、本発明を概要及び特定の実施形態によって説明したが、本発明は上記した概要及び各実施形態に限定されるものではない。

上記の実施形態では、訓練データ生成部１０１、訓練データ入力部１０２、アルゴリズム更新部１０３、分析データ生成部２０１、分析データ入力部２０２、及び分析部２０３の各機能ブロックは、単一のプロセッサ４８３１及び単一の並列処理プロセッサ４８３３において実行されているが、これら各機能ブロックは単一のプロセッサ及び並列処理プロセッサにおいて実行される必要は必ずしもなく、複数のプロセッサ及び複数の並列処理プロセッサで分散して実行されてもよい。

上記の実施形態では、図４３で説明する各ステップの処理を行うためのプログラムを記憶部４８３５に予め記録している。これに代えて、プログラムは、例えばＤＶＤ－ＲＯＭやＵＳＢメモリ等の、コンピュータ読み取り可能であって非一時的な有形の記録媒体９８から測定ユニット制御部４８０にインストールしてもよい。又は、測定ユニット制御部４８０を通信ネットワーク９９と接続し、通信ネットワーク９９を介して例えば外部のサーバ（図示せず）からプログラムをダウンロードしてインストールしてもよい。

図５３に、分析結果の一実施形態を示す。図５３では、フローサイトメトリーで測定された生体試料中に含まれる、図４で示したラベル値を付与した細胞種別とそれぞれの細胞数の種別の細胞数が示されている。細胞数の表示に代えて、あるいは細胞数の表示とともに、カウントした細胞数全体における各細胞種別の割合（例えば％）を出力してもよい。細胞数のカウントは、出力された各細胞種別に対応するラベル値の数（同じラベル値の数）を係数することにより求めることができる。また、出力結果には、生体試料中に異常細胞が含まれることを示す警告が出力されてもよい。図５３では異常細胞の項に警告として感嘆符が付されている例を示しているがこれに限られない。さらに、各細胞腫の分布をスキャッタグラムそして出力してもよい。スキャッタグラムとして出力する際には、例えば信号強度を取得した際の最も高い値を、例えば、側方蛍光強度を縦軸とし、側方散乱光強度を横軸としてプロットすることができる。

５０ 訓練前の深層学習アルゴリズム
６０ 訓練済み深層学習アルゴリズム
４００、４００ａ、５００、５００ａ、７００ 測定ユニット
４１０ ＦＣＭ検出部
４５０ 検体吸引部
４８２、５０７、３００８、６００９ Ａ／Ｄ変換部
３００１、４８３１、６００１、８１１１ プロセッサ（ホストプロセッサ）
３００２、４８３３、６００２、８１１２ 並列処理プロセッサ
４０００、４０００’、４０００'' 細胞分析装置
３２００、６２００、４８３６ 演算ユニット

Claims (34)

1. ホストプロセッサと、並列処理プロセッサとを含む細胞分析装置において、
   前記ホストプロセッサによる制御に基づいて、検体中の複数の細胞の各々に関するデータを取得し、
   前記並列処理プロセッサによって、前記データに関する並列処理を実行し、
   前記並列処理の結果に基づき、前記複数の細胞の各々について細胞種別に関する情報を生成する、
   ことを含む細胞分析方法。
2. 前記並列処理は、人工知能アルゴリズムに従って実行される処理の少なくとも一部である、
   請求項１に記載の細胞分析方法。
3. 前記データを、前記細胞分析装置が備える伝送路を介して前記並列処理プロセッサに伝送する、
   請求項１または２に記載の細胞分析方法。
4. 前記データを、インターネットまたはイントラネットとは異なる伝送路を介して前記並列処理プロセッサに伝送する、請求項１または２に記載の細胞分析方法。
5. 前記伝送路は、１ギガビット／秒以上の通信帯域を備える、請求項３に記載の細胞分析方法。
6. 前記伝送路はバスであり、前記バスを介して、前記並列処理プロセッサに前記データを伝送する、請求項３に記載の細胞分析方法。
7. フローサイトメータによって測定された前記複数の細胞に関するアナログ信号から変換された前記データが、前記伝送路を介して前記並列処理プロセッサに伝送される、請求項３から６のいずれか１項に記載の細胞分析方法。
8. 前記情報は、前記細胞種別を識別するための識別子を含む、
   請求項１から７のいずれか１項に記載の細胞分析方法。
9. 前記情報は、前記細胞が複数の前記細胞種別の各々に属する確率を含む、
   請求項１から８のいずれか１項に記載の細胞分析方法。
10. 前記細胞種別を識別するための識別子を含む分析結果を、当該分析結果の分析を行う処理ユニットに送信する、
    請求項１から９のいずれか１項に記載の細胞分析方法。
11. 前記細胞が複数の前記細胞種別の各々に属する確率を含む分析結果を、当該分析結果の分析を行う処理ユニットに送信する、
    請求項１から１０のいずれか１項に記載の細胞分析方法。
12. 前記並列処理プロセッサは、前記並列処理として、前記データの分析に関する複数の演算処理を並列に実行する、
    請求項１から１１のいずれか１項に記載の細胞分析方法。
13. 前記並列処理プロセッサは、
    前記データの分析に関する演算処理を実行可能な演算ユニットを複数有し、
    前記並列処理として、前記演算ユニットの各々による前記演算処理を並列に実行する、
    請求項１から１２のいずれか１項に記載の細胞分析方法。
14. 前記人工知能アルゴリズムは、深層学習アルゴリズムである、
    請求項２、または、請求項２を引用する請求項３から１３のいずれか１項に記載の細胞分析方法。
15. 前記並列処理プロセッサは、前記並列処理として、前記データの特徴を抽出するためのフィルタリング処理を並列に実行する、
    請求項１から１４のいずれか１項に記載の細胞分析方法。
16. 前記人工知能アルゴリズムは、深層学習アルゴリズムであり、
    前記並列処理プロセッサは、前記並列処理として、前記深層学習アルゴリズムにおける畳み込み層における複数の演算処理を並列に実行する、
    請求項２、または、請求項２を引用する請求項３から１５のいずれか１項に記載の細胞分析方法。
17. 前記並列処理プロセッサは、単一の命令に従って前記並列処理を実行する、
    請求項１から１６のいずれか１項に記載の細胞分析方法。
18. 前記データは、前記細胞に光を照射することにより検出される信号に基づくデータである、
    請求項１から１７のいずれか１項に記載の細胞分析方法。
19. 前記細胞を測定して得られる信号を所定のレートでサンプリングしたサンプリングデータを前記データとして前記並列処理プロセッサに入力し、
    前記並列処理プロセッサは、前記並列処理を実行することにより前記サンプリングデータを分析する、
    請求項１から１８のいずれか１項に記載の細胞分析方法。
20. 前記細胞に光を照射して取得された画像データを前記データとして前記並列処理プロセッサに入力し、
    前記並列処理プロセッサは、前記並列処理を実行することにより前記画像データを分析する、
    請求項１から１８のいずれか１項に記載の細胞分析方法。
21. 前記並列処理プロセッサは、前記データの各々について複数の行列演算を実行する、
    請求項１から２０のいずれか１項に記載の細胞分析方法。
22. 前記並列処理プロセッサは、前記データの各々について少なくとも１００の行列演算を実行する、
    請求項１から２１のいずれか１項に記載の細胞分析方法。
23. 前記並列処理プロセッサは、前記データの各々について少なくとも１０００の行列演算を実行する、
    請求項１から２２のいずれか１項に記載の細胞分析方法。
24. 前記並列処理プロセッサは、少なくとも１００個の前記細胞の各々に対応する前記データを分析する、
    請求項１から２３のいずれか１項に記載の細胞分析方法。
25. 前記並列処理プロセッサは、少なくとも１０００個の前記細胞の各々に対応する前記データを分析する、
    請求項１から２４のいずれか１項に記載の細胞分析方法。
26. 前記並列処理プロセッサは、各々が、少なくとも１ギガバイトの容量を有する前記データを分析する、
    請求項１から２５のいずれか１項に記載の細胞分析方法。
27. 前記並列処理プロセッサは、
    前記データの分析に関する演算処理を実行可能な演算ユニットを少なくとも１０個有し、
    前記並列処理として、前記演算ユニットの各々による前記演算処理を並列に実行する、
    請求項１から２６のいずれか１項に記載の細胞分析方法。
28. 前記並列処理プロセッサは、
    前記データの分析に関する演算処理を実行可能な演算ユニットを少なくとも１００個有し、
    前記並列処理として、前記演算ユニットの各々による前記演算処理を並列に実行する、
    請求項１から２７のいずれか１項に記載の細胞分析方法。
29. 前記並列処理プロセッサは、
    前記データの分析に関する演算処理を実行可能な演算ユニットを少なくとも１０００個有し、
    前記並列処理として、前記演算ユニットの各々による前記演算処理を並列に実行する、
    請求項１から２８のいずれか１項に記載の細胞分析方法。
30. 前記並列処理プロセッサは、少なくとも１ギガバイトの容量を有するメモリから読み出された前記データを入力とし、前記並列処理を実行する、
    請求項１から２９のいずれか１項に記載の細胞分析方法。
31. 検体中の細胞に関するデータは、細胞から得られる複数種類の信号に基づくデータの組み合わせである、請求項１から３０のいずれか１項に記載の細胞分析方法。
32. 測定ユニットによって細胞を測定し、
    前記測定ユニットとインターネットまたはイントラネットを介さずに接続された並列処理プロセッサによって、前記測定に基づく細胞に関するデータの並列処理を実行し、
    前記並列処理の結果に基づき、前記細胞の細胞種別に関する情報を生成する、
    ことを含む細胞分析方法。
33. 細胞分析装置に搭載された測定ユニットによって検体を吸引し、
    吸引された前記検体中の細胞に関するデータを生成し、
    前記データに関する並列処理を、前記細胞分析装置に搭載された並列処理プロセッサで実行し、
    前記並列処理プロセッサが実行する前記並列処理の結果に基づき、前記細胞の細胞種別に関する情報を生成する、
    ことを含む細胞分析方法。
34. 検体に含まれる複数の細胞を測定する測定ユニットと、
    前記複数の細胞の分析に関する情報処理を行うプロセッサと、
    並列処理プロセッサと、を備え、
    前記測定ユニットは、前記複数の細胞の各々に関するデータを取得し、
    前記並列処理プロセッサは、前記データに関する並列処理を実行し、
    前記プロセッサは、前記並列処理の結果に基づいて生成された、前記複数の細胞の各々の細胞種別に関する情報を処理する、
    細胞分析装置。

Images