JP2022140144A

JP2022140144A - 分析方法および分析装置

Info

Publication number: JP2022140144A
Application number: JP2021040829A
Authority: JP
Inventors: 祥一郎朝田; Shoichiro Asada; 考伸木村; Takanobu Kimura; 政道田中; Masamichi Tanaka; 健一郎鈴木; Kenichiro Suzuki
Original assignee: Sysmex Corp
Current assignee: Sysmex Corp
Priority date: 2021-03-12
Filing date: 2021-03-12
Publication date: 2022-09-26

Abstract

【課題】複数の細胞種の特徴を有する細胞について、より詳細な分析を可能とする新たな分析方法および分析装置を提供する。
【解決手段】細胞を含む検体を分析する分析方法において、検体から調製された測定試料に光を照射して細胞から生じる光を検出し（Ｓ１２）、検出された光に基づき、検体に含まれる複数の細胞の各々について、細胞の特徴データを取得し（Ｓ１２）、人工知能アルゴリズムを用いて特徴データを解析することで、各々の細胞を複数の細胞種に分類し（Ｓ１３）、分類した結果に基づく情報を表示する（Ｓ１４）。
【選択図】図１０

Description

本発明は、検体中の細胞を分析する分析方法および分析装置に関する。

特許文献１には、血球細胞をフローセルに流すことによって得られる蛍光や光散乱のパラメータを用いて白血球を亜集団に分類する方法が記載されている。この方法では、フローセルを流れる血球細胞に光を照射することにより生じる軸方向光損失（ＡＬＬ）、中間角度前方散乱（ＩＡＳ）、蛍光（ＦＬ１）、偏光側方散乱（ＰＳＳ）を含む複数のパラメータに基づいて白血球亜集団を分類する。分類された白血球亜集団は散布図に表示される。

特表２０１６－５１４２６７号公報

特許文献１に開示されるような従来の細胞分類方法は、一つの細胞を一つの分類に画一的に分類する。しかしながら、例えば、同じ好中球であっても成熟度の違いによって異なる形態学的特徴を持つ場合があり、好中球の中には幼若顆粒球に似た形態学的特徴を持つものも含まれうる。従来の細胞分類方法では、好中球のような正常細胞の特徴と幼若顆粒球のような異常細胞の特徴を持つ細胞が含まれていても、そのような細胞は一つの種類に画一的に分類され、より詳細な分析につながらない場合があった。

本発明は、複数の細胞種の特徴を有する細胞について、より詳細な分析を可能とする新たな分析方法および分析装置を提供することを目的とする。

本発明の分析方法は、細胞を含む検体を分析する分析方法であって、前記検体から調製された測定試料に光を照射して細胞から生じる光を検出し、検出された光に基づき、前記検体に含まれる複数の細胞の各々について、前記細胞の特徴データを取得し、人工知能アルゴリズムを用いて前記特徴データを解析することで、各々の前記細胞を複数の細胞種に分類し、分類した結果に基づく情報を表示することを特徴とする。

本発明の分析装置は、細胞を含む検体を分析する分析装置であって、前記検体から測定試料を調製する試料調製部と、前記試料調製部によって調製された前記測定試料に光を照射して細胞から生じる光を検出する検出部と、検出された光に基づき、前記検体に含まれる複数の細胞の各々について、前記細胞の特徴データを取得する信号処理部と、表示部と、人工知能アルゴリズムを用いて前記特徴データを解析することで、各々の前記細胞を複数の細胞種に分類し、分類した結果に基づく情報を前記表示部に表示させる少なくとも一つのプロセッサと、を備えることを特徴とする。

本発明によれば、複数の細胞種の特徴を有する細胞について、より詳細な分析が可能となる。

図１は、細胞分析装置およびホストコンピュータを示す図である。図２は、測定ユニットのブロック図である。図３は、試料調製部のブロック図である。図４は、ＦＣＭ検出部の模式図である。図５は、Ａ／Ｄ変換部によるデジタル信号の生成の処理を説明する図である。図６は、特徴パラメータデータの構造を説明する図である。図７は、深層学習アルゴリズムに基づく細胞分類の処理を説明する模式図である。図８は、深層学習アルゴリズムによる解析対象の細胞の種類を示した図である。図９は、処理ユニットのブロック図である。図１０は、細胞分析装置の動作を説明するフローチャートである。図１１は、検査結果データ生成プロセスを説明するフローチャートである。図１２は、検査結果データのデータ構造の第１例を模式的に示す図である。図１３は、検査結果データのデータ構造の第２例を模式的に示す図である。図１４は、検査結果データのデータ構造の第３例を模式的に示す図である。図１５は、検査結果データのデータ構造の第４例を模式的に示す図である。図１６は、検査結果データのデータ構造の第５例を模式的に示す図である。図１７は、検査結果表示プロセスの第１例のフローチャートである。図１８は、検体一覧画面の一例を示す図である。図１９は、詳細画面の一例を示す図である。図２０は、分析画面の一例を示す図である。図２１は、分析画面の一例を示す図である。図２２は、分析画面の一例を示す図である。図２３は、分析画面の一例を示す図である。図２４は、検査結果表示プロセスの第２例のフローチャートである。図２５は、分析画面の一例を示す図である。図２６は、分析画面の一例を示す図である。図２７は、分析画面の一例を示す図である。図２８は、分析画面の一例を示す図である。図２９は、検査結果表示プロセスの第３例のフローチャートである。図３０は、検査結果表示プロセスの第４例のフローチャートである。図３１は、分析画面の一例を示す図である。図３２は、分析画面の一例を示す図である。図３３は、分析画面の一例を示す図である。図３４は、分析画面の一例を示す図である。図３５は、分析画面の一例を示す図である。図３６は、分析画面の一例を示す図である。図３７は、分析画面の一例を示す図である。図３８は、分析画面の一例を示す図である。図３９（ａ）、（ｂ）は、それぞれ、スキャッタグラムの他の例を示す図である。図４０は、検査結果表示プロセスの第５例のフローチャートである。図４１は、分析画面の一例を示す図である。図４２は、分析画面の一例を示す図である。図４３は、ホストコンピュータへの送信プロセスのフローチャートである。図４４（ａ）、（ｂ）は、それぞれ、出力用データの構造の一例を示す図である。図４５（ａ）、（ｂ）は、それぞれ、出力用データの構造の一例を示す図である。図４６（ａ）、（ｂ）は、それぞれ、出力用データに関する設定を受け付ける画面の一例を示す図である。図４７は、並列処理プロセッサの構成例の図である。図４８は、測定ユニットへの並列処理プロセッサの搭載例を示す図である。図４９は、測定ユニットへの並列処理プロセッサの搭載例を示す図である。図５０は、測定ユニットへの並列処理プロセッサの搭載例を示す図である。図５１は、測定ユニットへの並列処理プロセッサの搭載例を示す図である。図５２は、プロセッサおよび並列処理プロセッサで実行される演算処理の概要を示す図である。図５３（ａ）、（ｂ）は、それぞれ、並列処理プロセッサが実行する行列演算の概要を示す図である。図５４は、複数の演算処理が並列演算処理プロセッサによって実行されることを示す図である。図５５（ａ）、（ｂ）は、それぞれ、畳み込み層に関する演算処理の概要を示す図である。図５６は、プロセッサおよび並列処理プロセッサによる深層学習アルゴリズムを用いた細胞分類のフローチャートである。図５７は、並列処理実行のフローチャートである。図５８は、細胞分析装置の他の構成例を示すブロック図である。図５９は、細胞分析装置の他の構成例を示すブロック図である。図６０は、細胞分析装置の他の構成例におけるプロセッサによる並列処理プロセッサの制御を示す模式図である。図６１は、細胞分析装置の他の構成例を示すブロック図である。図６２は、細胞分析装置の他の構成例を示すブロック図である。図６３は、細胞分析装置の他の構成例を示すブロック図である。図６４は、細胞分析装置の他の構成例を示すブロック図である。図６５は、細胞分析装置の他の構成例を示すブロック図である。図６６は、細胞分析装置の他の構成例におけるプロセッサによる並列処理プロセッサの制御を示す模式図である。図６７は、細胞分析装置の他の構成例を示すブロック図である。図６８は、細胞分析装置の他の構成例を示すブロック図である。図６９は、細胞分析装置の他の構成例を示すブロック図である。図７０（ａ）～（ｃ）は、それぞれ、ニューラルネットワークの構造を説明する図である。図７１は、ニューラルネットワークの訓練を説明する図である。

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、同じ又は類似の構成要素に関する説明を省略する。

以下に説明する分析方法は、細胞を含む検体から調製された測定試料に光を照射して細胞から生じる光を検出し、検出された光に基づき、検体に含まれる複数の細胞の各々について、細胞の特徴データを取得し、人工知能アルゴリズムを用いて特徴データを解析することで、各々の細胞を複数の細胞種に分類する方法である。

検体は、被検者から採取された生体試料であってもよい。例えば、生体試料は、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もの、つまり細胞を含む状態のものであり、好ましくは全血である。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。

この分析方法によって分類される細胞種は、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。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、異常細胞が含まれる。

異常細胞とは、健常人の末梢血では通常認められない細胞をいう。異常細胞は、リンパ球系異常細胞を含んでもよい。リンパ球系異常細胞は、例えば、異型リンパ球（反応性リンパ球）、成熟リンパ腫を含む異常リンパ球、形質細胞を含む。異常細胞は、芽球を含でもよい。芽球は、骨髄芽球、リンパ芽球、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を含む。異常細胞は、巨核球を含んでもよい。異常細胞は、幼若顆粒球を含んでもよい。幼若顆粒球は、例えば、前骨髄球、骨髄球、後骨髄球等を含む。

異常細胞は、健常人の末梢血には含まれない他の異常細胞を含んでもよい。異常細胞の例は、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、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、又は多発性骨髄腫である。

生体試料が尿である場合、細胞種には、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、細胞種は、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、又は多発性骨髄腫の造血系腫瘍細胞、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。

この分析方法は、細胞を含む検体を分析する細胞分析装置を用いて好適に実施される。細胞分析装置は、検体から測定試料を調製する試料調製部と、試料調製部によって調製された測定試料に光を照射して細胞から生じる光を検出する検出部と、検出された光に基づき、検体に含まれる複数の細胞の各々について、細胞の特徴データを取得する信号処理部と、人工知能アルゴリズムを用いて特徴データを解析することで、各々の細胞を複数の細胞種に分類する制御部と、を備えてもよい。このような細胞分析装置の一例について以下説明する。

［１．基本構成］
図１を参照して、細胞分析装置の基本構成について説明する。図１は、細胞分析装置１００の外観を示す模式図である。細胞分析装置１００は、ホストコンピュータ５００から送信された検査オーダに応じて生体由来の検体を分析する装置である。細胞分析装置１００は、測定ユニット４００と処理ユニット３００と、を備える。ホストコンピュータ５００と細胞分析装置１００をまとめて検査システム１０００と呼称する。

［２．測定ユニットの構成］
図２を参照し、測定ユニット４００の構成を説明する。図２は、測定ユニット４００のブロック図の例を示す。図２に示されるように、測定ユニット４００は、検体を吸引する検体吸引部４５０、吸引した検体から測定試料を調製する試料調製部４４０、測定試料中の血球を検出する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、アナログ処理部４２０によって処理された信号をデジタル信号に変換して解析する測定ユニット制御部４８０、及び装置機構部４３０を備えている。

図３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から血液検体を吸引するためのノズル４５１と、ノズル４５１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。

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、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４は、ＦＣＭ検出部４１０の光学系の構成例を示している。図４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受光素子４１１６、４１２１、４１２２によって検出する。

図４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。

図４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を介して受光素子４１１６によって受光される。受光素子４１１６は、例えば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を介して受光素子４１２１によって受光される。受光素子４１２１は、例えば光電子増倍管である。側方蛍光は、集光レンズ４１１７及びダイクロイックミラー４１１８を介して受光素子４１２２によって受光される。受光素子４１２２は、例えば光電子増倍管である。なお、受光素子４１１６として、フォトダイオードに代えてアバランシェフォトダイオードまたは光電子増倍管を用いてもよい。受光素子４１２１、受光素子４１２２として、フォトダイオードまたはアバランシェフォトダイオードを用いてもよい。

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。アナログ処理部４２０は、信号伝送経路４２１を介して、後述する測定ユニット制御部４８０のＡ／Ｄ変換部４８２に接続されている。

図２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、バス４８５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。測定ユニット制御部４８０は、バス４８５とＡ／Ｄ変換部４８２との間に介在するインタフェース部４８４を備えている。測定ユニット制御部４８０は、さらに、各種ハードウェア（すなわち検体吸引部４５０、装置機構部４３０、試料調製部４４０、ＦＣＭ検出部４１０）とバス４８５の間に介在するインタフェース部４８８とを備えている。

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、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）でサンプリングし、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、図４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。

図５は、Ａ／Ｄ変換部４８２によるアナログ信号のサンプリングの処理を説明するための模式図である。細胞Ｃを含む測定試料をフローセル４１１３に流し、フローセル４１１３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と側方蛍光が生じる。前方散乱光は、受光素子４１１６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、受光素子４１２１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、受光素子４１２２によって受光され、受光量に応じた信号が出力される。測定試料に含まれる複数の細胞がフローセル４１１３を通過することに伴って、受光素子４１１６、４１２１、４１２２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１つの細胞に対応する。

アナログ信号は、Ａ／Ｄ変換部４８２に入力される。Ａ／Ｄ変換部４８２は、受光素子４１１６、４１２１、４１２２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４８２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。サンプリング時間はパルスの大きさによらず固定である。サンプリング時間は、一つの細胞がフローセル４１１３のビームスポットを通過したときにアナログ信号のレベルが立ち上がってから立下るまでの時間より長めに設定される。これにより、一つの細胞に対応するデジタル信号として、複数の時点におけるアナログ信号レベルを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４８２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、デジタル信号が得られた細胞数が所定数に達するまで、または測定試料をフローセル４１１３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５に示すように、測定試料中のＮ個の細胞について、各細胞のアナログ信号の波形をデジタル化したデジタル信号が得られる。本明細書では、デジタル信号に含まれる各細胞に対するサンプリングデータの集合（図５の例ではｔ＝０ｎｓからｔ＝１０２４０ｎｓまでの１０２４個のデジタル値の集合）を波形データと呼ぶ。

Ａ／Ｄ変換部４８２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る。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。インデックスは、後述する細胞のデータ構造に含まれる細胞ＩＤに対応する。

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解析し、細胞の種別を分類できる。

Ａ／Ｄ変換部４８２は、各細胞に対応する波形データを生成することに加えて、各信号のパルスのピーク値を計算し、特徴パラメータデータを生成する。図６は、特徴パラメータデータの一例を示す模式図である。Ａ／Ｄ変換部４８２は、波形データを生成するために各細胞のアナログ信号をデジタル値へ変換する処理と並行して、各細胞の波形データに含まれるデジタル値の最大値を特徴パラメータデータの先頭列から順に格納する。Ｎ列にはＮ番目に波形データが生成された細胞の値が格納される。列の位置は波形データの先頭に付与されるインデックスと一致する。つまりインデックス“Ｎ”の波形データに対応するデジタル値はＮ列に格納される。デジタル値の最大値は、細胞のアナログ信号のパルスのピーク高さに相当する。よって、前方散乱光信号、側方散乱光信号および側方蛍光信号のそれぞれについて、各細胞の波形データに含まれるデジタル値の最大値を抽出することにより、各細胞について前方散乱光信号のパルスのピーク値（ＦＳＣＰという）と、側方散乱光信号のパルスのピーク値（ＳＳＣＰという）と、側方蛍光信号のパルスのピーク値（ＳＦＬＰという）が得られる。

図２に戻って、Ａ／Ｄ変換部４８２は、生成したデジタル信号と特徴パラメータデータをバス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（ＤｉｒｅｃｔＭｅｍｏｒｙＡｃｃｅｓｓ）転送によって、ＲＡＭ４８３４に送信する。ＲＡＭ４８３４は、デジタル信号と特徴パラメータデータを記憶する。

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。

プロセッサ４８３１は、並列処理プロセッサ４８３３を用いて、記憶部４８３５に格納された解析ソフトウェア４８３５ａを実行することによりデジタル信号を分析する。

プロセッサ４８３１は、例えば、ＣＰＵ（Central Processing Unit）である。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、解析ソフトウェア４８３５ａによって実現される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、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などが好適に用いられる。

図７は、解析ソフトウェア４８３５ａの深層学習アルゴリズム６０の演算処理を説明する図である。

深層学習アルゴリズム６０は、多層の中間層を含むニューラルネットワークにより構成される。ニューラルネットワークは、畳み込み層を有する畳み込みニューラルネットワーク（Convolutional Neural Network: CNN）であることが好ましい。ニューラルネットワークにおける入力層６０ａのノード数は、入力される１細胞の波形データに含まれる配列数に対応している。図６の例では、入力層６０ａのノード数は、１つの細胞の波形データ８６ａ、８６ｂ、８６ｃの１０２４個×３の配列の数に対応している。

ニューラルネットワークの出力層６０ｂは、解析対象の細胞種に対応した数のノードを備える。図８の例では、解析対象の細胞種は「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）」、「芽球（Blast）」、「異常リンパ球（Abn LYMPH）」、および「該当なし（NONE）」の9種類ある。この場合の出力層６０ｂのノードの数は９となる。

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の入力層６０ａに波形データが入力されると、出力層６０ｂから、細胞を複数の細胞種（Cell type）に分類した分類情報８２として、波形データに対応する細胞が各細胞種に該当する確率が出力される。出力層６０ｂから出力されるデータは、細胞ＩＤと、細胞種の識別情報（図８のラベル値）と、各細胞種に対応する確率の数値と、を含む。

プロセッサ４８３１は、深層学習アルゴリズム６０によって得られた細胞の分類情報８２をＲＡＭ４８３４に格納する。各細胞の分類情報８２と特徴パラメータデータは、インタフェース部４８９を介して処理ユニット３００に送信される。

［３．処理ユニット３００の構成］
図９を参照して処理ユニット３００の構成を説明する。処理ユニット３００は、インタフェース部３００６、及びバス３００３を介して測定ユニット４００のプロセッサ４８３１と接続されており、測定ユニット４００によって生成された分類情報８２及び特徴パラメータデータを受信することができる。インタフェース部３００６は、例えば、ＵＳＢインタフェースである。

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１００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８２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が格納されている。

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１００に測定オーダを入力し、測定オーダ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。

［４．細胞分析装置１００の動作］
図１０を参照し、細胞分析装置１００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）。ステップＳ１１では、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）。ステップＳ１２では、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４参照）。

測定試料がフローセル４１１３に供給されることにより、前方散乱光信号、側方散乱光信号および側方蛍光信号がＡ／Ｄ変換部４８２に入力される。Ａ／Ｄ変換部４８２は個々の細胞に対応する波形データの集合であるデジタル信号と、各細胞の波形データに含まれる最大値を格納した特徴パラメータデータを生成する。波形データと特徴パラメータ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、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波形データと特徴パラメータデータをＤＭＡ転送によってＲＡＭ４８３４に取り込ませる。ＤＭＡ転送により、波形データは、プロセッサ４８３１を介さずに直接ＲＡＭ４８３４に転送される。波形データは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、生成した波形データに基づいて細胞分類を実行し、分類情報を生成する（ステップＳ１３）。

プロセッサ４８３１は、ステップＳ１４の結果として得られた個々の細胞の分類情報８２と特徴パラメータデータを処理ユニット３００に送信する（ステップＳ１４）。

処理ユニット３００のプロセッサ３００１は、測定ユニットから分類情報８２と特徴パラメータデータを受信すると（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類情報８２を分析し、検体の検査結果データを生成する（ステップＳ３）。検査結果データは記憶部３００４に格納される。ステップＳ３の処理については後述する。

プロセッサ３００１は、検査結果を表示部３０１５に表示する（ステップＳ４）。ステップＳ４の処理については後述する。

プロセッサ３００１は、ホストコンピュータ５００に検査結果を送信する（ステップＳ５）。ステップＳ５の処理については後述する。

ホストコンピュータ５００は、処理ユニット３００のプロセッサ３００１から送信された検査結果を受信する（ステップＳ２１）。これにより一連の処理が終了する。

［５．検査結果データ生成プロセス］
図１１は、処理ユニット３００のプロセッサ３００１によって実行されるステップＳ３（検査結果データ生成プロセス）の詳細を示すフローチャートである。

プロセッサ３００１は、測定ユニット４００から受信した分類情報８２に基づいて、細胞の主細胞種を決定する（ステップＳ３１）。具体的に、プロセッサ３００１は、分類情報８２に含まれる細胞種ごとの確率に基づいて、確率が最も高い細胞種を主細胞種に決定する。例えば、ある細胞について得られた確率データが以下の場合、最も確率が高い細胞種が好中球であるので、その細胞の主細胞種は好中球となる。

次に、プロセッサ４８３１は、決定した主細胞種に基づいて、検体に含まれる細胞の数を細胞種ごとに計数する（ステップＳ３２）。ステップＳ３２の処理では、個々の細胞の細胞種の情報に基づいて、細胞種ごとに細胞の数がカウントされる。例えば、測定チャネルとしてＷＤＦが設定されている場合の分類対象の細胞種は、図８に例示するように９つある。プロセッサ３００１は、例えば、主細胞種が好中球である細胞の数がＭ個あれば、好中球の数をＭ個とする計数結果を生成する。プロセッサ３００１は、同様の処理をリンパ球、単球、好酸球、好塩基球、幼若顆粒球、芽球および異常リンパ球に対して行い、各細胞種について計数結果を生成する。

プロセッサ３００１は、さらに、各細胞種の計数値に基づき、検体の正常／異常を判定してもよい。例えば、芽球は健常者の末梢血には含まれないため、主細胞種が芽球であると判定された細胞が所定数以上含まれている場合、その検体は何らかの異常が疑われる。また、幼若顆粒球は通常は健常者の血液には含まれないため、主細胞種が幼若顆粒球であると判定された細胞が所定数以上含まれている場合も、その検体は何らかの異常が疑われる。プロセッサ３００１は、各細胞種の計数値（絶対値）を所定の数値範囲または閾値と比較して、計数値が数値範囲を外れる場合、または閾値を超える場合に、異常が疑われることを示すフラグを分析結果に付加してもよい。

プロセッサ３００１は、さらに、各細胞種の計数値に基づき、細胞の含有比率を求めてもよい。例えば、プロセッサ３００１は、測定チャネルとしてＷＤＦが設定されている場合、好中球、リンパ球、単球、好酸球、好塩基球の５つの白血球サブクラスの比率を求める。健常者の血液には、これら５つの白血球サブクラスが所定の割合で含有されている。プロセッサ３００１は、白血球サブクラスの割合を所定の数値範囲または閾値と比較することで検体の正常／異常を判定してもよい。プロセッサ３００１は、特定の白血球比率が所定の数値範囲を外れる場合、または閾値を超える場合に、検体が異常であることを示唆するフラグを分析結果に付加してもよい。

プロセッサ３００１は、細胞ＩＤに対応付けて上述の検査結果データを生成する（ステップＳ３３）。図１２は、プロセッサ３００１により生成される検査結果データのデータ構造の第１例を模式的に示す図である。

検査結果データは、リレーショナルデータベースによって構成され、複数のデータ項目（列）を含む。図１２に示す例では、被検者ＩＤと、検体ＩＤと、測定結果と、測定チャンネルの識別コードと、細胞ＩＤと、細胞種の識別情報と、各細胞種に対する確率がデータ項目として設けられている。

被検者ＩＤのデータは、検体が採取された被検者を識別するための情報である被検者ＩＤを格納する。被検者ＩＤは、例えば数字とアルファベットの組み合わせからなる複数桁の文字列である。

検体ＩＤのデータは、検体を識別するための情報である検体ＩＤを格納する。検体ＩＤは、例えば数字とアルファベットの組み合わせからなる複数桁の文字列である。

測定結果のデータは、プロセッサ３００１がステップＳ３２において主細胞種に基づき測定データを分析することにより得られた測定結果を格納する。測定結果は、上述のとおり、最も確率が高い細胞種（主細胞種）に基づく細胞の計数結果を含む。測定結果は、測定チャネルがＷＤＦであれば、白血球サブクラス（単球、好中球、リンパ球、好酸球、好塩基球）のそれぞれの数と割合を含む。測定チャネルがＲＥＴであれば、測定結果は網赤血球数を含む。測定チャネルがＷＰＣであれば、測定結果は造血前駆細胞数を含む。測定チャネルがＷＮＲであれば、測定結果は白血球数および有核赤血球数を含む。

測定チャネルのデータは、検体に対して行われた測定の測定チャンネルを示す情報を格納する。本実施形態の測定ユニット４００の例では、測定チャンネルとしてＤＩＦＦ、ＲＥＴ、ＷＰＣ、ＰＬＴ－Ｆ、ＷＮＲがある。測定チャネルのデータ項目には、測定が行われた測定チャネルに対応して「ＤＩＦＦ」、「ＲＥＴ」、「ＷＰＣ」、「ＰＬＴ－Ｆ」、「ＷＮＲ」の文字列が格納される。測定チャネルを示す情報は測定チャネルを示す文字列であってもよいし、測定チャネルごとに割り当てられた数字やアルファベットであってもよい。例えば、ＤＩＦＦ＝１、ＲＥＴ＝２、ＷＰＣ＝３、ＰＬＴ－Ｆ＝４、ＷＮＲ＝５のように数字を割り当て、使用した測定チャネルに対応する数字を格納してもよい。測定チャネルのデータは、測定が行われた測定チャネルの数に応じて、１つの検体に対して１つ又は複数の値を格納する。

細胞ＩＤのデータは、１つの測定チャネルの測定により検出された細胞の数に応じて、複数作成される。細胞ＩＤは、１、２、３、・・・、Ｎのような自然数の数値である。細胞ＩＤは、上述の個々の細胞に対応する波形データの先頭に付加されるインデックス（図５参照）および特徴パラメータデータの列の順位（図６参照）と一致する。

特徴パラメータのデータは、対応する細胞の前方散乱光ピーク値（ＦＳＣＰ）、側方散乱光ピーク値（ＳＳＣＰ）、側方蛍光ピーク値（ＳＦＬＰ）の値を格納する。図１２の例では、特徴パラメータのデータは、一つの細胞ＩＤに対して、ＦＳＣＰ、ＳＳＣＰ、ＳＦＬＰの３つ作成される。図６を参照して説明したとおり、特徴パラメータデータは、列の順位が細胞ＩＤに対応している。例えば、特徴パラメータデータの先頭列（第１列）には、細胞ＩＤ“１”の細胞に対応する特徴パラメータが格納されている。したがって、細胞ＩＤ＝１に対応するＦＳＣＰのデータには、特徴パラメータデータのうちＦＳＣＰの行列データの先頭列の値「５９」が格納される。同様に、ＳＳＣＰ、ＳＦＬＰには、それぞれ、ＳＳＣＰの行列データの先頭列の値「３０」と、ＳＦＬＰの行列データの先頭列の値「１３４」が格納される。

細胞種のデータは、分析対象の細胞種を示す情報を格納する。細胞種を示す情報とは、例えば、図８に示すような細胞種を特定可能なラベル値である。細胞種のデータは、測定チャネルの分析対象の細胞種の数に応じて、複数作成される。例えば、測定チャネルの分析対象の細胞種が、図８に示すように。「なし」を含む９種類である場合、細胞種のデータは９つ作成される。なお、識別情報は、ラベル値に代えて「好中球」や「ＮＥＵＴ」などの文字列であってもよい。

確率のデータは、１つの細胞種のデータに対して１つ作成される。確率のデータには、対応する細胞ＩＤおよび識別情報について、深層学習アルゴリズム６０が出力した確率の値が数値データの形式で格納される。例えば、対象とする細胞の分類情報８２が上掲の表１の通りであった場合、好中球に対応する変数に「９０％」が格納され、リンパ球に対応する変数に「１０％」が格納され、その他の識別情報に対応する変数に「０％」が格納される。

プロセッサ３００１は、図１２に示す検査結果データを生成し、記憶部３００４に格納する。

図１３は、検査結果データの第２例を模式的に示す図である。図１３に示す検査結果データのデータ構造には、図１２と比較して、各識別情報に対して主フラグを格納するデータが付加されている。図１３のデータ構造の場合、分類情報は、識別情報、確率および主フラグにより構成される。

主フラグのデータは、０または１の値を格納する。プロセッサ３００１は、確率が最も大きい細胞種（主細胞種）に対応する主フラグに１を格納し、その他の細胞種に対応する主フラグに０を格納する。この構成によれば、プロセッサ３００１は、主細胞種の情報を演算に用いたり出力したりする度に確率に基づいて主細胞種を個々の細胞について特定する必要がなく、処理が高速化できる。例えば、後述するスキャッタグラムにおいて、各細胞のプロットは細胞種毎に色分けされて表示される。このような場合に、プロセッサ３００１は、主フラグを参照することで各細胞のプロットの色を決定でき、個々の細胞の確率に基づいて主細胞種を特定する必要がない。なお、第２例の場合、深層学習アルゴリズム６０が分類情報８２を生成する際に、分類情報８２とともに主フラグに数値をセットする処理を実行してもよい。

図１４は検査結果データの第３例を模式的に示す図である。図１４に示す検査結果データには、図１２と比較して、１つの細胞ＩＤに対して、主細胞種のデータが１つ付加されている。図１４のデータ構造の場合、分類情報は、識別情報、確率および主細胞種を示す識別情報により構成される。

主細胞種のデータは、最も確率が高い細胞種（主細胞種）の識別情報を格納する。図１３の第２例では、個々の細胞の主細胞種を特定するために主フラグが格納されている列を検索する必要があるが、図１４の第３例では、主細胞種のデータを参照することにより主細胞種を特定することができ、さらなる処理の高速化が可能となる。

図１５は検査結果データの第４例を模式的に示す図である。図１５に示す検査結果データには、図１２と比較して、各識別情報に対応して、リサーチフラグのデータが付加されている。図１５のデータ構造の場合、分類情報は、識別情報、確率およびリサーチフラグにより構成される。

リサーチフラグのデータは、０または１の値を格納する。リサーチフラグは、後述する結果表示画面において、レポータブル項目の検査結果として表示する細胞種と、リサーチ項目として補助的に表示する細胞種とを区別するためのフラグである。プロセッサ３００１は、確率が所定の閾値以下の細胞種に対応するリサーチフラグに「１」を格納し、確率がこの閾値より大きい細胞種のリサーチフラグに「０」を格納する。リサーチフラグに１が設定されると、検査結果データが表示される場合に、この細胞種に関する確率や計数結果などに対して、リサーチ目的として用いるのが好ましいことを示す情報を付与することができる。

図１６は検査結果データの第５例を模式的に示す図である。図１６に示す検査結果データには、図１２と比較して、各識別情報に対して、順位のデータが付加されている。図１６のデータ構造の場合、分類情報は、識別情報、確率および順位により構成される。

順位のデータは、細胞ＩＤに対応付けられた全ての細胞種に対して確率が高い順に付された、１～ｍ（ｍ：分析対象の細胞種の数）の数字が格納される。プロセッサ４８３１は、確率の高い順に順位を算出し、算出した順位を各細胞種の順位のデータに格納する。この場合、プロセッサ３００１は、順位のデータを参照することにより、最も確率が高い細胞種だけでなく、たとえば、２番目に確率が高い細胞種についても円滑に把握できる。

［６．検査結果表示プロセス］
図１７は、プロセッサ３００１によって実行される検査結果表示プロセス（ステップＳ４）の第１例を図示したフローチャートである。

プロセッサ３００１は、検体一覧画面７００（サンプルエクスプローラ画面）を表示する（ステップＳ４１０）。プロセッサ３００１は、ユーザの操作に応じて、詳細画面８００（ブラウザ画面）を表示する（ステップＳ４１１）。プロセッサ３００１は、ユーザからの表示指示に応じて、スキャッタグラムを含む分析画面９００を表示する（ステップＳ４１２）。プロセッサ３００１は、分析画面９００に表示されたスキャッタグラム９０１において選択されたドットに対応する細胞の分類情報を読み出して、読み出した分類情報を表示する（ステップＳ４１３）。

図１８は、検体一覧画面７００の一例を示す。検体一覧画面７００は、ツールバー７１０とデータ表示領域７２０を備える。ツールバー７１０には、画面上で所定の操作を行うための複数のアイコンが表示される。具体的には、ツールバー７１０は、検体一覧画面７００（ＳＥ）画面を呼び出すための検体一覧画面アイコン７１０ａと、詳細画面８００を呼び出すための詳細アイコン７１０ｂと、測定オーダを入力するための測定オーダ入力画面を呼び出すための測定登録アイコン７１０ｃと、検査結果をバリデートするためのバリデートアイコン７１０ｄと、を含む。

ツールバー７１０の下部には、検査結果のデータが表示されるデータ表示領域７２０が設けられている。ツールバー７１０はデータ表示領域７２０に表示される内容にかかわらず常に画面上部に表示される。検体一覧画面７００のデータ表示領域７２０には、検体一覧表示領域９３１と測定結果表示領域９３２が表示される。

検体一覧表示領域９３１には、被検者ＩＤ、検体ＩＤ、日時などの項目が設けられる。検体一覧表示領域９３１には、被検者ＩＤおよび検体ＩＤにより識別される検査結果データが、リスト形式で表示されている。

測定結果表示領域９３２には、検体一覧表示領域９３１で選択された検体ＩＤに基づく測定結果が表示される。測定結果表示領域９３２に表示される測定結果は、主細胞種に基づく計数結果や比率情報である。

ユーザが検体一覧画面７００において詳細アイコン７１０ｂを選択するか、または検体一覧表示領域９３１において一つの検体のレコードを選択（例えばダブルクリック）すると、詳細画面８００が表示される。

図１９は詳細画面８００の一例を示す図である。詳細画面８００は、ツールバー８１０（７１０）と、データ表示領域８２０とを含む。ツールバー８１０は、検体一覧画面７００において表示されていたものと同じである。データ表示領域８２０には、測定結果を表示するための測定結果領域８２０ａと、フラグ情報が表示されるフラグ領域８２０ｂと、グラフが表示されるグラフ領域８２０ｃとが表示される。測定結果領域８２０ａには、表示対象となる検体に対して測定が行われた全ての測定チャネルの測定結果が表示される。フラグ領域８２０ｂには、測定結果に基づいて検体にフラグが設定されている場合にフラグ（サスペクトメッセージ）が表示される。グラフ領域８２０ｃには、各測定チャネルに対応するグラフが表示される。

図１９の例では、グラフ領域８２０ｃには、ＷＤＦスキャッタグラムと、ＷＮＲスキャッタグラムと、ＷＰＣスキャッタグラムと、ＲＥＴスキャッタグラムと、ＰＬＴ－Ｆスキャッタグラムと、ＲＢＣヒストグラムと、ＰＬＴヒストグラムが表示されている。グラフ領域８２０ｃに表示されるスキャッタグラムは、上述の特徴パラメータに基づいて作成され表示される。

ユーザは、詳細画面８００に表示される分析結果を参照して、検査結果データをバリデートする場合、バリデートアイコン７１０ｄを操作する。これにより、当該検査結果データがバリデートされる。検査結果データをバリデートしない場合、ユーザは、たとえば測定登録アイコン７１０ｃを操作して再検査オーダを入力することができる。

ユーザは、細胞の分類情報を確認するために、分析画面９００を表示させることができる。詳細画面８００のグラフ領域８２０ｃにおいて、ユーザが任意のグラフを操作（例えばダブルクリック）すると、分析画面９００がポップアップ表示され、詳細画面８００の上にオーバーレイ表示される。

図２０は、分析画面９００の一例である。図２０では、ユーザがＷＤＦスキャッタグラムを選択した場合に表示される分析画面９００を例示している。

分析画面９００には、スキャッタグラム９０１および詳細表示領域９０２が表示されている。図２０に示すスキャッタグラム９０１は、検査結果データに含まれる測定チャンネルに対応付けられた細胞の特徴パラメータに基づいて表示される。図２０に示すスキャッタグラム９０１において、横軸は側方散乱光信号のピーク値（ＳＳＣＰ）であり、縦軸は側方蛍光信号のピーク値（ＳＦＬＰ）である。プロセッサ３００１は、細胞ＩＤによって特定される個々の細胞について、ＳＳＣＰおよびＳＦＬＰに基づいてスキャッタグラム９０１における座標を決定し、決定した座標にドットを描画することで細胞をプロットする。プロセッサ３００１は、表示されるスキャッタグラム９０１に対応する測定チャネルの配下にある全ての細胞のデータに対して同様の処理を行い、スキャッタグラム９０１に細胞をプロットする。

プロセッサ３００１は、プロットされる細胞の分類情報に基づいてドットの色を設定する。具体的には、プロセッサ３００１は、異なる細胞種の細胞を、異なる色のドットで表示する。例えば、ＷＤＦチャネルに対応するスキャッタグラム９０１では、好中球を第１の色（例えば青色）、リンパ球を第２の色（例えば紫色）、単球を第３の色（例えば緑色）、好酸球を第４の色（例えば赤色）、好塩基球を第５の色（例えば黄色）で表示する。

なお、従来の血球計数装置における白血球分類では、図２０に示すスキャッタグラム９０１のような座標平面に細胞をプロットし、各細胞の座標に基づいて細胞を複数の集団に分類するクラスタリング解析の方法が採用されていた。そのため同じ座標にプロットされた細胞は同じ種類の細胞に分類される。一方、本実施形態では、従来の白血球分類と異なり、細胞の特徴パラメータ（ＳＳＣＰおよびＳＦＬＰ）をスキャッタグラム９０１に細胞をプロットするために用いるのみである。本実施形態における細胞の分類は、上述の通り、深層学習アルゴリズム６０を用いて個々の細胞の波形データを分析することで、クラスタリングの手法によることなく、細胞の種類を個別に同定する。言い換えると、スキャッタグラム９０１における細胞プロットの座標は、細胞の特徴を表すパラメータに基づいて測定試料に含まれる細胞の分布を表す断片的な情報であり、座標は細胞種の同定には用いられない。そのため、同じ座標にプロットされた複数の細胞があっても、それらの細胞は深層学習アルゴリズム６０によって異なる細胞に分類されることがある。同じ座標に異なる種類の細胞がプロットされた場合、プロセッサ３００１は、同じ座標にプロットされる複数の細胞の主細胞種に基づき、最も割合の多い主細胞種に対応する色のドットを描画する。

図１７のフローチャートのステップＳ４１３において、ユーザがスキャッタグラム９０１上のドットを選択する操作（例えばダブルクリック）を行うと、プロセッサ３００１は、詳細表示領域９０２をポップアップで表示する。詳細表示領域９０２は、分類情報表示領域９０２ａを含んでおり、分類情報表示領域９０２ａは、スキャッタグラム９０１において選択されたドットに含まれる細胞の分類情報を表示する。図２０では、複数の細胞種と、各細胞種に対応する確率を表示した例を示している。分類情報表示領域９０２ａには、分類情報表示領域９０２ａ内の表示範囲を変更して全ての細胞種および確率を表示可能とするためのスクロールバーが設けられている。スキャッタグラム９０１上の選択されたドットに複数の細胞がプロットされている場合、詳細表示領域９０２に、複数の細胞ごとの分類情報表示領域９０２ａが表示される。ユーザは、スクロールバーを操作することにより、分類情報をスクロール表示することができる。

図２０の分析画面９００では選択されたドットに含まれる細胞の分類情報をポップアップによって表示しているが、図２１に示すように分類情報表示領域９０２ａを分析画面９００に設けてもよい。この場合、ドットが選択されるまでは分類情報表示領域９０２ａはブランクであり、ドットが選択されたことに応じて、選択されたドットに対応する細胞の分類情報が分類情報表示領域９０２ａに表示される。

上記の例では、スキャッタグラム９０１上のドットが操作（例えばダブルクリック）されたことに応じて詳細表示領域９０２をポップアップで表示しているが、詳細表示領域９０２を呼び出すための操作は、スキャッタグラム９０１上の任意の座標を特定できる限り種々の操作を含み得る。例えば、スキャッタグラム９０１にカーソルをあわせるだけで詳細表示領域９０２が表示されてもよく、この場合、カーソルをスキャッタグラム９０１上に置くことが詳細表示領域９０２を呼び出すための操作となる。また、操作はダブルクリックに代えて、長押し、右クリック、カーソルを座標に置いた状態でキーボードまたはソフトウェアキーの所定のキー（例えばＥｎｔｅｒキー）を押下することであってもよい。

図２０、図２１の画面によれば、ユーザは、分類情報表示領域９０２ａを参照することにより、スキャッタグラム９０１上で選択したドットに対応する細胞の分類情報を確認できる。また、ユーザは、スキャッタグラム９０１上において選択するドットを変更することにより、分類情報表示領域９０２ａの表示内容を動的に切り替えて、表示内容を連続的に確認できる。

なお、分類情報表示領域９０２ａには、分類情報として、細胞種ごとの確率に限らず、他の情報が表示されてもよい。たとえば、検査結果データが図１３の構成を有する場合、細胞種ごとの主フラグの値が表示されてもよい。また、検査結果データが図１４の構成を有する場合、主細胞種（最も確率が高い細胞種）にマークが表示されてもよく、主細胞種が別途表示されてもよい。また、検査結果データが図１５の構成を有する場合、細胞種ごとのリサーチフラグの値が表示されてもよい。また、検査結果データが図１６の構成を有する場合、細胞種ごとの順位が表示されてもよい。

図２０、図２１では細胞種ごとの確率が数値で表示された。これに代えて、図２２および図２３に示すように細胞種ごとの確率に応じたグラフが表示されてもよい。図２２は分析画面９００の他の例を示す図である。図２２の例では、分類情報表示領域９０２ａには、選択されたドットに対応する細胞ごとに、細胞の確率情報が１００％積み上げ棒グラフ（percentage bar chart）で表示されている。この１００％積み上げ棒グラフは各細胞ＩＤに対応して表示され、識別情報ごとの確率の値が積み上げ型で全体として１００％となるように表示されている。これにより、ユーザは、細胞種毎の確率を視覚的に把握することができる。

図２３は、分析画面９００の他の例を示す図である。図２３の分析画面９００には、スキャッタグラム９０１、詳細表示領域９０２、拡大ボタン９０３および拡大図９０４が表示されている。

ユーザが拡大ボタン９０３を操作すると、スキャッタグラム９０１上に参照範囲のゲート９０１ａが表示される。ゲート９０１ａは、スキャッタグラム９０１上の所望のドットを範囲指定によって選択するためのものである。ユーザは、ドラッグ等の操作を行うことにより、スキャッタグラム９０１上においてゲート９０１ａの位置を変更できる。拡大図９０４には、ゲート９０１ａ内のスキャッタグラム９０１の部分が拡大表示される。ユーザが拡大図９０４上のドットを選択する操作を行うと、図２０、図２１と同様、選択された細胞の分類情報が、詳細表示領域９０２内の分類情報表示領域９０２ａに表示される。

図２３の画面によれば、ユーザは、スキャッタグラム９０１上にゲート９０１ａを設定して拡大図９０４を表示させることにより、拡大図９０４において目的の細胞を容易に選択できる。これにより、スキャッタグラム９０１において細胞のドットが密集した範囲にある細胞についても、円滑に分類情報を確認できる。

なお、ゲート９０１ａの境界線に対してドラッグ等の操作が行われることにより、ゲート９０１ａの大きさが変更されてもよい。また、拡大ボタン９０３に対して操作が行われるごとに、段階的にゲート９０１ａの大きさが変更されてもよい。

図２０～図２３の例では、スキャッタグラム９０１上の一つのドットを選択する例を示したが、一度に選択できるドットは一つに限られない。例えば、スキャッタグラム９０１上の任意の点をクリックしたままカーソルをドラッグすることにより、スキャッタグラム９０１上で複数のドットを範囲指定により選択してもよい。ただし、複数のドットを一度に選択すると、表示対象となる細胞の数が多すぎる場合が生じ、分類情報を細胞毎に個別表示するとユーザが見にくい場合がありえる。そのため、後述の図２９を参照して説明するように、選択されたドットの数に応じて表示方法を切り替えてもよい。例えば、選択されたドットの数が所定の閾値以下である場合には細胞の分類情報を個別表示し、選択されたドットの数が所定の閾値より大きい場合には個別表示ではなく統計表示してもよい。

図２４は検査結果表示プロセスの第２例を示すフローチャートである。図２４では、図１７のフローチャートと比べてステップＳ４１３が変更されている。図２４のステップＳ４１３では、スキャッタグラム９０１において選択されたドットに対応する細胞の分類情報が読み出され、統計情報として分析画面９００に表示される。

図１７の検査結果表示プロセスの第１例では、図２０～図２３の例に示すように、選択されたドットに対応する細胞の分類情報を、細胞毎に個別表示する例を示した。これに代えて、以下に示す図２５～図２８の例では、選択されたドットに対応する複数の細胞の分類情報を集計し、統計情報を表示する。分析画面９００の例を図２５～図２８に示す。

図２５の分析画面９００には、スキャッタグラム９０１、拡大ボタン９０３、拡大図９０４および詳細表示領域９０５が表示されている。

詳細表示領域９０５には、ゲート９０１ａ内の全ての細胞の分類情報に基づいて、細胞種ごとの確率と個数の統計情報がヒストグラム９０５ａによって表示される。ヒストグラム９０５ａは、ゲート９０１ａ内の全ての細胞を、当該細胞種における確率ごとに集計した度数分布情報である。ヒストグラム９０５ａにおいて、横軸は確率であり、縦軸は細胞の個数である。ヒストグラム９０５ａに示される個数には、主細胞種でない細胞（当該細胞種の確率が低い細胞）の計数結果も含まれる。詳細表示領域９０５には、詳細表示領域９０５内の表示範囲を変更して全ての細胞種のヒストグラム９０５ａを表示可能とするためのスクロールバーが設けられている。

図２５の画面によれば、ユーザは、詳細表示領域９０５に細胞種ごとのヒストグラム９０５ａを表示させることにより、ゲート９０１ａにおける全ての細胞について、細胞種ごとの確率の分布を把握できる。たとえば、従来のスキャッタグラムを用いたクラスタリングの手法では、スキャッタグラム９０１上において複数の細胞種の分布範囲が重なってしまうことがある。これに対し、本実施形態によれば、このような分布が重なる範囲にゲート９０１ａを設定してヒストグラム９０５ａを参照することにより、細胞種の度数分布を確認できる。これにより、ユーザは、当該検体について、詳細な判断を行うことができ、たとえば、分布が重なる範囲において、各細胞種の細胞がどの程度含まれ得るかを判断できる。

図２６は、分析画面９００の他の例を示す図である。分析画面９００には、スキャッタグラム９０１、拡大ボタン９０３、拡大図９０４、細胞種選択領域９０６、および統計情報として３次元ヒストグラム９０７が表示されている。

細胞種選択領域９０６には、細胞種を選択するためのチェックボックスが設けられている。細胞種選択領域９０６には、細胞種選択領域９０６内の表示範囲を変更して全ての細胞種を表示可能とするためのスクロールバーが設けられている。３次元ヒストグラム９０７は、ゲート９０１ａ内の全ての細胞を、選択された細胞種における確率ごとに集計した度数分布情報である。３次元ヒストグラム９０７は、選択された細胞種ごとのヒストグラムを、前後方向に並べて３次元的に表示する。図２６の例では、細胞種選択領域９０６においてリンパ球と単球が選択されているため、３次元ヒストグラム９０７には、リンパ球のヒストグラムと単球のヒストグラムが合わせて表示されている。

図２６の分析画面９００によれば、ユーザは、２以上の細胞種を選択して３次元ヒストグラム９０７を参照することにより、２以上の細胞種の度数分布を同時に確認できる。図２５の例では、画面内に２つのヒストグラム９０５ａが同時に表示されたが、図２６の例では、３以上の細胞種が選択されることにより、画面内に３以上のヒストグラムが表示される。このように図２６の画面によれば、ユーザは、図２５の画面に比べて、さらに多くの度数分布を同時に把握できる。また、ユーザは、確率毎の度数比較を容易に行うことができる。

なお、図２６の３次元ヒストグラム９０７は、図２５に示したヒストグラム９０５ａを奥行き方向に複数並べたヒストグラムであったが、これに代えて、複数の細胞種の確率の分布状態が、サーフェスプロット等により表示されてもよい。

図２７は、分析画面９００の他の例を示す図である。図２７の分析画面９００には、スキャッタグラム９０１、拡大ボタン９０３、拡大図９０４および個数表示領域９０８が表示されている。

個数表示領域９０８には、ゲート９０１ａ内の全ての細胞について、細胞種ごとに確率が０％より大きい細胞を集計した計数値が、統計情報として棒グラフで表示される。この場合、ゲート９０１ａ内の複数の細胞が重畳して計数されるため、個数表示領域９０８内の計数値の合計は、ゲート９０１ａ内の細胞の実際の個数よりも多くなる。例えば、図２７のゲート９０１ａに、単球９０％、好中球５％、幼若顆粒球５％の確率情報をもつ細胞が１つ含まれているとする。この場合、その細胞は単球、好中球、幼若顆粒球のそれぞれについて１カウントとして計数される。つまり、複数の細胞種に属する確率が０％以上あれば、その細胞の個数は、複数の細胞種に重畳してカウントされる。なお、集計方法はこれに限られず、確率に応じて個数を１以下の小数で表して計数してもよい。例えば、上記の例のごとく、単球９０％、好中球５％、幼若顆粒球５％の確率情報をもつ細胞がゲート９０１ａの参照範囲に１つ含まれている場合、０．９個の単球と、０．０５個の好中球と、０．０５個の幼若顆粒球が含まれるとみなして集計してもよい。

個数表示領域９０８内の棒グラフには、細胞種の計数結果が所定の閾値（たとえば、１０個等）より少ない場合、細胞種の計数値が付記される。図２７の例では、幼若顆粒球の計数値が５個であったため、幼若顆粒球の棒グラフに「５」が付記されている。また、個数表示領域９０８には、個数表示領域９０８内の表示範囲を変更して全ての細胞種を表示可能とするためのスクロールバーが設けられている。

図２７の分析画面９００によれば、ユーザは、個数表示領域９０８を参照することにより、ゲート９０１ａにおいて、細胞種ごとの個数を確認できる。確率が所定のパーセンテージを超える細胞は１つとしてカウントされるため、多数派の細胞種と少数派の細胞種を確認する際に便利である。また、個数表示領域９０８において計数値が小さい細胞種については、計数値の程度を確認できるような補助表示として計数値が付記されるため、計数値の小さい細胞種の計数値を明確に確認できる。これにより、ユーザは、希少な細胞種が当該検体に含まれ得る可能性を円滑に判断できる。

なお、個数表示領域９０８には、確率が０％より大きい細胞種を計数した計数値が表示されたが、計数のための閾値は０％に限らず、０％より大きく１００％未満の任意の値を設定してもよい。また、計数のための閾値を受付可能なユーザーインタフェース（たとえば、図３１の確率選択領域９１０）が、画面内に設けられてもよい。

図２８は分析画面９００の他の例を示す図である。分析画面９００には、スキャッタグラム９０１および詳細表示領域９１３が表示されている。

ユーザがスキャッタグラム９０１上のドットを選択する操作を行うと、選択されたドットに対応する細胞についての統計情報が詳細表示領域９１３に表示される。詳細表示領域９１３は、領域９１３ａ～９１３ｄを有する。領域９１３ａは、選択されたドットにプロットされた一又は複数の細胞（以下、選択された細胞）について、確率が高い細胞種を上位２つ表示する。領域９１３ｂは、選択された細胞について、白血球５分類のうち確率が最も高い細胞種を表示する。領域９１３ｃは、選択された細胞について、確率が最も高い異常細胞種を表示する。領域９１３ｄは、選択された細胞について、存在する可能性がある細胞種、すなわち確率が０％より大きい細胞種をすべて表示する。

図２８の分析画面９００によれば、ユーザは、詳細表示領域９１３を参照することにより、選択した細胞がどのような細胞種に分類される可能性があるのかを把握できる。

なお、領域９１３ａ～９１３ｄに表示される細胞種名の近傍に、当該細胞種の確率が合わせて表示されてもよい。選択された細胞が一つだけである場合は、該当する細胞の確率情報を表示することができる。選択された細胞が複数ある場合は、複数の細胞の細胞種の確率の代表値を求めて表示してもよい。代表値は、例えば平均値、中央値、最頻値で表すことができる。また、領域９１３ａには、最上位の細胞種のみを表示してもよいし、または、上位３つ以上の細胞種が表示されてもよい。領域９１３ｂ、９１３ｃには、上位２つ以上の細胞種が表示されてもよい。領域９１３ｄには、確率が所定の閾値より大きい細胞種が表示されてもよい。

図２９は、検査結果表示プロセスの第３例を示したフローチャートである。ステップＳ４１４において、プロセッサ３００１は、スキャッタグラム９０１上で選択されたドットに対応する細胞の数を閾値と比較する。細胞の数が閾値以下であれば、プロセッサ３００１は、ステップＳ４１６において分類情報を細胞毎に個別表示する。細胞毎の分類情報の個別表示は、図２０～図２３を参照して説明したとおりである。細胞の数が閾値より多ければ、プロセッサ３００１は、ステップＳ４１５において分類情報を集計して統計情報を表示する。統計情報の表示は、図２５～図２８を参照して説明したとおりである。

上述したとおり、複数のドットを一度に選択したり、広範囲のゲート９０１ａを設定したりすると、表示対象となる細胞の数が多すぎる場合が生じ、分類情報を細胞毎に個別表示するとユーザにとって視認性が下がる場合がありえる。一方、選択されたドットに対応する細胞の数が少ない場合には、個別の細胞の分類情報を表示できるようにした方がユーザの目的に適う場合がある。例えば、図２８のスキャッタグラム９０１上で選択されているドットのように、細胞のクラスタの中心から離れた位置や、細胞の分布が疎である位置がユーザによって選択された場合、細胞を集団としてではなく個別に分析することを望んでいる場合もある。そこで、図２９の例では、選択されたドットの数が所定の閾値以下である場合には細胞の分類情報を個別表示し、選択されたドットの数が所定の閾値より大きい場合には個別表示ではなく統計表示することで、自動的に、ユーザにとって視認性の高い画面を提供することができる。

図３０は、検査結果表示プロセスの第４例を示した図である。上述の検査結果プロセスの第１例～第３例では、スキャッタグラム９０１の上で目的とする細胞のドットを選択することにより、そのドットに対応する細胞の分類情報を表示する例を示した。以下に説明する図３１～図３８の例では、グラフを含む分析画面９００が表示され（ステップＳ４１７）、定義された抽出条件を満たす細胞のドットがハイライト表示される（ステップＳ４１８）。ステップＳ４１８では、スキャッタグラム９０１上でドットを選択するのではなく、抽出対象とする細胞の条件をユーザが定義すると、その条件を満たす細胞が抽出されてグラフに表示される。

図３１は、分析画面９００の他の例を示す図である。分析画面９００には、スキャッタグラム９０１、細胞種選択領域９０９および確率選択領域９１０が表示されている。

細胞種選択領域９０９および確率選択領域９１０は、いわゆるプルダウンメニューにより構成されている。細胞種選択領域９０９は、ユーザによって選択された測定チャンネル（図３１ではＷＤＦチャンネル）に対応した全ての細胞種から１つの細胞種を選択可能に構成されている。確率選択領域９１０には、選択肢として、確率の数値が０％～１００％の範囲内で、５％間隔で選択可能に表示される。具体的には、確率選択領域９１０は、「＝１００％」、「＞９５％」、「＞９０％」、…、「＞５％」、「＞０％」、「＝０％」などの、等号または不等号に確率を合わせた文字列を選択可能に構成されている。

ユーザが、細胞種選択領域９０９において目的とする細胞種を選択し、確率選択領域９１０において確率を選択すると、スキャッタグラム９０１上の対応するドットがハイライト表示される。図３１に示す例では、細胞種として好塩基球が選択され、確率として「＞８５％」が選択されている。この場合、好塩基球の確率が８５％より大きい細胞のドット（領域９０１ｂ内のドット）が、スキャッタグラム９０１上でハイライト表示される。ハイライト表示は、例えばドットの色を他のドットと異なる色で表示する、ドットの輪郭を強調表示する、ドットを点滅させるなど、抽出されたドットと他のドットとを区別できる表示方法であればよい。

図３１の画面によれば、ユーザは、抽出条件として、目的とする細胞種と確率を定義することにより、スキャッタグラム９０１上における条件に合致する細胞の位置を把握できる。これにより、ユーザは、分類情報（細胞種と確率）によって分類される細胞が、従来のスキャッタグラム９０１上においてどの位置に存在するかを把握でき、たとえば、分類情報による分類の精度を判断する際の材料とすることができる。

図３２は分析画面９００の他の例を示す図である。図３２の分析画面９００は、確率選択領域９１０に代えて、確率の数値選択のためのスケールバー９１０ａと、抽出対象選択領域９１０ｃとを備える。スケールバー９１０ａは、左右にスライド可能なポインタ９１０ｂを備えている。ユーザはポインタ９１０ｂを左右に移動させることで、０％～１００％の範囲内の任意のパーセンテージを選択することができる。抽出対象選択領域９１０ｃには、スケールバー９１０ａにおいて選択されるパーセンテージと組み合わされる不等号が選択可能に表示される。例えば、図３２に示すように細胞種選択領域９０９において細胞種として好塩基球が選択され、スケールバー９１０ａにおいて８０％の位置にポインタ９１０ｂが置かれ、抽出対象選択領域９１０ｃにおいて「＞」が選択されると、抽出条件は「好塩基球の確率＞８０％」となる。スキャッタグラム９０１では、「好塩基球の確率＞８０％」の抽出条件を満たす細胞のドットがハイライト表示される。

ユーザがスケールバー９１０ａにおいてポインタ９１０ｂを移動すると、これに伴って抽出条件に含まれるパーセンテージの数値範囲が連続的（段階的）に変更される。抽出条件が変更されると、これに追随して、スキャッタグラム９０１上で抽出されるドットが動的に変更される。

例えば、図３２に示す状態からポインタ９１０ｂを右にスライドさせると、抽出条件は「好塩基球の確率＞８０％」から「好塩基球の確率＞８５％」に変更される。この抽出条件の変更により、スキャッタグラム９０１上でハイライト表示される細胞のドットも、「好塩基球の確率＞８０％」から「好塩基球の確率＞８５％」に動的に変化する。つまりハイライト表示されるドットの数が減る。逆に、ポインタ９１０ｂを左にスライドさせると、抽出条件は「好塩基球の確率＞８０％」から「好塩基球の確率＞７５％」に変更される。この抽出条件の変更により、スキャッタグラム９０１上でハイライト表示される細胞のドットも、「好塩基球の確率＞８０％」から「好塩基球の確率＞７５％」に動的に変化する。つまりハイライト表示されるドットの数が増える。

このように、スケールバー９１０ａのポインタ９１０ｂをスライドさせることで抽出条件を連続的に変化させ、これに伴ってスキャッタグラム９０１上に表示される抽出条件に合致する細胞のドットのハイライト表示を動的に変化させることで、ユーザは、目的とする細胞がスキャッタグラム９０１上のどの位置にあるかを容易に把握することができる。

図３３は、分析画面９００の他の例を示す図である。図３３は、抽出条件の設定に関する他の例を示している。図３３の分析画面９００は、抽出条件１、抽出条件２、抽出条件３をそれぞれ設定するための条件設定領域９１０ｄ、９１０ｅ、９１０ｆを備えている。条件設定領域９１０ｄ、９１０ｅ、９１０ｆは、それぞれ、図３１に示す細胞種選択領域９０９と確率選択領域９１０に相当するプルダウンメニューを備えている。条件設定領域９１０ｄ、９１０ｅ、９１０ｆの間には、二つの演算子設定領域９１０ｇ、９１０ｈが設けられている。演算子設定領域９１０ｇ、９１０ｈは、いずれもプルダウンメニューにより構成され、抽出条件１～３を組み合わせるための論理演算子を設定できる。論理演算子の選択肢は、「ＡＮＤ」、「ＯＲ」、「ＮＯＴ」などである。図３３の例では、論理演算子はいずれも「ＡＮＤ」である。

各条件設定領域９１０ｄ、９１０ｅ、９１０ｆにおいて抽出条件１～３が定義され、演算子設定領域９１０ｇ、９１０ｈにおいて論理演算子が設定されることで、抽出条件１～３が論理演算子によって連結された複合条件が定義される。スキャッタグラム９０１には、定義された複合条件を満たす細胞のドット（領域９０１ｂ内のドット）がハイライト表示される。図３３の例のように、細胞種と確率の１対１の組み合わせによる抽出条件は１つだけでなく、複数の抽出条件を組み合わせた複合条件により細胞を抽出することで、より詳細な抽出条件の設定が可能になる。

図３４は、分析画面９００の他の例を示す図である。図３４の画面には、スキャッタグラム９０１、第１ヒストグラム９１０ｉ、第２ヒストグラム９１０ｊおよび表示領域９１０ｋが表示されている。

図３４に示す例では、分析画面９００にデフォルトでスキャッタグラム９０１のみが表示される。ユーザは、表示されたスキャッタグラム９０１の上で特定の種類の細胞集団を選択することができる。例えば、ユーザがカーソルをスキャッタグラム９０１上の特定の細胞集団に重ねると、その細胞集団が選択される。

図３４では、リンパ球の集団が選択された状態を示している。特定の種類の細胞集団が選択されると、選択された細胞集団の確率分布を表す第１ヒストグラム９１０ｉと、選択された細胞集団に対応する異常細胞に関する確率分布を表す第２ヒストグラム９１０ｊが分析画面９００に表示される。第１ヒストグラム９１０ｉおよび第２ヒストグラム９１０ｊは、例えば図２５のヒストグラム９０５ａと同様であり、確率の軸に対して細胞の個数を表す。選択された細胞集団に対応する異常細胞とは、選択された細胞集団と形態学的に類似する異常細胞のことをいう。異常細胞とは選択された細胞集団に応じて、予め決められた対応関係に基づいて決まる。例えば、リンパ球が選択された場合、異常細胞は異常リンパ球又は芽球がありえる。例えば単球が選択された場合、異常細胞は芽球がありえる。例えば好酸球又は好塩基球が選択された場合、異常細胞は幼若顆粒球がありえる。

図３４の例では、特定の細胞集団を選択すると、選択された細胞集団に対応する異常細胞の確率を持った細胞が抽出され、それらの確率の分布が第２ヒストグラム９１０ｊとして表示される。ユーザは、選択した細胞集団の確率分布と、異常細胞の確率分布を対比することで、選択した細胞集団の確率分布がどれだけ１００％に近いかを把握することができる。あるいは、逆に、選択した細胞集団のうち異常細胞である確率のある細胞がどれだけ含まれているかを統計的に把握することができる。

図３４の分析画面９００は、第１ヒストグラム９１０ｉおよび第２ヒストグラム９１０ｊに加えて、統計情報に基づいた指標を表示する表示領域９１０ｋを備えている。表示領域９１０ｋには、例えば「リンパ球集団のうち、異常リンパ球の確率を含む細胞の割合１５％（前回値：１２％）」と表示される。すなわち表示領域９１０ｋは、選択された細胞集団を母集団とする、対応する異常細胞の確率を持つ細胞の割合を指標として表示する。

図３４の例では、母集団に対する標本を「異常細胞の確率を持つ細胞」と定義しているが、標本の定義はこれに限られない。例えば、「異常細胞である確率が順位第２位である細胞」とすることもできる。こうすれば、より異常細胞である確率の高い細胞のみを取り出して指標を計算することができ、ノイズを減らすことができる場合がある。また、指標は割合のような定量的な指標に限られず、異常細胞の確率を持つ細胞の絶対数に応じて、段階的にレベルを表示するような定性的な指標であってもよい。

図３４の例では、特定の細胞集団に対応して、異常細胞の確率を持つ細胞の数または割合を容易に把握することができる。上述の図２５～図２８では、スキャッタグラム９０１上の特定の細胞または細胞集団をユーザが任意に指定できる点で有利であるが、スキャッタグラム９０１上で特定の細胞集団のみを指定することは困難な場合がありえる。クラスタの周縁に存在する細胞が隣接するクラスタと重複している場合や、クラスタから離れている場合は特に難しい可能性がある。図３４の例では、カーソルをスキャッタグラム９０１上の特定の細胞集団に重ねるだけで、例えば、リンパ球の集団に重ねるだけで、リンパ球を主細胞とする細胞集団を選択できる。また、自動的にリンパ球に対応する異常細胞である異常リンパ球の確率を持つ細胞が抽出されて確率分布や指標が表示されるため、ユーザは、主細胞としては正常細胞であるが異常細胞である確率をもつ細胞がどの程度含まれるかを容易に認識できる。

図３５は、分析画面９００の他の例を示す図である。図３５の画面には、スキャッタグラム９０１、細胞種選択領域９０９およびヒストグラム９１１が表示されている。

図３５は、表示対象の測定チャネルとしてＷＰＣチャンネルが指定された例を図示している。このため、スキャッタグラム９０１は、当該測定チャンネルに対応する全細胞の特徴パラメータに基づいて表示され、細胞種選択領域９０９は、表示対象の細胞種として、成熟白血球、異常リンパ球および芽球などの、ＷＰＣチャンネルに対応付けられている全細胞種を選択可能に構成される。

ユーザが細胞種選択領域９０９において細胞種を選択する操作を行うと、選択された細胞種に基づいてヒストグラム９１１が表示される。ヒストグラム９１１は、選択された細胞種を確率ごとに集計した度数分布情報である。ヒストグラム９１１において、横軸は確率であり、縦軸は細胞の個数である。ユーザがヒストグラム９１１上の棒グラフを選択する操作を行うと、スキャッタグラム９０１上の対応するドット（領域９０１ｃ内のドット）がハイライト表示される。図３５に示す例では、細胞種として異常リンパ球が選択され、確率７０％の棒グラフが選択されている。この場合、異常リンパ球の確率が７０％台である細胞のドット（領域９０１ｃ付近に分布している細胞）が、スキャッタグラム９０１上でハイライト表示される。

図３５の分析画面９００によれば、図３１～図３３の分析画面９００と同様、ユーザは、細胞種と確率を選択することにより、スキャッタグラム９０１上において条件に合致する細胞の位置を把握できる。これにより、ユーザは、分類情報（細胞種と確率）によって分類され得る細胞が、従来のスキャッタグラム９０１上においてどの位置に存在するかを把握できる。

上述の図３１～図３５の例では、細胞種と確率の組み合わせからなる抽出条件を満たす細胞のドットをスキャッタグラム９０１上に表示する例を示した。スキャッタグラム９０１に代えて、図３６～図３８に示すように、抽出条件を満たす細胞の個数をヒストグラムによって表示してもよい。

図３６～図３８の分析画面９００には、確率選択領域９１０および個数表示領域９１２が表示されている。

図３６の分析画面９００において、ユーザが確率選択領域９１０において確率を選択する操作を行うと、個数表示領域９１２に、対象となる測定チャンネルに対応する全ての細胞のうち、確率選択領域９１０で選択された確率に対応する細胞の個数が、細胞種ごとに表示される。個数表示領域９１２には、上から下に向かって個数の多い順に細胞種が並ぶように設定する降順ボタン９１２ａと、上から下に向かって個数の少ない順に細胞種が並ぶように設定する昇順ボタン９１２ｂとが設けられている。図３６は、降順ボタン９１２ａが操作された状態を示しており、図３７は、昇順ボタン９１２ｂが操作された状態を示している。また、図３８は、図３７の画面において、確率条件として「＞２０％」が設定された状態を示している。

図３６～図３８の画面によれば、ユーザは、確率選択領域９１０で確率を選択した後、降順ボタン９１２ａを操作することにより、図３６に示すように、個数が降順に並ぶように個数表示領域９１２の表示を設定でき、昇順ボタン９１２ｂを操作することにより、図３７に示すように、個数が昇順に並ぶように個数表示領域９１２の表示を設定できる。これにより、ユーザは、選択した条件の確率に応じた細胞種のうち、たとえば、個数の多い細胞種や個数の少ない細胞種を円滑に確認できる。

ユーザは、図３７に示す状態から、確率選択領域９１０において他の確率を再度選択することにより、図３８に示すように、再選択された確率に応じて個数表示領域９１２の表示を設定し直すことができる。このように、確率選択領域９１０を操作することにより、異なる確率条件に基づく細胞種の個数を円滑に確認できる。

なお、図３６～図３８においてもスキャッタグラム９０１が設けられてもよい。この場合、個数表示領域９１２上の棒グラフが選択されると、スキャッタグラム９０１において、選択された棒グラフに対応する細胞（点）がハイライト表示されてもよい。また、図３６～図３８においてもヒストグラム９１１（図３５参照）が設けられてもよい。この場合、個数表示領域９１２上の棒グラフが選択されると、選択された棒グラフの細胞種に関する確率の分布状況がヒストグラム９１１に表示されてもよい。

図３９（ａ）、（ｂ）は、上記スキャッタグラム９０１の他の構成を模式的に示す図である。

図３９（ａ）に示すスキャッタグラム９０１には、特徴パラメータ（図３９（ａ）ではＳＳＣＰ、ＳＦＬＰ）に応じた細胞のプロットとともに、細胞種ごとの確率に応じた細胞の分布情報が重ね合わされている。この場合の分布情報は、確率が同じ細胞を等高線状に繋いだ縞模様と、確率が同程度の範囲を濃淡で表した分布領域とにより構成される。図３９（ａ）では、確率が高いほど、分布領域が濃い色で示されている。また、図３９（ａ）では、特徴パラメータに基づく細胞（点）が、スキャッタグラム９０１上にプロットされたが、図３９（ｂ）のように、特徴パラメータに基づく細胞のドットは、スキャッタグラム９０１上においてプロットされなくてもよい。

図３９（ａ）、（ｂ）に示すスキャッタグラム９０１によれば、特徴パラメータに基づく従来のスキャッタグラム９０１に、細胞種ごとの確率に応じた細胞の分布情報が合わせて表示される。これにより、ユーザは、従来のスキャッタグラム９０１において、細胞種の確率がどのように分布しているかを視覚的に把握できる。

図４０は、検査結果表示プロセスの第５の例を示すフローチャートである。上述の第１～第４の例では、分析画面９００は、詳細画面８００のスキャッタグラムをダブルクリックすることにより表示された。第５の例では、図１９の詳細画面８００において「リサーチ」タブが選択された場合に、分析画面９００に代えて、リサーチ画面９００Ｒが表示される（ステップＳ４１９）。この例では、主細胞種に基づく分析結果が検体一覧画面７００と詳細画面８００に表示され、主細胞種以外の細胞種に関する情報または分析結果画面はリサーチ画面９００Ｒにのみ表示される。そして、リサーチフラグに基づき、選択された細胞種の分類情報が読み出され、グラフが表示される（ステップＳ４２０）。

図４１の画面は、リサーチ情報ボタン９２１が操作された場合に表示される画面の一例である。図４１の画面には、細胞種選択領域９３３および個数表示領域９３４が表示されている。細胞種選択領域９３３は、指定された測定チャンネルに関する細胞種を選択可能なチェックボックスを含む。

ユーザが細胞種選択領域９３３において細胞種を選択する操作を行うと、個数表示領域９３４には、選択された細胞種について、確率が０％より大きい細胞種を計数した計数値が、細胞種ごとに棒グラフで表示される。

このように、ユーザは、リサーチ情報ボタン９２１を操作した後、図４１の画面において、細胞種選択領域９３３で細胞種を選択することにより、個数表示領域９３４を参照して、副細胞についての詳細な分析結果を確認できる。すなわち、図４１に示すように、リサーチ情報表示モードでは、通常、主細胞にはなり得ない芽球や異常リンパ球の個数も表示されるため、ユーザは、リサーチ情報表示モードで表示された分析結果に基づいて、さらに詳細な分析を行うことができる。

図４２の画面は、リサーチ情報ボタン９２１が操作された場合に表示される画面の一例である。図４２の画面には、細胞種選択領域９３３、ヒストグラム９３５およびスキャッタグラム９３６が表示されている。

ユーザが細胞種選択領域９３３において細胞種を選択する操作を行うと、選択された細胞種に基づいてヒストグラム９３５が表示される。ヒストグラム９３５は、当該測定チャンネルに対応する全ての細胞を、選択された細胞種における確率ごとに集計した度数分布情報である。ユーザがヒストグラム９３５の棒グラフを選択すると、スキャッタグラム９３６上の対応する細胞（点）（領域９３６ａ内のドット）がハイライト表示される。図４２に示す例では、細胞種として芽球が選択され、確率５０％の棒グラフが選択されている。この場合、芽球の確率が５０％台である細胞（領域９３６ａ付近に分布している細胞）が、スキャッタグラム９３６上でハイライト表示される。

このように、ユーザは、リサーチ情報ボタン９２１を操作した後、図４２の画面において、細胞種選択領域９３３で細胞種を選択し、ヒストグラム９３５で棒グラフを選択することにより、さらに詳細な分析結果を確認できる。

なお、図４２の細胞種選択領域９３３で複数の細胞種が選択された場合、図２６の３次元ヒストグラム９０７のように、ヒストグラム９３５に複数の細胞種のグラフが表示される。また、ヒストグラム９３５において複数の棒グラフが選択された場合、スキャッタグラム９３６上の対応する細胞（点）が全てハイライト表示される。

［７．ホストコンピュータ送信プロセス］
次に、処理ユニット３００からホストコンピュータ５００に送られるデータ（以下、「出力用データ」という）について説明する。図４３は、ホストコンピュータ送信のサブルーチンを示すフローチャートである。

処理ユニット３００のプロセッサ３００１は、ユーザからバリデート操作を受け付け、バリデート操作に応じてホストコンピュータ５００へ送信するための出力用データを生成する（ステップＳ１４１）。

図１８及び図１９を参照して説明したように、検査結果画面である検体一覧画面７００および詳細画面８００には、画面間で共通して表示されるバリデートアイコン７１０ｄが表示される。ユーザは、上述の検査結果画面を確認して検査結果に対して検証（verification）を行う。検証の結果、結果をホストコンピュータ５００へ報告可能であるとユーザが判断すると、ユーザは、バリデートアイコン７１０ｄをクリックする。なお、ユーザが、対象となる検体に対してバリデートを実行せず、対象となる被検者に対して再検査を設定する場合は、測定登録アイコン７１０ｃを操作して再検査のための検査オーダを作成する。

バリデート操作が行われると、プロセッサ３００１は、記憶部３００４に格納された分析結果データに基づいて、ホストコンピュータ５００へ送信するための出力用データを生成する（ステップＳ１４１）。そして、プロセッサ３００１は、生成した出力用データをホストコンピュータ５００に送信する（ステップＳ１４２）。

図４４（ａ）～図４５（ｂ）は、プロセッサ３００１により生成されホストコンピュータ５００に送信される出力用データの構成を模式的に示す図である。出力用データは、検査結果データから所定の細胞種に対応する分類情報が除かれることにより構成されればよく、たとえば、図４４（ａ）～図４５（ｂ）の何れかに示すように構成される。

図４４（ａ）に示す出力用データは、検体ＩＤ、測定結果、測定チャンネル、細胞ＩＤ、主細胞種に関する識別情報、および主細胞種に関する確率により構成される。すなわち、図４４（ａ）に示す出力用データは、図１２～１６に示した検査結果データから、図４４（ａ）に示す出力用データ以外のデータが除かれたものである。

図４４（ｂ）に示す出力用データは、検体ＩＤ、測定結果、測定チャンネル、細胞ＩＤ、確率が高い上位２つの細胞種に関する識別情報および確率が高い上位２つの細胞種に関する確率により構成される。すなわち、図４４（ｂ）に示す出力用データは、図４４（ａ）に示す出力用データに、２番目に確率が高い細胞種に関する識別情報および確率が付加されたものである。なお、図４４（ｂ）に示す出力用データは、上位２つの細胞種および確率を有することに限らず、上位から所定の順位までの細胞種および確率を有してもよい。

図４５（ａ）に示す出力用データは、検体ＩＤおよび測定結果により構成される。すなわち、図４５（ａ）に示す出力用データは、図１２～１６に示した検査結果データから、図４５（ａ）に示す出力用データ以外のデータが除かれたものである。すなわち、出力用データは、確率に関する情報を全く含んでいない。

図４５（ｂ）に示す出力用データは、検体ＩＤ、測定結果および異常細胞の検出情報により構成される。すなわち、図４５（ｂ）に示す出力用データは、図４５（ａ）と同様の出力用データに対して、測定結果に異常細胞の検出情報が付加されたものである。確率が０％より大きい異常細胞（たとえば、異常リンパ球や芽球）の個数が検体中に所定数以上存在する場合、検査結果データの生成時に、当該異常細胞が検出された事実が、異常細胞の検出情報として測定結果に付加される。異常細胞の検出情報は、たとえば、「異常リンパ球が検出されました」、「Abn LYMPH?」、「芽球が検出されました」、「Blast?」などの文字列である。異常細胞の検出情報は、検出された異常細胞の細胞種とその個数であってもよい。異常細胞の検出情報は、たとえば、図１８の測定結果表示領域９３２に表示される。

以上のように、ホストコンピュータ５００には、計数結果を含み、関連性に関する情報（細胞種および確率など）のうち少なくとも一部が除かれた出力用データが送信される。上記のように、細胞ごとに複数の細胞種に対応付けられた確率が取得されると、検査結果データの容量が膨大になる。したがって、検査結果データが全てホストコンピュータ５００に送信されると、データ送信による通信負荷が大きくなってしまう。これに対し、図４４（ａ）～図４５（ｂ）に示した出力用データによれば、膨大な検査結果データが全て送信されるのではなく、ホストコンピュータ５００の管理に必要なデータのみが送信される。これにより、ホストコンピュータ５００における適切なデータ管理と、効率的なデータ送信の両方を実現できる。

図４４（ａ）～図４５（ｂ）に示す出力用データに、特徴パラメータやスキャッタグラムが含められてもよい。

また、ここでは、プロセッサ３００１は、出力用データを図４４（ａ）～図４５（ｂ）に示すいずれかの構成となるよう生成した。しかしながら、出力用データの構成は、ユーザの指示に応じて設定されてもよい。

図４６（ａ）、（ｂ）は、それぞれ、出力用データに含めるデータを選択するための画面の構成を模式的に示す図である。

図４６（ａ）の画面には、細胞種選択領域９５１とＯＫボタン９５２が表示されている。細胞種選択領域９５１には、細胞種を選択するためのチェックボックスが設けられている。ユーザが、細胞種選択領域９５１において細胞種を選択する操作を行い、ＯＫボタン９５２を操作すると、処理ユニット３００のプロセッサ３００１は、設定内容を記憶部３００４に記憶する。プロセッサ３００１は、次回から出力用データを生成する際に、設定された細胞種と、設定された細胞種に対応する確率とを出力用データに含める。

図４６（ｂ）の画面には、細胞範囲選択領域９６１とＯＫボタン９６２が表示されている。細胞範囲選択領域９６１には、細胞種の範囲を選択するためのチェックボックスが設けられている。細胞範囲選択領域９６１では、「主細胞種のみ」、「主細胞種以外の副細胞種」、「全ての細胞種」、「送信しない」、などの細胞種の範囲を選択可能である。「主細胞種のみ」が選択されると、全ての識別情報および確率のうち、主細胞種の識別情報および確率のみが出力用データに含められる。「主細胞種以外の副細胞種」が選択されると、全ての識別情報および確率のうち、主細胞種以外の全ての副細胞種の識別情報および確率のみが出力用データに含められる。「全ての細胞種」が選択されると、全ての識別情報および確率が出力用データに含められる。「送信しない」が選択されると、全ての識別情報および確率が出力用データに含められない。

ユーザが、細胞範囲選択領域９６１において細胞種の範囲を選択する操作を行い、ＯＫボタン９６２を操作すると、プロセッサ３００１は、設定内容を記憶部３００４に記憶する。プロセッサ３００１は、次回から出力用データを生成する際に、設定された細胞種の範囲に基づいて出力用データを生成する。

［８．プロセッサおよび並列処理プロセッサの構成］
（構成例１）
次に、測定ユニット４００に搭載される並列処理プロセッサ４８３３の構成について再び図２を参照して詳細に説明する。以下、プロセッサ４８３１および並列処理プロセッサ４８３３に関して構成例１を説明する。

図２を参照して説明したとおり、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４８３５ａ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４８３５ａ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Ｃｏｒｅｉ９、Ｃｏｒｅｉ７、Ｃｏｒｅｉ５、ＡＭＤ社製のＲｙｚｅｎ９、Ｒｙｚｅｎ７、Ｒｙｚｅｎ５、Ｒｙｚｅｎ３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、ＪｅｔｓｏｎＮａｎｏ、ＪｅｔｓｏｎＴｘ２、ＪｅｔｓｏｎＸａｖｉｅｒ、ＪｅｔｓｏｎＡＧＸＸａｖｉｅｒ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６０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４７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４８～図５０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４８～図５０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１００に搭載されている例を示す。図４８及び図４９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４８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４９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５０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５０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５１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５１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１００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ＮｅｕｒａｌＣｏｍｐｕｔｅＳｔｉｃｋ２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１００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５２、図５３（ａ）、（ｂ）および図５４は、プロセッサ４８３１上で動作する解析ソフトウェア４８３５ａ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５２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４８３５ａ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５３（ａ）、（ｂ）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５３（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５３（ａ）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５３（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５３（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５４は、図５３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５４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５３（ａ）、（ｂ）および図５４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４８３５ａ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５３（ａ）、（ｂ）及び図５４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５５（ａ）、（ｂ）は、畳み込み層に関する演算処理の概要を示す。

図５５（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５を参照して説明した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。図５５（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６０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。図５５（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に対応する特徴が計算される。図５５（ｂ）は、波形データとフィルタとの行列演算の概要を示す。図５５（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５５（ａ）、（ｂ）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。

次に図５６を参照して、図１０のフローチャートにおけるステップＳ１３の細胞分類の処理について説明する。

ステップＳ１３の細胞分類の処理は、解析ソフトウェア４８３５ａ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（ステップＳ１０１）。プロセッサ４８３１は、図５２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（ステップ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５７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信する（ステップＳ１０３）。演算結果は、例えば、図５２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の解析結果を生成する（ステップＳ１０４）。

図５７は、解析ソフトウェア４８３５ａ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４８３５ａ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（ステップ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５４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（ステップ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（ステップ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５８及び図５９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１００の他の構成例を説明する。本構成例２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５８は、構成例２の測定ユニット４００のブロック図を示す。

図５８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１～図５７及びその関連記載で説明された構成例１の測定ユニット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５９は、構成例２の処理ユニット３００のブロック図を示す。

図５９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５９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１００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４７～図５７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５８及び図５９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６０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１００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５８及び図５９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５８及び図５９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。この場合、接続ケーブル４２０２は、好ましくはツイストペアケーブルである。

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５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５２に示された解析ソフトウェア４８３５ａ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５２、図５３（ａ）、（ｂ）、図５４、図５６、図５７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に関する分類情報を生成する。

この図５８、図５９に示される構成例２の細胞分析装置１００の場合、図１０に示すフローチャートのうち、ステップＳ１２の波形データおよび特徴パラメータの生成と、ステップＳ１３の深層学習アルゴリズムによる細胞分類が処理ユニット３００において行われる。ステップＳ１４（分類情報の送信）は省略される。図５６、図５７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。

（構成例３）
図６１及び図６２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１００の他の構成例を説明する。本構成例３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１００に搭載される。

図６１は、構成例３の測定ユニット４００のブロック図を示す。

図６１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２、図４７及びその関連記載で説明された構成例１の測定ユニット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６２は、構成例３の処理ユニット３００のブロック図を示す。

図６２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５９及びその関連記載で説明された構成例２の処理ユニット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６０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６２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５２に示された解析ソフトウェア４８３５ａと同様の機能を有する。解析ソフトウェア３１００は、図５２、図５３（ａ）、（ｂ）、図５４、図５６、図５７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を解析する。

この図６１、図６２に示される構成例３の細胞分析装置１００の場合、図１０に示すフローチャートのうち、ステップＳ１３（細胞分類）が処理ユニット３００において行われる。ステップＳ１４（分類情報の送信）は省略される。図５６、図５７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６１、図６２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１００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６３、図６４、図６５、図６６、及び図６７を参照し、細胞分析装置１００の構成例４を説明する。

本構成例４では、図６３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６３、図６４、図６５、図６６、図６７の構成において、細胞分析装置１００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１００に搭載される。

図６４は、構成例４の測定ユニット４００の構成を図示する。

図６４に例示された測定ユニット４００の構成は、図６１およびその関連記載で説明された構成例３の測定ユニット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６５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６６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５２に示された解析ソフトウェア４８３５ａと同様の機能を有する。解析ソフトウェア６１００は、図５２、図５３（ａ）、（ｂ）、図５４、図５５（ａ）、（ｂ）、図５６、図５７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６７は、構成例４の処理ユニット３００の構成を示す。

図６７に示された処理ユニット３００は、図５９および図６２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６７に示されたプロセッサ３００１上では、図５９および図６２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６４、図６５、図６６、図６７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１００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６４、図６５、図６６、図６７に示される構成例４の細胞分析装置１００の場合、図１０に示すフローチャートのうち、ステップＳ１３（細胞分類）とステップＳ１４（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Ｓ１４で分類情報が処理ユニット３００へ送信される。図５６、図５７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６３、図６７および図６８を参照し、細胞分析装置１００の構成例５を説明する。

この構成例５の細胞分析装置１００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６８に示される構成例５の測定ユニット４００は、図５８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６８に示される構成例５の測定ユニット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６９に示される解析ユニット６００は、図６５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６９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１００に搭載されている。図６９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６６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５２に示された解析ソフトウェア４８３５ａと同様の機能を有する。解析ソフトウェア６１００は、図５２、図５３（ａ）、（ｂ）、図５４、図５５（ａ）、（ｂ）、図５６、図５７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６８、図６９に示される構成例５の細胞分析装置１００の場合、図１０に示すフローチャートのうち、ステップＳ１２のうち波形データおよび特徴パラメータの生成と、ステップＳ１３（細胞分類）、及びステップＳ１４（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において波形データの生成（ステップＳ１２）が行われ、デジタル信号に基づく細胞分類（ステップＳ１３）が解析ユニット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、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Ｓ１４）。図５６、図５７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。

［９．深層学習アルゴリズム６０のニューラルネットワーク構造および訓練］
（ニューラルネットワークの構造）
図７０（ａ）は、深層学習アルゴリズム６０を実現する畳み込ニューラルネットワークの構造を例示する。

ニューラルネットワークは、入力層６０ａと、出力層６０ｂと、入力層６０ａ及び出力層６０ｂの間の中間層６０ｃとを備え、中間層６０ｃが複数の層で構成されている。中間層６０ｃ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、情報が入力側の入力層６０ａから出力側の出力層６０ｂ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７０（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７０（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、訓練用入力データ及び分析用入力データとして一次元の行数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７０（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７０（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、以下の（式４－４）となる。ここで、ｉ＝１，…，Ｉ、ｊ＝１，…，Ｊである。Ｉは入力総数であり、Ｊは総出力数である。

（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７０（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。

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誤差関数を用いて重み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の分析方法において用いるニューラルネットワークの出力層では、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６０ｂ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。入力ｘは、以下の（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。

上記（式１３）で用いられた以下の（式１４）に示す記号は、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の分析方法では、確率的勾配降下法を用いる。

図７１を例として、深層学習アルゴリズム６０の訓練の概要を説明する。深層学習アルゴリズム６０は、上述したように、多層の中間層を含むニューラルネットワークにより構成される。訓練データとして、ニューラルネットワークの入力層６０ａには、予め細胞種が同定されている細胞の波形データが入力される。訓練データとして、ニューラルネットワークの出力層６０ｂには、確率データ７８が入力される。深層学習アルゴリズム６０によって分類する細胞種の数が図８に示すように９種類である場合、出力層６０ｂのノード数は９となり、各ノードに何れかの細胞種が割り当てられる。確率データ７８は、入力層６０ａに入力された波形データに対応する、予め同定された細胞種のラベル値の確率を１００％、その他の細胞種の確率を０％とするデータ群である。こうして入力層６０ａと出力層６０ｂに、それぞれ、訓練用データが入力され、ニューラルネットワークが訓練される。

［１０．実施形態の効果］
上述の実施形態によれば、例えば図２０に代表的に図示されるように、個々の細胞を複数の細胞種に分類した結果が表示される。従来の細胞分類方法では、例えば好中球と幼若顆粒球の特徴を持つ細胞は、いずれかの種類に択一的に分類されていたが、上述の実施形態では、そのような細胞は深層学習アルゴリズムによって好中球と幼若顆粒球のそれぞれに属する確率が求められ、それぞれの細胞種に対応する確率の値が表示される。ユーザは、例えば、異常細胞である確率を持つ細胞が含まれている検体に対して異常細胞の検出を目的とした再検査や目視検査を行うなど、より詳細な分析のアクションにつなげることができる。

６０深層学習アルゴリズム
８６ａ、８６ｂ、８６ｃ波形データ
１００細胞分析装置（分析装置）
４１０ＦＣＭ検出部（検出部）
４４０試料調製部
４８２Ａ／Ｄ変換部（信号処理部）
９０１スキャッタグラム（グラフ）
３００１、４８３１プロセッサ
３００２、４８３３並列処理プロセッサ
３０１５表示部
４１１３フローセル

Claims

細胞を含む検体を分析する分析方法であって、
前記検体から調製された測定試料に光を照射して細胞から生じる光を検出し、
検出された光に基づき、前記検体に含まれる複数の細胞の各々について、前記細胞の特徴データを取得し、
人工知能アルゴリズムを用いて前記特徴データを解析することで、各々の前記細胞を複数の細胞種に分類し、
分類した結果に基づく情報を表示する、
ことを特徴とする分析方法。
前記分類は、予め決められた複数の細胞種の中から、各々の前記細胞が形態学的に属する可能性のある複数の細胞種を前記特徴データに基づいて特定することを含む、請求項１に記載の分析方法。
前記複数の細胞種が、少なくとも１つの正常細胞と少なくとも１つの異常細胞とを含み、
前記分類は、各々の前記細胞が前記異常細胞に属する確率を求めることを含む、請求項２に記載の分析方法。
前記複数の細胞種は、リンパ球、単球、好酸球、好中球、好塩基球および異常血球を含む、請求項１～３のいずれか一項に記載の分析方法。
前記異常血球は、幼若顆粒球、芽球、異常リンパ球のうちの少なくとも１つを含む、請求項３または４に記載の分析方法。
前記分類結果に基づいて細胞を計数し、細胞を計数した結果を表示することをさらに含む、請求項１～５のいずれか一項に記載の分析方法。
前記データ解析は、
一つの細胞の前記特徴データを深層学習アルゴリズムに入力すること、および
前記深層学習アルゴリズムからの出力として、前記細胞を複数の細胞種に分類した結果を取得すること、を含む、請求項１～６のいずれか一項に記載の分析方法。
前記深層学習アルゴリズムは、細胞の特徴データおよび前記細胞の種類に関する情報を教師データとして訓練されている、請求項７に記載の分析方法。
前記検出は、光が照射されたフローセルを細胞が通過することで生じる光を検出することを含み、
前記特徴データの取得は、検出された光に応じて経時的に変化する波形信号を取得することを含む、請求項１～８のいずれか一項に記載の分析方法。
前記特徴データは、前記波形信号を複数時点でサンプリングすることで生成される波形データである、請求項９に記載の分析方法。
前記データ解析は、プロセッサと、前記プロセッサの命令下で動作する並列処理プロセッサとを用いて行われる、請求項１～１０のいずれか一項に記載の分析方法。
前記特徴データに基づいて検体に含まれる複数の細胞をプロットしたグラフを表示し、
前記グラフにおいて一又は複数の細胞が選択されたことに応じて、選択された前記細胞の分類結果を表示することをさらに含む、請求項１～１１のいずれか一項に記載の分析方法。
前記データ解析は、一つの細胞が複数の前記細胞種のそれぞれに該当する確率を求めることを含む、請求項１～１２のいずれか一項に記載の分析方法。
前記分類結果の表示は、前記確率を表示することを含む、請求項１３に記載の分析方法。
前記分類結果の表示は、確率の最も高い細胞種を表示することを含む、請求項１４に記載の分析方法。
前記分類結果に基づく情報の表示は、前記確率に基づいて生成される統計情報を表示することを含む、請求項１５に記載の分析方法。
前記特徴データに基づいて検体に含まれる複数の細胞をプロットしたグラフを表示し、
前記グラフにおいて一又は複数の細胞が選択されたことに応じて、選択された一又は複数の前記細胞の分類結果を表示することをさらに含む、請求項１～１６のいずれか一項に記載の分析方法。
前記特徴データに基づいて検体に含まれる複数の細胞をプロットしたグラフを表示し、
前記グラフにおいて複数の細胞が選択されたことに応じて、選択された複数の前記細胞の分類結果に基づく統計情報を表示することをさらに含む、請求項１～１７のいずれか一項に記載の分析方法。
前記特徴データに基づいて検体に含まれる複数の細胞をプロットしたグラフを表示し、
細胞の抽出条件の入力を受け付け、
前記分類情報に基づいて前記抽出条件を満たす細胞を抽出し、
前記グラフに表示された細胞のうち、抽出された前記細胞を他の細胞と区別して表示する、請求項１～１８のいずれか一項に記載の分析方法。
細胞を含む検体を分析する分析装置であって、
前記検体から測定試料を調製する試料調製部と、
前記試料調製部によって調製された前記測定試料に光を照射して細胞から生じる光を検出する検出部と、
検出された光に基づき、前記検体に含まれる複数の細胞の各々について、前記細胞の特徴データを取得する信号処理部と、
表示部と、
人工知能アルゴリズムを用いて前記特徴データを解析することで、各々の前記細胞を複数の細胞種に分類し、分類した結果に基づく情報を前記表示部に表示させる少なくとも一つのプロセッサと、を備える、
ことを特徴とする分析装置。