JP7352365B2 - 細胞の分析方法、深層学習アルゴリズムの訓練方法、細胞分析装置、深層学習アルゴリズムの訓練装置、細胞の分析プログラム及び深層学習アルゴリズムの訓練プログラム - Google Patents

Description

本明細書には、細胞の分析方法、深層学習アルゴリズムの訓練方法、細胞分析装置、深層学習アルゴリズムの訓練装置、細胞の分析プログラム及び深層学習アルゴリズムの訓練プログラムが開示される。

特許文献１には、末梢血中に含まれる血球等の細胞の種別を分析する細胞分析装置が開示されている。このような細胞分析装置では、例えばフローセル内を流れる末梢血中の細胞に光を照射し、光が照射された細胞から得られる散乱光や蛍光の信号強度を取得する。複数の細胞から取得した信号強度のピーク値をそれぞれ抜き出し、スキャッタグラム上に展開する。スキャッタグラム上の複数の細胞をクラスター分析し、各クラスターに属する細胞の種別を特定している。

特許文献２には、イメージングフローサイトメータにより細胞の種別を分類する方法が記載されている。

特開昭６３－１８０８３６号公報 国際公開第２０１８／２０３５６８号

このように、スキャッタグラムに基づいて細胞の種別を特定しようとする場合、例えば、芽球やリンパ腫細胞など健常人の末梢血中には通常出現しない細胞が検体中に存在していた場合、クラスター分析において、正常な細胞として分類されることがある。

また、クラスター分析は統計的な解析手法であるため、スキャッタグラムに展開された細胞数が少ない場合、クラスター分析が困難になる場合がある。

さらに、特許文献２に記載の方法では、より正確な細胞の種別の判定を行うため、フローセル内を流れる細胞を撮像したり、構造昭明を照射する方法を採用している。このため、従来スキャッタグラムを取得していた検出系を使用できないという課題がある。

本発明の一実施形態は、同一クラスター内に出現する異なる種別の細胞についても判定できるようさらに精度を向上させることを課題とする。また、本発明の一実施形態は、従来スキャッタグラムを測定していた測定装置に応用可能な細胞の種別の判定方法を提供することを課題とする。

図４を参照し、本実施形態のある実施形態は、生体試料に含まれる細胞をニューラルネットワーク構造の深層学習アルゴリズム（６０）を用いて分析する細胞分析方法に関する。細胞分析方法は、流路に、細胞を流し、流路内を通過する個々の細胞に関する信号強度を取得し、取得した個々の細胞に関する信号強度に対応する数値データを深層学習アルゴリズム（６０）に入力し、深層学習アルゴリズム（６０）から出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定する、ことを含む。本実施形態によれば、従来の細胞分析装置では判定できない細胞の種別を判定できる。

細胞分析方法において、好ましくは、信号強度は、流路内の所定位置を通過する個々の細胞から、細胞毎に、細胞が所定位置を通過している間の複数の時点において取得され、取得された信号強度は、信号強度を取得した時点に関する情報と対応付けて記憶する。このような実施形態とすることにより、従来の細胞分析装置では判定できない細胞の種別を判定できる。また、信号強度を取得した時点に関する情報を取得することにより、１つの細胞から複数の信号を受信した場合にデータを同期させることができる。

細胞分析方法において、好ましくは、複数の時点における信号強度の取得が、個々の細胞における信号強度が所定の値に達した時点から開始され、信号強度の取得開始から所定時間後に終了する。このような実施形態とすることにより、より正確な判定を行うことができる。また、取得するデータの容量を減少させることができる。

細胞分析方法において、好ましくは、信号は、光信号、又は電気信号である。

より好ましくは光信号が、フローセルを通過する個々の細胞に光が照射されることで得られる信号である。また所定位置は、フローセル（４１１３、５５１）内で細胞に光が照射される位置である。さらに好ましくは、光が、レーザ光であり、光信号が、散乱光信号、及び蛍光信号から選択される少なくとも一種である。さらにより好ましくは、光信号が、側方散乱光信号、前方散乱光信号、及び蛍光信号である。このような実施形態とすることにより、フローサイトメータにおける細胞の種別の判定精度を向上させることができる。

細胞分析方法において、深層学習アルゴリズム（６０）に入力される信号強度に対応する数値データは、細胞毎に同時点で取得した側方散乱光信号、前方散乱光信号、及び蛍光信号の信号強度を組み合わせた情報を含む。このような実施形態とすることで、深層学習アルゴリズムによる判定精度をより向上させることができる。

分析方法において、信号が電気信号であるとき、測定部がシースフロー電気抵抗方式検出部を備える。このような実施形態とすることで、シースフロー電気抵抗方式で測定されたデータに基づいて細胞の種別を判定することができる。

細胞分析方法において、深層学習アルゴリズム（６０）が、深層学習アルゴリズム（６０）の出力層（６０ｂ）に紐付けられた複数の細胞の種別に、信号強度を取得した細胞が属する確率を細胞毎に算出する。好ましくは、深層学習アルゴリズム（６０）が、信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値８２を出力する。このような実施形態とすることにより、判定結果をユーザに提示することができる。

細胞分析方法において、信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値に基づいて、複数の細胞の種別についてそれぞれに属する細胞数をカウントし、その結果を出力する。又は、信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値に基づいて、複数の細胞の種別それぞれに属する細胞の割合を算出し、その結果を出力する。このような実施形態とすることで、生体試料に含まれる細胞の種別の割合を求めることができる。

細胞分析方法において、生体試料は、好ましくは血液試料である。より好ましくは、細胞の種別が、好中球、リンパ球、単球、好酸球、及び好塩基球からなる群から選択される少なくとも一種を含む。さらに好ましくは、細胞の種別が、下記（ａ）及び（ｂ）よりなる群から選択される少なくとも一種を含む。ここで、（ａ）は幼若顆粒球であり、（ｂ）は腫瘍細胞、リンパ芽球、形質細胞、異型リンパ球、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から選択される有核赤血球、及び巨核球よりなる群から選択される少なくとも一種の異常細胞である。このような実施形態とすることで、血液試料に含まれる幼若顆粒球、及び異常細胞について、種別を判定することが可能となる。

また、細胞分析方法において、生体試料が血液試料であり、細胞の種別が、異常細胞を含む場合、深層学習アルゴリズム（６０）によって、異常細胞と判定された細胞があった場合、処理部（２０）は、生体試料中に異常細胞が含まれることを出力してもよい。

細胞分析方法において、生体試料は、尿であってもよい。このような実施形態とすることにより、尿に含まれる細胞についても判定が可能となる。

本実施形態のある実施形態は、生体試料に含まれる細胞の分析方法に関する。細胞の分析方法では、流路に、前記細胞を流し、前記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、散乱光及び蛍光に関する信号強度を取得し、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の種別を細胞毎に判定する。本実施形態によれば、従来の細胞分析装置では判定できない細胞の種別を判定できる。

本実施形態のある実施形態は、生体試料中の細胞を分析するためのニューラルネットワーク構造の深層学習アルゴリズム（５０）を訓練する方法に関する。細胞を個別に検出可能な測定部内の細胞検出用の流路に生体試料に含まれる細胞を流し、流路内を通過する個々の細胞に関し取得された信号強度に対応する数値データを、第１の訓練データとして深層学習アルゴリズムの入力層に入力し、信号強度を取得した細胞に対応する細胞の種別の情報を、第２の訓練データとして深層学習アルゴリズムに入力する。本実施形態によれば、従来の細胞分析装置では判定できない個々の細胞の種別を判定するための深層学習アルゴリズムを生成することができる。

本実施形態のニューラルネットワーク構造を有する深層学習アルゴリズム（６０）を用いて、細胞の種別を細胞毎に判定する細胞分析装置（４０００、４０００’）に関する。細胞分析装置（４０００、４０００’）は処理部（２０）を備え、処理部（２０）は、細胞を個別に検出可能な測定部の細胞検出用の流路に流された、生体試料に含まれる細胞が流路内を通過する際に、個々の細胞に関する信号強度を取得し、取得された個々の細胞に関する信号強度に対応する数値データを深層学習アルゴリズムに入力（６０）し、深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定する。本実施形態によれば、従来の細胞分析装置では判定できない細胞の種別を判定できる。

さらに、細胞分析装置（４０００、４０００’）は、細胞を個別に検出可能な測定部の細胞検出用の流路に流された、生体試料に含まれる細胞が流路内を通過する際に、個々の細胞に関する信号強度を取得する測定部（４００）を備える。本実施形態によれば、測定部を備えた細胞分析装置により、従来の細胞分析装置では判定できない細胞の種別を判定できる。

本実施形態のある実施形態は、生体試料中の細胞を分析するためのニューラルネットワーク構造の深層学習アルゴリズム（５０）を訓練する訓練装置（１００）に関する。訓練装置は、処理部（１００）を備え、処理部（１０）は、細胞を個別に検出可能な測定部内の細胞検出用の流路に生体試料に含まれる細胞を流し、流路内を通過する個々の細胞に関し取得された信号強度に対応する数値データを、第１の訓練データとして深層学習アルゴリズムの入力層に入力し、信号強度を取得した細胞に対応する細胞種別の情報を、第２の訓練データとして深層学習アルゴリズムに入力する。本実施形態によれば、従来の細胞分析装置では判定できない細胞の種別を判定するための深層学習アルゴリズムを生成することができる。

本実施形態のある実施形態は、生体試料に含まれる細胞をニューラルネットワーク構造の深層学習アルゴリズム（６０）を用いて分析するためのコンピュータプログラムに関する。コンピュータプログラムは、処理部（２０）に、細胞を個別に検出可能な測定部内の細胞検出用の流路に、生体試料に含まれる細胞を流し、流路内を通過する個々の細胞に関する信号強度を取得するステップと、取得された個々の細胞に関する信号強度に対応する数値データを深層学習アルゴリズムに入力するステップと、深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定するステップと、を備える処理を実行させる。本実施形態によれば、測定部を備えた細胞分析装置により、従来の細胞分析装置では判定できない細胞の種別を判定できる。

本実施形態のある実施形態は、生体試料中の細胞を分析するためのニューラルネットワーク構造の深層学習アルゴリズム（５０）を訓練するためのコンピュータプログラムに関する。コンピュータプログラムは、処理部（１０）に、細胞を個別に検出可能な測定部内の細胞検出用の流路に生体試料に含まれる細胞を流し、流路内を通過する個々の細胞に関し取得された信号強度に対応する数値データを、第１の訓練データとして深層学習アルゴリズムの入力層に入力するステップと、信号強度を取得した細胞に対応する細胞種別の情報を、第２の訓練データとして深層学習アルゴリズムに入力するステップと、を備える処理を実行させる。本実施形態によれば、従来の細胞分析装置では判定できない細胞の種別を判定するための深層学習アルゴリズムを生成することができる。

従来の細胞分析法では判定できない細胞の種別を判定することができる。このため、細胞の判定精度を向上させることができる。

（ａ）健常者血液のスキャッタグラムの例を示す。（ｂ）非健常血液のスキャッタグラムの例を示す。（ｃ）従来のスキャッタグラムにおける表示例を示す。（ｄ）波形データの例を示す。（ｆ）深層学習アルゴリズムの模式図を示す。（ｇ）細胞の判定例を示す。 訓練データの生成方法の例を示す。 ラベル値の例を示す。 分析用データの生成方法の例を示す。 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。 （ａ）赤血球／血小板検出部の概略の例を示す。（ｂ）シースフロー電気抵抗方式により検出された細胞のヒストグラムを示す。 測定ユニットのブロック図を示す。 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を示す。 ユーザ側装置のブロック図を示す。 ベンダ側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。 ユーザ側装置の機能ブロック図の例を示す。 分析用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。 波形データ分析システムの概略の例を示す。 波形データ分析システムの機能ブロック図を示す。 波形データ分析システムの概略の例を示す。 波形データ分析システムの機能ブロック図を示す。 出力データの例を示す。 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。

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、生体試料に含まれる細胞を分析する細胞の分析方法に関する。分析方法は、個々の細胞に関する信号強度に対応する数値データを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力する。そして、深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定する。

図１を用いて、本実施形態の概要の例を説明する。図１において（ａ）は、健常血液を生体試料として、生体試料に含まれる個々の細胞の蛍光及び散乱光の信号強度をフローサイトメータで測定し、その結果をスキャッタグラムで示したものである。横軸は側方散乱光、縦軸は側方蛍光の信号強度を示す。また、（ｂ）は、（ａ）と同様に、非健常血液を生体試料として、生体試料に含まれる個々の細胞の側方蛍光及び側方散乱光の信号強度をフローサイトメータで測定し、その結果をスキャッタグラムで示したものである。（ａ）及び（ｂ）で表される図は、従来のフローサイトメータを使用した白血球分類に使用されている。しかし、一般的に血液内に非健常血球細胞が含まれる場合、健常血球細胞と混在するため、（ｃ）に示すように、健常血球細胞のドットと非健常血球細胞のドットが重なることがあった。

本実施形態においては、スキャッタグラムを作成する際に１つの細胞から取得される個々の細胞に由来する信号強度を示すデータに着目した。図１（ｄ）において、ＦＳＣは前方散乱光の信号強度を示すデータを示し、ＳＳＣは側方散乱光の波形データを示し、ＳＦＬで示される図は側方蛍光の信号強度を示すデータを示す。ここで、図１（ｄ）は便宜上描画した波形として示しているが、本実施形態において、波形で示されるデータは、信号強度を取得した時間を示す値とその時点における信号強度を示す値を要素とするデータ群を意図し、描画した波形の形状そのものを意図するものではない。なお、データ群は数列データあるいは行列データを指す。図１（ｄ）において、個々の細胞が所定位置を通過する際に信号強度の取得が開始され、所定時間後に測定が開始される。

本実施形態では、細胞の種別毎の波形データを図１（ｆ）に示す深層学習アルゴリズム５０、６０に学習させ、学習させた深層学習アルゴリズムから出力される結果に基づいて、生体試料に含まれる個々の細胞種別の判定結果（図１（ｇ））を導くものである。以下、細胞の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、末梢血、静脈血、動脈血等の血液、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、腹水、胸水、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の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の種別は、形態学的な分類に基づく細胞の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の種別には、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、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、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、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の種別に含まれる。幼若顆粒球には、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、例えば腫瘍細胞等である。造血系の場合、所定の疾患は、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、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の種別には、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、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、細胞の種別には、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、具体的には、中皮細胞、組織球、腫瘍細胞等が該当する。

生体試料が骨髄である場合、本実施形態において判定しようとする細胞の種別には、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、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、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、分葉核好中球及び桿状核好中球が含まれる。幼若な血球系細胞は、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、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、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、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、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、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争血系腫瘍細胞、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、信号として光信号（前方散乱光信号、側方散乱光信号、側方蛍光信号）を使用する例を示している。しかし、信号は、例えば電気信号であってもよい。また、光信号は細胞に光を照射した際に細胞から発せられる光の信号である。光信号には、散乱光信号、及び蛍光信号から選択される少なくとも一種を含み得る。また、本明細書において、光は、例えば流路内の細胞の流れに対して直光するように照射することができる。「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。本実施形態において、信号の種類に限らず、信号強度を取得した時間を示す値とその時点における信号強度を示す値を要素とするデータ群（数列データあるいは行列データ、好ましくは一次元の数列データである）を波形データと総称する場合がある。

本実施形態における、細胞の分析方法において、細胞の種別の判定は、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の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４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。

＜訓練データの生成＞
図２に示す例は、白血球、幼若顆粒球、異常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用波形データの生成方法の一例である。前方散乱光の波形データ７０ａ、側方散乱光の波形データ７０ｂ、及び側方蛍光の波形データ７０ｃは、訓練対象の細胞に紐付けられている。訓練対象の細胞から取得される訓練用波形データ７０ａ、７０ｂ、７０ｃは、形態学的な分類に基づく細胞の種類が既知である細胞をフローサイトメトリーで測定した波形データであってもよい。あるいは、健常人のスキャッタグラムから既に細胞の種別が判定されている細胞の波形データを用いてもよい。また、健常人の細胞の種別が判定されている波形データとして、複数人から取得した細胞の波形データのプールを使用してもよい。訓練用波形データ７０ａ、７０ｂ、７０ｃを取得するための検体は、訓練対象の細胞と同種の細胞を含む試料から、訓練対象の細胞を含む検体と同様の検体処理方法で処理されることが好ましい。また、訓練用波形データ７０ａ、７０ｂ、７０ｃは、分析対象の細胞の取得条件と同様の条件で取得されることが好ましい。訓練用波形データ７０ａ、７０ｂ、７０ｃは、例えば公知のフローサイトメトリーやシースフロー電気抵抗法により、細胞毎に予め取得することができる。ここで、訓練対象の細胞が、赤血球又は血小板である場合には、訓練データは、シースフロー電気抵抗法によって取得される波形データとなり、波形データは、電気信号強度から得られる一種となる場合がある。

図２に示す例では、Ｓｙｓｍｅｘ ＸＮ－１０００を用いてフローサイトメトリーにより取得した訓練用波形データ７０ａ、７０ｂ、７０ｃを用いている。訓練用波形データ７０ａ、７０ｂ、７０ｃは、例えば、前方散乱光が所定の閾値に達してから、前方散乱光の信号強度、側方散乱光の信号強度、側方蛍光の信号強度の取得を開始し、所定時間後に取得を終了するまでの間、１つの訓練対象の細胞について一定の間隔で複数の時点で各波形データを取得した例である。一定の間隔で複数の時点の波形データを取得する例として、例えば、１０ナノ秒間隔で１０２４ポイント、８０ナノ秒間隔で１２８ポイント、又は１６０ナノ秒間隔で６４ポイント等を挙げることができる。各波形データは、フローサイトメータ、及びシースフロー電気抵抗方式の測定装置等に備えられた細胞を個別に検出可能な測定部内の細胞検出用の流路に生体試料に含まれる細胞を流し、流路内を通過する個々の細胞について取得される。具体的には、流路内の所定位置を１つの訓練対象の細胞が通過する間の複数の時点において、信号強度を取得した時間を示す値とその時点における信号強度を示す値を要素とするデータ群が、信号毎に取得され、訓練用波形データ７０ａ、７０ｂ、７０ｃとして使用される。時点に関する情報は、信号強度の取得が開始されてからどのくらい経過したか、後述する処理部１０、２０が判定できるように記憶されうる限り制限されない。例えば、時点の情報は、測定開始からの時間であってもよく、何番のポイントであるかであってもよい。信号強度は、その信号強度が取得された時点の情報とともに後述する記憶部１３、２３又はメモリ１２、２２に記憶されることが好ましい。

図２の訓練用波形データ７０ａ、７０ｂ、７０ｃはそれぞれを生データの値で示すと例えば前方散乱光の数列データ７２ａ、側方散乱光の数列データ７２ｂ、側方蛍光の数列データ７２ｃのようになる。数列データ７２ａ、７２ｂ、７２ｃは、訓練対象の細胞毎に、信号強度を取得した時点が同期され、前方散乱光の数列データ７６ａ、側方散乱光の数列データ７６ｂ、側方蛍光の数列データ７６ｃとなる。すなわち、７６ａの左から２番目の数値が計測を開始した時刻ｔ＝０における信号強度で１０となっている。同様に７６ｂ及び７６ｃの左から２番目の数値が計測を開始した時刻ｔ＝０における信号強度で、それぞれ５０と１００となっている。また、７６ａ、７６ｂ、７６ｃそれぞれの内部で隣り合うセルは、１０ナノ秒間隔で信号強度を格納している。数列データ７６ａ、７６ｂ、７６ｃは、訓練対象の細胞の種別を示すラベル値７７と組み合わされて、同時点の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）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。例えば、訓練対象の細胞が好中球である場合には、数列データ７６ａ、７６ｂ、７６ｃ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３にラベル値７７の例を示す。訓練データ７５は、細胞の種別毎に生成されるため、ラベル値は、細胞の種類に応じて異なるラベル値７７が付与される。ここで、信号強度を取得した時点の同期とは、例えば測定開始からの時間が前方散乱光の数列データ７２ａ、側方散乱光の数列データ７２ｂ、側方蛍光の数列データ７２ｃにおいて同時点で組み合わせられるように測定ポイントを一致させることをいう。言い換えると、前方散乱光の数列データ７２ａ、側方散乱光の数列データ７２ｂ、側方蛍光の数列データ７２ｃのそれぞれがフローセル内を通過する一つの細胞において同じ時点での取得した信号強度となるように調整されることを意図する。測定開始の時間は、前方散乱光の信号強度が閾値等の所定の閾値を超えた時点としてもよいが、他の散乱光、又は蛍光の信号強度の閾値を使用してもよい。また、数列データ毎に閾値を設定してもよい。

数列データ７６ａ、７６ｂ、７６ｃは、取得した信号強度値をそのまま使用してもよいが、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。本明細書において、「信号強度に対応する数値データ」には、取得した信号強度値そのもの、及び必要に応じてノイズ除去、ベースライン補正、正規化等を施した値を含み得る。

＜深層学習の概要＞
図２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の波形データに含まれる配列数に対応している。訓練データ７５は、数列データ７６ａ、７６ｂ、７６ｃが信号強度を取得した時点が同時点となるように組み合わされて、第１の訓練データ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の各波形データのラベル値７７は、第２の訓練データとして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２の符号５０ｃは、中間層を示す。

＜波形データの分析方法＞
図４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取得した前方散乱光の波形データ８０ａ、側方散乱光の波形データ８０ｂ、及び側方蛍光の波形データ８０ｃから分析データ８５を生成する。分析用波形データ８０ａ、８０ｂ、８０ｃは、例えば公知のフローサイトメトリーを用いて取得することができる。図４に示す例では、分析用波形データ８０ａ、８０ｂ、８０ｃは、Ｓｙｓｍｅｘ ＸＮ－１０００を用いて訓練用波形データ７０ａ、７０ｂ、７０ｃと同様に取得する。分析用波形データ８０ａ、８０ｂ、８０ｃはそれぞれを生データの値で示すと例えば前方散乱光の数列データ８２ａ、側方散乱光の波形データ８２ｂ、及び側方蛍光の波形データ８２ｃのようになる。

分析データ８５の生成と訓練データ７５の生成に関しては、少なくとも取得条件、及び各波形データ等からニューラルネットワークに入力するデータを生成する条件を同じにすることが好ましい。数列データ８２ａ、８２ｂ、８２ｃは、訓練対象の細胞毎に、信号強度を取得した時点が同期され、数列データ８６ａ（前方散乱光）、数列データ８６ｂ（側方散乱光）、数列データ８６ｃ（側方蛍光）となる。数列データ８６ａ、８６ｂ、８６ｃは、同時点の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）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、訓練データとして入力された細胞の種別のそれぞれに、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出力される。図４の符号６０ｃは、中間層を示す。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、その細胞の種別と紐付けられたラベル値８２等が出力されてもよい。出力される細胞に関する分析結果８３は、ラベル値そのものの他、ラベル値を細胞の種別を示す情報（例えば用語等）に置き換えたデータであってもよい。図４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、細胞に関する分析結果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］
本実施形態の波形データは、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５（ａ）には、細胞分析装置４０００の外観を示す。図５（ｂ）には、細胞分析装置４０００’の外観を示す。図５（ａ）において、細胞分析装置４０００は、測定ユニット（測定部ともいう）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するための処理ユニット３００を備える。図５（ｂ）において、細胞分析装置４０００’は、測定ユニット（測定部ともいう）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、本実施形態の実施形態は、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、後述するベンダ装置１００又はユーザ装置２００と共用されてもよい。処理ユニット３００のブロック図は、ベンダ装置１００又はユーザ装置２００と同様である。

＜第１の細胞分析装置と測定試料の調製＞
（第１の測定ユニットの構成）
図６から図８を用いて、第１の測定ユニット４００が血液試料の有核細胞を検出するためのフローサイトメータである場合の構成例（測定ユニット４００）を説明する。

図６は、測定ユニット４００のブロック図の例を示す。この図に示されるように、測定ユニット４００は、血球を検出する検出部４１０、検出部４１０の出力に対するアナログ処理部４２０、測定ユニット制御部４８０、表示・操作部４５０、試料調製部４４０、及び装置機構部４３０を備えている。アナログ処理部４２０は、検出部から入力されるアナログ信号としての電気信号に対してノイズ除去を含む処理を行い、処理した結果を電気信号としてＡ／Ｄ変換部４８２に対して出力する。

検出部４１０は、少なくとも白血球等の有核細胞を検出する有核細胞検出部４１１、赤血球数及び血小板数を測定する赤血球／血小板検出部４１２、必要に応じて血液中の血色素量を測定するヘモグロビン検出部４１３を備える。なお、有核細胞検出部４１１は、光学式検出部から構成され、より具体的にはフローサイトメトリー法による検出を行うための構成を備える。

図６に示されるように、測定ユニット制御部４８０は、Ａ／Ｄ変換部４８２と、デジタル値演算部４８３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、表示・操作部４５０との間に介在するインタフェース部４８６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。

なお、デジタル値演算部４８３は、インタフェース部４８４及びバス４８５を介してインタフェース部４８９と接続されている。また、インタフェース部４８９は、バス４８５及びインタフェース部４８６を介して表示・操作部４５０と接続され、バス４８５及びインタフェース部４８８を介して検出部４１０、装置機構部４３０及び試料調整部４４０と接続されている。

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である受光信号をデジタル信号に変換して、デジタル値演算部４８３に出力する。デジタル値演算部４８３は、Ａ／Ｄ変換部４８２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。所定の演算処理として、例えば、前方散乱光が所定の閾値に達してから、前方散乱光の信号強度、側方散乱光の信号強度、側方蛍光の信号強度の取得を開始し、所定時間後に取得を終了するまでの間、１つの訓練対象の細胞について一定の間隔で複数の時点で各波形データを取得する処理、波形データのピーク値を抽出する処理などが含まれ、これに限られない。そして、デジタル値演算部４８３は、演算結果（測定結果）をインタフェース部４８４、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に出力する。

処理ユニット３００は、インタフェース部４８４、バス４８５、及びインタフェース部４８９を介してジタル値演算部４８３と接続されており、デジタル値演算部４８３から出力された演算結果を処理ユニット３００が受信することができる。また、処理ユニット３００は、試料容器を自動供給するサンプラ（図示省略）、試料の調製・測定のための流体系などからなる装置機構部４３０の制御及びその他の制御を行う。

有核細胞検出部４１１は、細胞を含む測定試料を細胞検出用の流路に流し、細胞検出用の流路を流れる細胞に光を照射して、細胞から生じる散乱光及び蛍光を測定する。赤血球／血小板検出部４１２は、細胞を含む測定試料を細胞検出用の流路に流し、細胞検出用の流路を流れる細胞の電気抵抗を測定し、細胞の容積を検出する。

本実施形態において、測定ユニット４００は、フローサイトメータ及び／又はシースフロー電気抵抗方式検出部を備えることが好ましい。図６において、有核細胞検出部４１１は、フローサイトメータでありうる。図６において、赤血球／血小板検出部４１２は、シースフロー電気抵抗方式検出部でありうる。ここで、有核細胞を赤血球／血小板検出部４１２で測定してもよく、赤血球及び血小板を有核細胞検出部４１１で即手することも可能である。

・フローサイトメータ
図７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。

本実施形態において、散乱光は、一般に流通しているフローサイトメータで測定できる散乱光であれば特に限定されない。例えば、散乱光としては、前方散乱光（例えば、受光角度０～２０度付近）及び側方散乱光（受光角度９０度付近）を挙げることができる。側方散乱光は細胞の核や顆粒などの細胞の内部情報を反映し、前方散乱光は細胞の大きさの情報を反映することが知られている。本実施形態においては、散乱光強度として前方散乱光強度、及び側方散乱光強度を測定することが好ましい。

蛍光は、細胞内の核酸などに結合した蛍光色素に対し、適当な波長の励起光を詳細した際に蛍光色素から発せられる光である。励起光波長及び受光波長は、用いた蛍光色素の種類に応じる。

図７は、有核細胞検出部４１１の光学系の構成例を示している。この図において、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２０１が選択される。そのような光源２０１としては、例えば赤色半導体レーザ及び／又は青色半導体レーザを含む半導体レーザ、アルゴンレーザ、ヘリウム－ネオンレーザ等の気体レーザ、水銀アークランプなどが使用される。特に半導体レーザは、気体レーザに比べて非常に安価であるので好適である。

図７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等であり得る。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、フォトマルチプライヤ等であり得る。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、フォトマルチプライヤ等であり得る。

各受光部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を有する図６に示すアナログ処理部４２０によって増幅・波形処理などのアナログ処理が施され、測定ユニット制御部４８０に送られる。

図６に戻り、測定部４００は、測定試料を調製する試料調製部４４０を備えていてもよい。試料調製部４４０は、インタフェース４８８及びバス４８５を介して測定ユニット情報処理部４８１によって制御される。図８は、測定部４００内に備えられた試料調製部４４０において、血液試料と染色試薬と溶血試薬とを混合して測定試料を調製し、得られた測定試料を有核細胞検出部で測定する様子を示している。

図８において、試料容器００ａ内の血液試料は、吸引ピペット６０１から吸引される。吸引ピペット６０１で定量された血液試料は、所定量の希釈液と混合され反応チャンバ６０２に運ばれる。反応チャンバ６０２には、所定量の溶血試薬が添加される。反応チャンバ６０２には、所定量の染色試薬が供給され、上記の混合物と混合される。血液試料と染色試薬及び溶血試薬との混合物を反応チャンバ６０２にて所定の時間反応させることにより、血液試料中の赤血球が溶血され、有核細胞が蛍光色素で染色された測定試料が得られる。

得られた測定試料は、シース液（例えば、セルパック（ＩＩ）、シスメックス株式会社製）とともに有核細胞検出部４１１内のフローセル４１１３に送られ、有核細胞検出部４１１においてフローサイトメトリー法により測定される。

・シースフロー式電気抵抗検出部
図９（ａ）に示すように、シースフロー式電気抵抗検出部である赤血球／血小板検出部４１２はチャンバ壁４１２ａと、細胞の電気抵抗を測定するアパチャー部４１２ｂと、試料を供給する試料ノズル４１２ｃとアパチャー部４１２ｂを通過した細胞を回収する回収管４１２ｄを備える。チャンバ壁４１２ａ内の試料ノズル４１２ｃと回収管４１２ｄの周りはシース液で満たされている。符号４１２ｓで表される破線矢印はシース液が流れる方向を示している。試料ノズルから排出された赤血球４１２ｅ及び血小板４１２ｆは、シース液の流れ４１２ｓに包まれながらアパチャー部４１２ｂを通過する。アパチャー部４１２ｂには一定電圧の直流電圧がかけられており、シース液のみが流れている間は、一定の電流が流れるように制御されている。細胞は、電気を通しにくい、すなわち電気抵抗が大きいため、細胞がアパチャー部４１２ｂを通過すると電気抵抗が変わるため、アパチャー部４１２ｂにおいて、細胞が通過した回数とその電気抵抗を検出することができる。電気抵抗は、細胞の体積に比例して大きくなるため、図６に示す測定ユニット情報処理部４８１は、アパチャー部４１２ｂを通過した細胞の容積を算出し、容積毎の細胞のカウント数を図９（ｂ）に示すヒストグラムとして図６に示す表示部・操作部４５０に表示するか、バス４８７及びインタフェース部４８９を介して、処理ユニット３００に送ることができる。電気抵抗値に関する信号は、上述した光から得られる信号に対する処理と同様に、図６に示すアナログ処理部４２０、Ａ／Ｄ変換部４８２、デジタル値演算部４８３による処理を経て、信号強度として処理ユニット３００に送られる。

＜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＞
（測定装置２の構成）
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である場合のブロック図の例を示す。

図１０は、測定ユニット５００のブロック図の例である。図１０において、測定ユニット５００は、検体分配部５０１、試料調製部５０２及び光学検出部５０５と、この光学検出部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と、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と、フィルタ回路５０６の出力信号（アナログ信号）をデジタル値に変換するＡ／Ｄ変換部５０７と、デジタル値に対して所定の処理を行うデジタル値処理回路５０８と、デジタル値処理回路５０８に接続されたメモリ５０９と、検体分配部５０１、試料調製部５０２、増幅回路５５０、デジタル値処理回路５０８、及び記憶装置５１１ａと接続されたマイクロコンピュータ５１１と、マイクロコンピュータ５１１に接続されたＬＡＮアダプタ１２とを備えている。処理ユニット３００は、このＬＡＮアダプタ１２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の分析が行われる。光学検出部５０５、増幅回路５５０、フィルタ回路５０６、Ａ／Ｄコンバータ５０７、デジタル値処理回路５０８及びメモリ５０９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１１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１１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、後述のマイクロコンピュータ１１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１０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１２は、図１０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１０及び図１２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、後述のマイクロコンピュータ５１１（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．波形データ分析システム１］
＜波形データ分析システム１の構成＞
本実施形態における第３の実施形態は、波形データ分析システムに関する。
図１３を参照すると、第３の実施形態に係る波形データ分析システムは、深層学習装置１００Ａと、分析装置２００Ａとを備える。ベンダ側装置１００は深層学習装置１００Ａとして動作し、ユーザ側装置２００は分析装置２００Ａ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又はネットワーク９９を通じて、深層学習装置１００Ａから分析装置２００Ａに提供される。分析装置２００Ａ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。分析装置２００Ａ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、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波形データ７０を取得する。訓練用波形データ７０の生成方法は、上述の通りである。分析装置２００Ａもまた、測定ユニット４００ｂ又は測定ユニット５００ｂに接続されている。測定ユニット４００ｂ又は測定ユニット５００ｂ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。

図７及び図１１に示すように、測定ユニット４００又は測定ユニット５００は、それぞれフローセル４１１３、５５１を備える。測定ユニット４００又は測定ユニット５００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。光検出部４１１６、４１２１、４１２２、５５５、５５８、５５９からは、ベンダ側装置１００又はユーザ側装置２００に信号が送信される。ベンダ側装置１００及びユーザ側装置２００は、光検出部４１１６、４１２１、４１２２、５５５、５５８、５５９が検出した前方散乱光、側方散乱光、及び側方蛍光から、それぞれの波形データを取得する。
＜深層学習装置のハードウェア構成＞

図１４に、ベンダ側装置１００（深層学習装置１００Ａ、深層学習装置１００Ｂ）のブロック図を例示する。処理部１０（１０Ａ、１０Ｂ）と、入力部１６と、出力部１７とを備える。

処理部１０は、後述するデータ処理を行うＣＰＵ（Central Processing Unit）１１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１５と、ＧＰＵ（Graphics Processing Unit）１９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１７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。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（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、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１６で説明する各ステップの処理を行うために、本発明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＞
図１５を参照すると、ユーザ側装置２００（分析装置２００Ａ、分析装置２００Ｂ、分析装置２００Ｃ）は、処理部２０（２０Ａ、２０Ｂ、２０Ｃ）と、入力部２６と、出力部２７とを備える。

処理部２０は、後述するデータ処理を行うＣＰＵ（Central Processing Unit）２１と、データ処理の作業領域に使用するメモリ２２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２３と、各部の間でデータを伝送するバス２４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２５と、ＧＰＵ（Graphics Processing Unit）２９とを備えている。入力部２６及び出力部２７は、インタフェース部２５を介して処理部２０に接続されている。例示的には、入力部２６はキーボード又はマウス等の入力装置であり、出力部２７は液晶ディスプレイ等の表示装置である。ＧＰＵ２９は、ＣＰＵ２１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ＣＰＵ２１が行う処理とは、ＣＰＵ２１がＧＰＵ２９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。

また、処理部２０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、本発明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構造の深層学習アルゴリズム６０を、例えば実行形式で記憶部２３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２０は、記憶部２３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。

以下の説明においては、特に断らない限り、処理部２０が行う処理は、記憶部２３又はメモリ２２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、実際には処理部２０のＣＰＵ２１が行う処理を意味する。ＣＰＵ２１はメモリ２２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２３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１６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１４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７０ａ、７０ｂ、７０ｃは、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、例えば分析対象の細胞が属する細胞の種類と対応付けられて、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１７に示す処理を行う。図１６に示す各機能ブロックを用いて説明すると、図１７に示すステップＳ１１、Ｓ１４及びＳ１６の処理は、訓練データ生成部１０１が行う。ステップＳ１２の処理は、訓練データ入力部１０２が行う。ステップＳ１３、及びＳ１５の処理は、アルゴリズム更新部１０３が行う。
図１７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７０ａ、７０ｂ、７０ｃを取得する。訓練用波形データ７０ａは前方散乱光の波形データであり、訓練用波形データ７０ｂは側方散乱光の波形データであり、訓練用波形データ７０ｃは側方蛍光の波形データである。訓練用波形データ７０ａ、７０ｂ、７０ｃの取得は、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、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７０ａ、７０ｂ、７０ｃを取得する際に、その訓練用波形データ７０ａ、７０ｂ、７０ｃが、いずれの細胞の種類を示すものであるかの情報も取得される。いずれの細胞の種類を示すものであるかの情報は、訓練用波形データ７０ａ、７０ｂ、７０ｃ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Ｓ１１において、処理部１０Ａは、訓練用波形データ７０ａ、７０ｂ、７０ｃに紐付けられている、細胞の種類のいずれを示すものであるかの情報と、メモリ１２又は記憶部１３に記憶されている細胞の種類に紐付けられたラベル値と、数列データ７２ａ、７２ｂ、７２ｃを、波形データを取得した時間で前方散乱光、側方散乱光、及び側方蛍光の波形データを同期させた数列データ７６ａ、７６ｂ、７６ｃに対応するラベル値７７を付与する。斯くして、処理部１０Ａは、訓練データ７５を生成する。

図１７に示すステップＳ１２において、処理部１０Ａは、訓練データ７５を用いて、ニューラルネットワーク５０及を訓練する。ニューラルネットワーク５０の訓練結果は複数の訓練データ７５を用いて訓練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Ｓ１３において、処理部１０Ａは、予め定められた所定の試行回数分の訓練結果が蓄積されているか否かを判断する。訓練結果が所定の試行回数分蓄積されている場合（ＹＥＳ）、処理部１０ＡはステップＳ１４の処理に進み、訓練結果が所定の試行回数分蓄積されていない場合（ＮＯ）、処理部１０ＡはステップＳ１５の処理に進む。

次に、訓練結果が所定の試行回数分蓄積されている場合、ステップＳ１４において、処理部１０Ａは、ステップＳ１２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、所定の試行回数分の学習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１１）及び（式１２）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Ｓ１５において、処理部１０Ａは、ニューラルネットワーク５０を規定数の訓練用データ７５で訓練したか否かを判断する。規定数の訓練用データ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を規定数の訓練用データ７５で訓練していない場合（ＮＯ）には、処理部１０Ａは、ステップＳ１５からステップＳ１６に進み、次の訓練用波形データ７０についてステップＳ１１からステップＳ１５までの処理を行う。

以上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１８（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１８（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１８（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１）で表される。ここで、本実施形態においては、訓練データ７５及び分析用データ８５として一次元の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１）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１）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２）で表される。関数ｆは活性化関数と呼ばれる。

図１８（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１）で表される総入力（ｕ）に対して、（式２）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１８（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。右側の層の各ノード８９ｂは、それぞれ、左側の層のノード８９ａからの出力を受け取る。左側の層の各ノード８９ａと右側の層の各ノード８９ｂとの間の各結合には、異なる重みが掛けられる。左側の層の複数のノード８９ａのそれぞれの出力をｘ_１～ｘ_４とすると、右側の層の３つのノード８９ｂのそれぞれに対する入力は、以下の（式３－１）～（式３－３）で表される。

これら（式３－１）～（式３－３）を一般化すると、（式３－４）となる。ここで、ｉ＝１、・・・Ｉ、ｊ＝１、・・・Ｊである。

（式３－４）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４）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５）で表される。

（式５）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１８（ｃ）に示す例では、ｊ＝１のノードの出力は、（式５）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、｛（ｘ_１、ｄ_１）、（ｘ_２、ｄ_２）、・・・、（ｘ_ｎ、ｄ_ｎ）｝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２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２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（ｘ_ｎ、ｄ_ｎ）に対しても、入力ｘ_ｎを与えたときのニューラルネットワークの出力ｙ（ｘ_ｎ：ｗ）が、出力ｄ_ｎ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６）で表される。（式６）は交差エントロピー（cross entropy）と呼ばれる。

（式６）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７）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、ｕ_ｋ ^（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７）で表される。

（式７）がソフトマックス関数である。（式７）で決まる出力ｙ_１、・・・、ｙ_Ｋの総和は常に１となる。
各クラスをＣ_１、・・・、Ｃ_Ｋと表すと、出力層Ｌのノードｋの出力ｙ_Ｋ（すなわちｕ_ｋ ^（Ｌ））は、与えられた入力ｘがクラスＣ_Ｋに属する確率を表す。以下の（式８）を参照されたい。入力ｘは、（式８）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７）のソフトマックス関数による目標出力ｄ_ｎ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ｄ_ｎ＝［ｄ_ｎ１、・・・、ｄ_ｎＫ］というベクトル形式で表すと、例えば入力ｘ_ｎの正解クラスがＣ_３である場合、目標出力ｄ_ｎ３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９）で表される。

訓練データ｛（ｘ_ｎ、ｄ_ｎ）｝（ｎ＝１、・・・、Ｎ）に対する重みｗの尤度Ｌ（ｗ）は、以下の（式１０）で表される。尤度Ｌ（ｗ）の対数をとり符号を反転すると、（式６）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６）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１１）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１２）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１２）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１２）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。

（波形データ分析処理）
図１９に、分析用波形データ８０ａ、８０ｂ、８０ｃから、分析結果８３を生成するまでの波形データ分析処理を行う分析装置２００Ａの機能ブロック図を示す。分析装置２００Ａの処理部２０Ａは、分析用データ生成部２０１と、分析用データ入力部２０２と、分析部２０３とを備える。これらの機能ブロックは、本発明に係るコンピュータに波形データ分析処理を実行させるプログラムを、図１５に示す処理部２０Ａの記憶部２３又はメモリ２２にインストールし、このプログラムをＣＰＵ２１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に格納される訓練データと、アルゴリズムデータベース（ＤＢ）１０５に格納される訓練済み深層学習アルゴリズム６０とは、記録媒体９８又はネットワーク９９を通じて深層学習装置１００Ａから提供され、処理部２０Ａの記憶部２３又はメモリ２２に記録される。

分析用波形データ８０ａ、８０ｂ、８０ｃは、測定ユニット４００、５００によって取得され、処理部２０Ａの記憶部２３又はメモリ２２に記憶される。訓練済みの結合重みｗを含む訓練済み深層学習アルゴリズム６０は、例えば分析対象の細胞が属する細胞の種類と対応付けられて、アルゴリズムデータベース１０５に格納されており、コンピュータに波形データ分析処理を実行させるプログラムの一部であるプログラムモジュールとして機能する。すなわち、深層学習アルゴリズム６０は、ＣＰＵ及びメモリを備えるコンピュータにて用いられ、分析対象の細胞が、細胞の種類のいずれに該当するかの確率を算出し、細胞に関する分析結果８３を生成するために使用される。

また生成された分析結果８３は、次のように出力される。また、処理部２０ＡのＣＰＵ２１は、使用目的に応じた特有の情報の演算又は加工を実行するよう、コンピュータを機能させる。具体的には、処理部２０ＡのＣＰＵ２１は、記憶部２３又はメモリ２２に記録された深層学習アルゴリズム６０を用いて、細胞に関する分析結果８３を生成する。処理部２０ＡのＣＰＵ２１は、分析データ８５を入力層６０ａに入力し、分析対象の細胞が属する細胞の種別に関するラベル値を出力層６１から分析用波形データに含まれる細胞が属すると識別された細胞の種類のラベル値を出力する。

図２０に示すフローチャートを用いて説明すると、ステップＳ２１の処理は、分析用データ生成部２０１が行う。ステップＳ２２、Ｓ２３、Ｓ２４及びＳ２６の処理は、分析用データ入力部２０２が行う。ステップＳ２５の処理は、分析部２０３が行う。

図２０を用いて、処理部２０Ａが行う分析用波形データ８０ａ、８０ｂ、８０ｃから、細胞に関する分析結果８３を生成するまでの波形データ分析処理の例を説明する。

はじめに、処理部２０Ａは、分析用波形データ８０ａ、８０ｂ、８０ｃを取得する。分析用波形データ８０ａ、８０ｂ、８０ｃの取得は、ユーザの操作によって、若しくは自動的に、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、ネットワーク経由でＩ／Ｆ部２５を介して行われる。

ステップＳ２１において、処理部２０Ａは、数列８２ａ、８２ｂ、８２ｃから、上記分析データの生成方法で説明した手順に従い細胞に関する分析結果８３を生成する。

次に、ステップＳ２２において、処理部２０Ａは、アルゴリズムデータベース１０５に格納されている深層学習アルゴリズムを取得する。なお、ステップＳ２１とＳ２２の順序は問わない。

次に、ステップＳ２３において、処理部２０Ａは、細胞に関する分析結果８３を深層学習アルゴリズムに入力する。処理部２０Ａは、上記波形データの分析方法で述べた手順に従い、深層学習アルゴリズムから、分析用波形データ８０ａ、８０ｂ、８０ｃを取得した分析対象の細胞が属すると判断したラベル値を出力する。処理部２０Ａは、このラベル値をメモリ２２又は記憶部２３に記憶する。

ステップＳ２４において、処理部２０Ａは、はじめに取得した分析用波形データ８０ａ、８０ｂ、８０ｃを全て識別したかを判断する。全ての分析用波形データ８０ａ、８０ｂ、８０ｃの識別が終わっている（ＹＥＳ）の場合には、ステップＳ２５へ進み、細胞に関する情報８３を含む分析結果を出力する。全ての分析用波形データ８０ａ、８０ｂ、８０ｃの識別が終わっていない（ＮＯ）の場合には、ステップＳ２６に進み、まだ識別を行っていない分析用波形データ８０ａ、８０ｂ、８０ｃに対して、ステップＳ２２からステップＳ２４の処理を行う。

本実施形態により、検査者のスキルを問わず細胞の種類の識別を行うことが可能となる。

＜コンピュータプログラム＞
本実施形態には、ステップＳ１１～Ｓ１６及び／又はＳ２１～Ｓ２６の処理をコンピュータに実行させる、細胞の種別を分析する波形データ分析するためのコンピュータプログラムを含む。

さらに、本実施形態のある実施形態は、コンピュータプログラムを記憶した、記憶媒体等のプログラム製品に関する。すなわち、コンピュータプログラムは、ハードディスク、フラッシュメモリ等の半導体メモリ素子、光ディスク等の記憶媒体に記憶される。記憶媒体へのプログラムの記憶形式は、ベンダ側装置１００、及び／又はユーザ側装置２００がプログラムを読み取り可能である限り制限されない。前記記憶媒体への記録は、不揮発性であることが好ましい。

［４．波形データ分析システム２］
＜波形データ分析システム２の構成＞
波形データ分析システムの別の態様について説明する。
図２１に第２の波形データ分析システムの構成例を示す。第２の波形データ分析システムは、ユーザ側装置２００を備え、ユーザ側装置２００が、統合型の分析装置２００Ｂとして動作する。分析装置２００Ｂは、例えば汎用コンピュータで構成されており、上記波形データ分析システム１で説明した深層学習処理及び波形データ分析処理の両方の処理を行う。つまり、第２の波形データ分析システムは、ユーザ側で深層学習及び波形データ分析を行う、スタンドアロン型のシステムである。第２の波形データ分析システムは、ユーザ側に設置された統合型の分析装置２００Ｂが、本実施形態に係る深層学習装置１００Ａ及び分析装置２００Ａの両方の機能を担う。

図２１において、分析装置２００Ｂは測定ユニット４００ｂ、５００ｂに接続されている。図５（ａ）に例示する測定ユニット４００、図５（ｂ）に例示する測定ユニット５００は、深層学習処理時には、訓練用波形データ７０ａ、７０ｂ、７０ｃを取得し、波形データ分析処理時には、分析用波形データ８０ａ、８０ｂ、８０ｃを取得する。

＜ハードウェア構成＞
分析装置２００Ｂのハードウェア構成は、図１５に示すユーザ側装置２００のハードウェア構成と同様である。

＜機能ブロック及び処理手順＞
図２２に、分析装置２００Ｂの機能ブロック図を示す。分析装置２００Ｂの処理部２０Ｂ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、分析データ生成部２０１と、分析データ入力部２０２と、分析部２０３と、細胞の種別に関する分析結果８３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及び波形データ分析処理を実行させるプログラムを、図１５に例示する、処理部２０Ｂの記憶部２３又はメモリ２２にインストールし、このプログラムをＣＰＵ２１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２０Ｂの記憶部２３又はメモリ２２に記憶され、どちらも深層学習時及び波形データ分析処理時に共通して使用される。訓練済みのニューラルネットワークを含む深層学習アルゴリズム６０は、例えば分析対象の細胞が属する細胞の種類や細胞の種別と対応付けられて、アルゴリズムデータベース１０５に予め格納されている。深層学習処理により結合重みｗが更新されて、新たな深層学習アルゴリズム６０として、アルゴリズムデータベース１０５に格納される。なお、訓練用波形データ７０ａ、７０ｂ、７０ｃは、上述の通り測定ユニット４００ｂ、５００ｂによって予め取得され、訓練データデータベース（ＤＢ）１０４又は処理部２０Ｂの記憶部２３若しくはメモリ２２に予め記憶されていることとする。分析対象の検体の分析用波形データ８０ａ、８０ｂ、８０ｃは、測定ユニット４００ｂ、５００ｂによって予め取得され、処理部２０Ｂの記憶部２３又はメモリ２２に予め記憶されていることとする。

分析装置２００Ｂの処理部２０Ｂは、深層学習処理時には、図１７に示す処理を行い、波形データ分析処理時には、図２０に示す処理を行う。図２２に示す各機能ブロックを用いて説明すると、深層学習処理時には、ステップＳ１１、Ｓ１５及びＳ１６の処理は、訓練データ生成部１０１が行う。ステップＳ１２の処理は、訓練データ入力部１０２が行う。ステップＳ１３、及びＳ１８の処理は、アルゴリズム更新部１０３が行う。波形データ分析処理時には、ステップＳ２１の処理は、分析用データ生成部２０１が行う。ステップＳ２２、Ｓ２３、Ｓ２４及びＳ２６の処理は、分析用データ入力部２０２が行う。ステップＳ２５の処理は、分析部２０３が行う。

分析装置２００Ｂが行う深層学習処理の手順及び波形データ分析処理の手順は、深層学習装置１００Ａ及び分析装置２００Ａがそれぞれ行う手順と同様である。但し、分析装置２００Ｂは、訓練波形データ７０ａ、７０ｂ、７０ｃを測定ユニット４００ｂ、５００ｂから取得する。

分析装置２００Ｂでは、ユーザが、訓練済み深層学習アルゴリズム６０による識別精度を確認することができる。万が一深層学習アルゴリズム６０の判定結果がユーザの波形データ観察による判定結果と異なる場合には、分析用波形データ８０ａ、８０ｂ、８０ｃを訓練用データ７０ａ、７０ｂ、７０ｃとして、ユーザの波形データ観察による判定結果をラベル値７７として、深層学習アルゴリズムを訓練し直すことができる。このようにすることにより、深層学習アルゴリズム５０の訓練効率をより向上することができる。

［５．波形データ分析システム３］
＜波形データ分析システム３の構成＞
波形データ分析システムの別の態様について説明する。
図２３に第３の波形データ分析システムの構成例を示す。第３の波形データ分析システムは、ベンダ側装置１００と、ユーザ側装置２００とを備える。ベンダ側装置１００は統合型の分析装置１００Ｂとして動作し、ユーザ側装置２００は端末装置２００Ｃとして動作する。分析装置１００Ｂは、例えば汎用コンピュータで構成されており、上記波形データ分析システム１で説明した深層学習処理及び波形データ分析処理の両方の処理を行う、クラウドサーバ側の装置である。端末装置２００Ｃは、例えば汎用コンピュータで構成されており、ネットワーク９９を通じて、分析対象の細胞の分析用波形データ８０ａ、８０ｂ、８０ｃを分析装置１００Ｂに送信し、ネットワーク９９を通じて、分析結果８３を分析装置１００Ｂから受信する、ユーザ側の端末装置である。

第３の波形データ分析システムは、ベンダ側に設置された統合型の分析装置１００Ｂが、深層学習装置１００Ａ及び分析装置２００Ａの両方の機能を担う。一方、第３の波形データ分析システムは、端末装置２００Ｃを備え、分析用波形データ８０ａ、８０ｂ、８０ｃの入力インタフェースと、分析結果の波形データの出力インタフェースとをユーザ側の端末装置２００Ｃに提供する。つまり、第３の波形データ分析システムは、深層学習処理及び波形データ分析処理を行うベンダ側が、分析用波形データ８０ａ、８０ｂ、８０ｃをユーザ側に提供する入力インタフェースと、細胞に関する情報８３をユーザ側に提供する出力インタフェースとを備える、クラウドサービス型のシステムである。入力インタフェースと出力インタフェースは一体化されていてもよい。

分析装置１００Ｂは測定ユニット４００ａ、５００ａに接続されており、測定ユニット４００ａ、５００ａによって取得される、訓練用波形データ７０ａ、７０ｂ、７０ｃを取得する。

端末装置２００Ｃは測定ユニット４００ｂ、５００ｂに接続されており、測定ユニット４００ｂ、５００ｂによって取得される、分析用波形データ８０ａ、８０ｂ、８０ｃを取得する。

＜ハードウェア構成＞
分析装置１００Ｂのハードウェア構成は、図１４に示すベンダ側装置１００のハードウェア構成と同様である。端末装置２００Ｃのハードウェア構成は、図１５に示すユーザ側装置２００のハードウェア構成と同様である。
＜機能ブロック及び処理手順＞
図２４に、分析装置１００Ｂの機能ブロック図を示す。分析装置１００Ｂの処理部１０Ｂ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、分析用データ生成部２０１と、分析用データ入力部２０２と、分析部２０３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及び波形データ分析処理を実行させるプログラムを、図１４に示す処理部１０Ｂ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１０Ｂの記憶部１３又はメモリ１２に記憶され、どちらも深層学習時及び波形データ分析処理時に共通して使用される。ニューラルネットワーク５０は、例えば分析対象の細胞が属する細胞の種類や種別と対応付けられて、アルゴリズムデータベース１０５に予め格納されており、深層学習処理により結合重みｗが更新されて、深層学習アルゴリズム６０として、アルゴリズムデータベース１０５に格納される。

訓練用波形データ７０ａ、７０ｂ、７０ｃは、上述の通り測定ユニット４００ａ、５００ａによって予め取得され、訓練データデータベース（ＤＢ）１０４又は処理部１０Ｂの記憶部１３若しくはメモリ１２に予め記載されている。分析用波形データ８０ａ、８０ｂ、８０ｃは、測定ユニット４００ｂ、５００ｂによって取得され、端末装置２００Ｃの処理部２０Ｃの記憶部２３又はメモリ２２に予め記録されていることとする。

分析装置１００Ｂの処理部１０Ｂは、深層学習処理時には、図１７に示す処理を行い、波形データ分析処理時には、図２０に示す処理を行う。図２４に示す各機能ブロックを用いて説明すると、深層学習処理時には、ステップＳ１１、Ｓ１５及びＳ１６の処理は、訓練データ生成部１０１が行う。ステップＳ１２の処理は、訓練データ入力部１０２が行う。ステップＳ１３、及びＳ１８の処理は、アルゴリズム更新部１０３が行う。波形データ分析処理時には、ステップＳ２１の処理は、分析用データ生成部２０１が行う。ステップＳ２２、Ｓ２３、Ｓ２４及びＳ２６の処理は、分析用データ入力部２０２が行う。ステップＳ２５の処理は、分析部２０３が行う。

分析装置１００Ｂが行う深層学習処理の手順及び波形データ分析処理の手順は、本実施形態に係る深層学習装置１００Ａ及び分析装置２００Ａがそれぞれ行う手順と同様である。

処理部１０Ｂは、訓練用波形データ７０ａ、７０ｂ、７０ｃを、ユーザ側の端末装置２００Ｃから受信し、図１７に示すステップＳ１１からＳ１６にしたがって訓練データ７５を生成する。

図２０に示すステップＳ２５において、処理部１０Ｂは、細胞に関する情報８３を含む分析結果を、ユーザ側の端末装置２００Ｃに送信する。ユーザ側の端末装置２００Ｃでは、処理部２０Ｃが、受信した分析結果を出力部２７に出力する。

以上、端末装置２００Ｃのユーザは、分析用波形データ８０ａ、８０ｂ、８０ｃを分析装置１００Ｂに送信することにより、分析結果として、細胞の種別に関する分析結果８３を取得することができる。

第３の実施形態に係る分析装置１００Ｂによると、ユーザは、訓練データデータベース１０４及びアルゴリズムデータベース１０５を深層学習装置１００Ａから取得することなく、識別器を使用することができる。これにより、細胞の種類を識別するサービスを、クラウドサービスとして提供することができる。

［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。

各場像分析システムにおいて、処理部１０Ａ、１０Ｂは一体の装置として実現されているが、処理部１０Ａ、１０Ｂは一体の装置である必要はなく、ＣＰＵ１１、メモリ１２、記憶部１３、ＧＰＵ１９等が別所に配置され、これらがネットワークで接続されていてもよい。処理部１０Ａ、１０Ｂと、入力部１６と、出力部１７とについても、一ヶ所に配置される必要は必ずしもなく、それぞれ別所に配置されて互いにネットワークで通信可能に接続されていてもよい。処理部２０Ａ、２０Ｂ、２０Ｃについても処理部１０Ａ、１０Ｂと同様である。

上記第１から第３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、分析用データ生成部２０１、分析用データ入力部２０２、及び分析部２０３の各機能ブロックは、単一のＣＰＵ１１又は単一のＣＰＵ２１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ＣＰＵにおいて実行される必要は必ずしもなく、複数のＣＰＵで分散して実行されてもよい。また、これら各機能ブロックは、複数のＧＰＵで分散して実行されてもよいし、複数のＣＰＵと複数のＧＰＵとで分散して実行されてもよい。

上記第２及び第３の実施形態では、図１７及び図２０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１３、２３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から処理部１０Ｂ、２０Ｂにインストールしてもよい。又は、処理部１０Ｂ、２０Ｂをネットワーク９９と接続し、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。

各波形データ分析システムにおいて、入力部１６、２６はキーボード又はマウス等の入力装置であり、出力部１７、２７は液晶ディスプレイ等の表示装置として実現されている。これに代えて、入力部１６、２６と出力部１７、２７とを一体化してタッチパネル式の表示装置として実現してもよい。又は、出力部１７、２７をプリンター等で構成してもよい。

上記各波形データ分析システムでは、測定ユニット４００ａ、５００ａは、深層学習装置１００Ａ又は分析装置１００Ｂと直接接続されているが、フローサイトメトリー３００は、ネットワーク９９を介して深層学習装置１００Ａ又は分析装置１００Ｂと接続されていてもよい。フローサイトメトリー４００についても同様に、フローサイトメトリー４００は、分析装置２００Ａ又は分析装置２００Ｂと直接接続されているが、測定ユニット４００ｂ、５００ｂは、ネットワーク９９を介して分析装置２００Ａ又は分析装置２００Ｂと接続されていてもよい。

図２５に出力部２７に出力される、分析結果の一実施形態を示す。図２５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３で示したラベル値を付与した細胞の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２５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。

１．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。それぞれの検体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データとしてプールした。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の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。この分析用データは、スキャッタグラム上では健常人由来の血球とコントロール血液由来の血球がオーバーラップして従来法では全く鑑別できなかった。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、個々の細胞の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２６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２７（ａ）は好中球、図２７（ｂ）はリンパ球、図２７（ｃ）は単球、図２８（ａ）は好中球、図２８（ｂ）は好塩基球、図２８（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、細胞の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、判定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これらの細胞の判定が可能であることが示された。

４０００、４０００’ 細胞分析装置
１０ 処理部
５０ 訓練前の深層学習アルゴリズム
５０ａ 入力層
５０ｂ 出力層
６０ 訓練済み深層学習アルゴリズム
７５ 訓練データ
８０ 分析データ
８３ 細胞の種別に関する分析結果

Claims (18)

1. 生体試料に含まれる細胞をニューラルネットワーク構造の深層学習アルゴリズムを用いて分析する細胞分析方法であって、
   フローセルに、前記細胞を流し、
   前記フローセルを通過する個々の細胞に光が照射されることで得られる信号の信号強度を取得し、取得した個々の細胞に関する信号強度に対応する数値データを前記深層学習アルゴリズムに入力し、
   前記深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定する、
   ことを含み、
   前記信号が、側方散乱光信号、前方散乱光信号、及び蛍光信号である、
   前記細胞分析方法。
2. 前記信号強度は、前記フローセル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取得され、
   取得された前記信号強度は、信号強度を取得した時点に関する情報と対応付けて記憶される、
   請求項１に記載の細胞分析方法。
3. 前記複数の時点における信号強度の取得が、前記個々の細胞における信号強度が所定の値に達した時点から開始され、前記信号強度の取得開始から所定時間後に終了する、
   請求項２に記載の細胞分析方法。
4. 前記所定位置が、フローセル内で細胞に光が照射される位置である、請求項２又は３に記載の細胞分析方法。
5. 前記光が、レーザ光である、請求項１から４のいずれか一項に記載の分析方法。
6. 前記深層学習アルゴリズムに入力される信号強度に対応する数値データが、細胞毎に取得した側方散乱光信号、前方散乱光信号、及び蛍光信号の信号強度を組み合わせた情報を含む、請求項１から５のいずれか一項に記載の細胞分析方法。
7. 前記深層学習アルゴリズムが、前記深層学習アルゴリズムの出力層に紐付けられた複数の細胞の種別に、前記信号強度を取得した細胞が属する確率を細胞毎に算出する、請求項１から６に記載の細胞分析方法。
8. 前記深層学習アルゴリズムが、前記信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値を出力する、請求項７に記載の細胞分析方法。
9. 前記信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値に基づいて、複数の細胞の種別についてそれぞれに属する細胞数をカウントし、その結果を出力する、又は
   前記信号強度を取得した細胞が属する確率が最も高い細胞の種別のラベル値に基づいて、複数の細胞の種別それぞれに属する細胞の割合を算出し、その結果を出力する、請求項８に記載の細胞分析方法。
10. 生体試料が、血液試料である、請求項１から９のいずれか一項に記載の細胞分析方法。
11. 細胞の種別が、好中球、リンパ球、単球、好酸球、及び好塩基球からなる群から選択される少なくとも一種を含む、請求項１０に記載の細胞分析方法。
12. 細胞の種別が、下記(a)及び（ｂ）よりなる群から選択される少なくとも一種を含む、請求項１から１１のいずれか一項に記載の細胞分析方法：
    （ａ）幼若顆粒球、及び
    （ｂ）腫瘍細胞、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から選択される有核赤血球、及び巨核球よりなる群から選択される少なくとも一種の異常細胞。
13. 細胞の種別が、異常細胞を含み、
    深層学習アルゴリズムによって、異常細胞と判定された細胞があった場合、生体試料中に異常細胞が含まれることを出力する、請求項１２に記載の細胞分析方法。
14. 生体試料が、尿である、請求項１から９のいずれか一項に記載の細胞分析方法。
15. 前記側方散乱光信号は、光源からの光が細胞により進行方向に対して側方に散乱した光が光電変換された電気信号であり、前記前方散乱光信号は、前記光源からの光が細胞により進行方向に対して前方に散乱した光が光電変換された電気信号であり、前記蛍光信号は、細胞から生じた蛍光が光電変換された電気信号である、請求項１から１４のいずれか一項に記載の細胞分析方法。
16. ニューラルネットワーク構造を有する深層学習アルゴリズムを用いて、生体試料に含まれる細胞の種別を細胞毎に判定する細胞分析装置であって、
    前記細胞分析装置は測定部および処理部を備え、
    前記測定部は、
    前記細胞がフローセルを通過する際に、個々の細胞に光が照射されることで得られる信号の信号強度を取得し、
    前記処理部は、
    取得された個々の細胞に関する信号強度に対応する数値データを前記深層学習アルゴリズムに入力し、
    前記深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定し、
    前記信号が、側方散乱光信号、前方散乱光信号、及び蛍光信号である、
    前記細胞分析装置。
17. さらに、前記細胞が前記フローセルを通過する際に、個々の細胞に関する信号強度を取得する測定ユニットを備える、請求項１６に記載の細胞分析装置。
18. 生体試料に含まれる細胞をニューラルネットワーク構造の深層学習アルゴリズムを用いて分析するためのコンピュータプログラムであって、
    前記コンピュータプログラムは、
    処理部に、
    測定部が取得した、フローセルに、前記細胞を流し、前記フローセルを通過する個々の細胞に光が照射されることで得られる信号の信号強度について、取得された個々の細胞に関する信号強度に対応する数値データを前記深層学習アルゴリズムに入力するステップと、
    前記深層学習アルゴリズムから出力された結果に基づいて、信号強度を取得した細胞の種別を細胞毎に判定するステップと、
    を実行させ、
    前記信号が、側方散乱光信号、前方散乱光信号、及び蛍光信号である、
    前記コンピュータプログラム。

Images