JP7487229B2 - インピーダンス信号処理による医療分析装置 - Google Patents

Description

本発明は、血液学の分野に関し、より詳細には、細胞計数装置に関する。

１９５０年代以降、血液検査システムにおける様々な血球の計数および体積測定は、「コールター原理」と呼ばれる方法に従って、インピーダンス測定によって行われてきた。この方法は、導電性の液体に懸濁した細胞を極性のある微小開口部に通し、開口部における粒子の通過によって生じる電気抵抗の変化（またはインピーダンスの変化）を検出することを含む。このようにして発生した異なるパルスを検出することで、要素を数えることができる。

分析的な開発については、Groverらによる「Electrical sizing of particles in suspensions: I.theory」（Biophysical Journal、９：１３９８～１４１４、１９６９）およびHurleyによる「Sizing particles with a Coulter counter」（Biophysical Journal、１０：７４～７９、１９７０）などの様々な著者による文献に記載されている。これらの文献では、電気的な干渉の振幅によって、特定のケースでは式Ｕ＝（ｒ．ｆｓ．ｉ）Ｖ／Ｓ＾２に従って細胞の体積を取得することができることを示している。式中、Ｕは電極端子での電圧の変化、Ｖは粒子の体積、Ｓは開口部の断面積、ｒは媒体の導電度、ｉは一定の印加電流、およびｆｓはその方向性および形状に依存する細胞の形状因子を表す。

この式により、開口部よりもはるかに小さい細胞サイズで、一定の形状因子をもつ均一な電界をかけて分析した細胞の体積分布を構築することができる。例えば、赤血球（ＲＢＣ）の場合、波高分布に基づいて、重要な血液学的パラメータとなる平均血球容積（ＭＣＶ）と分布指数（ＤＩ）が定義される。また、この式では、体積Ｖに形状因子ｆｓを含む係数を掛けることで、実際の体積を求めることができる。

これらの計算は、形状因子ｆｓが一定であること、および電界が均一であることを前提としている。しかしながら、従来の装置では、これらの前提は一般的に見られない。実際、電界が不均一（縁部に近いほど強い）である一方で、細胞が壁部の近くを通る際には、流体力学的な（特にせん断応力による）影響が大きく、細胞は回転したり複雑な形状になったりする。この場合、中心部における細胞通過に対して形状因子が変化するため、正しい実体積を求める場合には補正を行う必要がある。

現在の装置において、細胞の軌道に応じて形状因子が補正されず、壁部に近い細胞の通過に関連するインピーダンス信号が波高を有するため、静電的および／または流体力学的アーチファクトによる細胞体積が過大に推定されることになる。

このため、得られた体積分布は、一般的に右に長い裾をもつ非対称な分布（「右に裾をひいた分布」と呼ばれる）となり、細胞の体積パラメータ（ＭＣＶおよびＤＩ）の測定値が歪んでしまう。

これらの問題を解決するために、以下のいくつかの解決策が提案されてきた。
・ 赤血球を球形化することで、形状因子への影響を相殺することができる。ただし、浸透圧を変更するための特殊な試薬を開発する必要がある。
・ 開口部を延長することで、電界を均一化することができる。ただし、インピーダンスの損失が著しく大きくなり、同時通過の危険性が高くなる（２つの細胞が同時に開口部を通過すると、区別がつかなくなる）。
・ パルスをソートすることで、縁部に近い細胞の軌道に対応するパルスを除去することができる。ただし、パルス幅に基づくこれらの方法は、波高を考慮しても（特に細胞サイズが変化する場合）有効ではなく、細胞の回転情報を識別することができない。

これらの解決策はいずれも満足できるものではなかったため、流体力学的集束技術（ハイドロフォーカス）が開発された。この解決策は、分析対象となる細胞の流れを流体力学的に覆うことを含む。これにより、流れを開口部の中央に配置して、縁部の通過に伴う影響を抑えることができる。この技術は、実装が非常に複雑であり、特にコストがかかる。

本発明は、この状況を改善するものである。

本発明は、細胞インピーダンス信号処理を用いた医療分析装置に関する。該装置は、パルスデータセットを受け取るように配置されたメモリを備える。パルスデータセットの各々は、時間マーカーに毎回関連付けられるインピーダンス値データを含む。これらのデータは、共に、細胞が極性のある開口部を通る際に測定される細胞インピーダンス値の曲線を表している。また、該装置は、計算機を備える。計算機は、パルスデータセットが得られた細胞が、極性のある開口部を通過する間に回転を受けたかどうかを示す回転値を決定することで、パルスデータセットを処理するように配置される。また、該装置は、計算機に所与のパルスデータセットを提供するように配置された分類器を備える。分類器は、得られた回転値を使用して、所与のパルスデータセットを回転パルスデータセット群または無回転パルスデータセット群に分類する。

本装置は、無回転パルスデータセット群を考慮することで、ハイドロフォーカスシステムで得られる結果と同様の結果を、著しく低いコストと容易な使用方法で得ることができるため、有利である。

代替的に、本発明による装置は、以下の特徴を１つまたは複数含むことができる：
・ 計算機は、
＊ パルスデータセットの最大インピーダンス値を決定するステップと、
＊ 最大インピーダンス値に［０．７；０．９５］の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が上限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
＊ 最大インピーダンス値に［０．１；０．６］の範囲で選択された上限係数を掛けて下限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が下限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
＊ 上限持続時間と下限持続時間とから算出された比によって決定される回転値を返すステップと、
によって、パルスデータセットを処理するように配置され、
・ 上限係数は、［０．８；０．９］の範囲で選択され、
・ 下限係数は、［０．３；０．６］の範囲で選択され、
・ 上限係数は、０．８７５であり、下限係数は、０．５であり、
・ 計算機は、上限持続時間を下限持続時間で割った値に等しい回転値を返し、分類器は、回転値が厳密に０．４５よりも小さいパルスデータセットを回転パルスデータセット群に分類し、回転値が０．４５よりも大きいパルスデータセットを無回転パルスデータセット群に分類するように配置され、
・ 計算機は、ニューラルネットワークであり、パルスデータセットを処理してニューラルネットワークによる処理に適合させるように、時間マーカーおよびインピーダンス値を無次元化し、無次元化されたデータをニューラルネットワークのために選択されたインピーダンス値に再サンプリングするように配置された変換器と、変換器によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも１つの隠れ層、および回転値を決定するための出力層を含む多層パーセプトロンと、を備え、
・ 入力層は、変換器によって処理されたパルスデータセットの幅を受け取る入力をさらに含み、
・ 多層パーセプトロンは、２０のニューロンを含む隠れ層を備え、これらのニューロンの活性化関数は、シグモイド関数であり、
・ 多層パーセプトロンは、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連するパルスデータセットの最大インピーダンス値が０．３ｒａｄよりも大きい細胞配向を有する入力に対して０に設定され、それ以外の場合は１に設定される。

また、本発明は、医療分析インピーダンス信号の処理方法に関する。該方法は、
ａ．パルスデータセットを受け取るステップであって、パルスデータセットの各々は、時間マーカーに毎回関連付けられるインピーダンス値データを含み、これらのデータは、共に、細胞が極性のある開口部を通る際に測定される細胞インピーダンス値の曲線を表す、パルスデータセットを受け取るステップと、
ｂ．ステップａで得られたパルスデータセットを処理して、パルスデータセットが得られた細胞が、極性のある開口部を通過する間に回転を受けたかどうかを示す回転値を決定するステップと、
ｃ．ステップｂで得られた回転値に応じて、パルスデータセットを回転パルスデータセット群または無回転パルスデータセット群に分類するステップと、
を含む。

様々な代替実施形態において、本方法は、以下の特徴を１つまたは複数含むことができる：
・ ステップｂは、
ｂ１．パルスデータセットの最大インピーダンス値を決定するステップと、
ｂ２．最大インピーダンス値に［０．７；０．９５］の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が上限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
ｂ３．最大インピーダンス値に［０．１；０．６］の範囲で選択された上限係数を掛けて下限インピーダンス値を算出し、パルスデータセット内の関連するインピーダンス値が下限インピーダンス値に等しい時間マーカーをパルスデータセット内で決定し、これらの時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
ｂ４．上限持続時間と下限持続時間から算出された比によって決定される回転値を返すステップと、
を含み、
・ 上限係数は、［０．８；０．９］の範囲で選択され、
・ 下限係数は、［０．３；０．６］の範囲で選択され、
・ 上限係数は、０．８７５であり、下限係数は、０．５であり、
・ ステップｂ４において、上限持続時間を下限持続時間で割った値に等しい回転値が返され、ステップｃにおいて、回転値が厳密に０．４５よりも小さいパルスデータセットが回転パルスデータセット群に分類され、回転値が０．４５よりも大きいパルスデータセットが無回転パルスデータセット群に分類され、
・ ステップｂは、ニューラルネットワークによって実行され、ニューラルネットワークは、パルスデータセットを処理してニューラルネットワークによる処理に適合させるように、時間マーカーおよびインピーダンス値を無次元化し、無次元化されたデータをニューラルネットワークのために選択されたインピーダンス値に再サンプリングするように配置された変換器と、変換器によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも１つの隠れ層、および回転値を決定するための出力層を含む多層パーセプトロンと、を備え、
・ 入力層は、変換器によって処理されたパルスデータセットの幅を受け取る入力をさらに含み、
・ 多層パーセプトロンは、２０のニューロンを含む隠れ層を備え、これらのニューロンの活性化関数は、シグモイド関数であり、
・ 多層パーセプトロンは、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連するパルスデータセットの最大インピーダンス値が０．３ｒａｄよりも大きい細胞配向を有する入力に対して０に設定され、それ以外の場合は１に設定される。

本発明のさらなる特徴および利点は、添付の図面を参照して非限定的に例示する以下の説明により、より明確になるであろう。
本発明の範囲内にある測定用開口部の原理図と、その中で細胞が取り得る軌道を示す図である。 図１に示す軌道に対するパルス測定値を示す図である。 本発明による装置の第１の実施形態を示す図である。 図３に示す装置でヒトの血液サンプルを分類し、実際に対応するパルス分布と比較した例を示す図である。 本発明による装置の第２の実施形態を示す図である。 第２の実施形態による、実際の血液サンプルで示す回転値の計算結果のヒストグラムである。

添付の図面および以下の説明には、本発明の特定の性質の要素が本質的に含まれる。これらは、本発明をよりよく理解するのに役立つだけでなく、その定義にも適宜貢献することができる。

図１は、本発明の範囲内にある測定用開口部の原理図と、その中で細胞が取り得る軌道を示す。開口部の壁は点線で表され、ｘ座標とｙ座標はμｍで表されている。

図２は、図１に示す軌道で測定したインピーダンスパルスを示す。ｘ座標はμｓで表され、ｙ座標はＯｈｍで表されている。図に示すように、細胞の入射軌道が開口部の一方の壁に近いほど、測定値はカオス的になり、上述したような誤差が生じる。

本出願人は、高度なシミュレーションを行った結果、体積の過大な推定が微小開口部における細胞の回転運動に直接関連しているという事実を確認することができた。言い換えれば、インピーダンス信号を用いて回転を特徴付けて、この回転に基づいてフィルタリング法を実施することで、高さおよび幅の分析に基づく従来のフィルタリングプロセスよりも確実に細胞の体積パラメータを測定することができ、ハイドロフォーカスシステムに匹敵する結果を得ることができた。

より詳細には、本出願人は、シミュレーションにおいて、壁の近くで軌道に沿い、且つそれに応じて複雑なパルスを有する細胞は、開口部を通過する際に系統的に回転を受けることを確認した。したがって、ＭＣＶおよびＤＩを確実且つ正確に算出するために、細胞が回転を受けたことが確認されたパルスを除去することが有用である。

先行技術では、パルスの非消去性（non-exploitability）と細胞の回転の存在との相関関係を正確に確立したものはなかった。また、そのインピーダンスパルスから細胞が開口部で回転を受けたかどうかを識別する手段を開示したものもなかった。

本出願人は、細胞が開口部で回転を受けたかどうかを確実に決定および／または定量化する２つの方法を確認した。

１つ目の方法は、測定されたインピーダンスパルスにピークがあるかどうかを決定するように意図された信号の処理に基づいている。実際、開口部の中心部を通過し、且つＭＣＶおよび信頼性の高いＤＩの算出に有用なインピーダンスパルスを有する細胞は、図１に示す軌道１および２のようにベル型のインピーダンスパルスを有する。その他の軌道では、開口部における細胞について、９０°に最も近い回転に対応するピークを有するパルスが発生する。この方法について、第１の実施形態を参照して説明する。

２つ目の方法は、図１に示す軌道１および２に関連するインピーダンスパルスを認識するように学習されたニューラルネットワークに基づいている。この方法について、第２の実施形態を参照して説明する。

図３は、本発明による装置の第１の実施形態を示す図である。本実施形態において、装置は、メモリ４と、計算機６と、分類器８と、を備える。

メモリ４は、ハードドライブ、フラッシュメモリハードドライブ（ＳＳＤ）、任意の形式のフラッシュメモリ、ランダムアクセスメモリ、磁気ディスク、ローカルまたはクラウドに配布されたストレージなどを含む、デジタルデータを受け取ることができる任意のタイプのデータストレージであり得る。装置で算出されたデータは、メモリ４と同様の任意のタイプのメモリ、またはその上に格納することができる。これらのデータは、装置がタスクを実行した後に削除したり、保存したりすることができる。

本実施例において、メモリ４は、パルスデータセットを受け取る。パルスデータセットは、図２に示すインピーダンスパルスを特徴付けるために使用することができるデータ群を表す。したがって、これは、図２に示すような曲線を定義するペア（測定されたインピーダンス値；時間マーカー）のセットである。実際、パルスデータセットは、一般的にオリフィス部の検出出力のサンプリング値となる。パルスデータセットは、連続した曲線にすることもできる。この場合、計算機６がそれに応じて適合される。

計算機６および分類器８は、メモリ４に直接または間接的にアクセスする要素である。それらは、１つまたは複数のプロセッサ上で実行される適切な計算コードの形態で具現化することができる。プロセッサとは、以下に記載する計算に適した任意のプロセッサを意味する。このようなプロセッサは、パーソナル計算機のマイクロプロセッサ、ＦＰＧＡまたはＳｏＣ（「システムオンチップ」）タイプの専用チップ、グリッド上またはクラウドにおける計算リソース、マイクロコントローラ、または以下に記載する実施形態に必要な計算力を供給することができる他の任意の形態を含む、任意の既知の方法で具現化することができる。また、これらの要素の１つまたは複数を、ＡＳＩＣなどの特殊な電子回路の形態で、具現化することができる。また、プロセッサと電子回路との組み合わせを想定することもできる。

なお、本発明による装置は、有利には血液分析装置に統合することも、別個に設けることもできることに留意されたい。したがって、血液分析装置に完全に統合することができ、または、例えば、必要または所望に応じて血液分析装置が接続するウェブサービスとすることもできる。

上述したように、メモリ４は、細胞が開口部を通過する際に測定されたパルスデータセットを受け取る。分類器８は、測定されたばかりのパルスデータセット、またはメモリ４に格納された別のパルスデータセットの回転値を決定するために、計算機６を呼び出すように配置される。計算機６が算出した回転値に基づいて、分類器８は、パルスデータセットを回転パルスデータセット群または無回転パルスデータセット群に分類する。これらのパルスデータセット群が確立されると、血液装置が無回転パルスデータセット群を使用してＭＣＶおよびＤＩを確実に決定することができる。なお、ＭＣＶは、パルスの最大値から１０％以上のパルスを維持し、得られた体積の平均をとることで得ることができる。ＤＩは、ＭＣＶを算出するために使用したパルスの標準偏差に１００を掛けて、合計をＭＣＶで割ることで得ることができる。代替的に、１０％の値を２％に低減することができる。

計算機６は、細胞が回転を受けたかどうかを示す値を算出するために、パルスデータセットを処理するように配置されている。そのため、本出願人は、軌道に応じて異なるパルスの形状を観察し、両方の細胞集団を確実に分離することができる値を推測した。そのために、ＷＲと呼ばれる値を設定した。値ＷＲは、２つのパルス幅の間の比である。特定の時間で取得されたこれらの幅によって、パルスのピークの存在を示すことができ、または、ベル型のパルスを示すことができる。

そのため、計算機６は、まず、パルスデータセットにおける最大波高を決定する。この最大波高は、上限インピーダンス値および下限インピーダンス値を算出するために使用される。

上限インピーダンス値は、最大インピーダンス値（最大波高に対応する）に上限係数を掛けることで得ることができる。この上限係数は、一般的に、パルスのインピーダンスピークの幅を正しく近似することができる２つの時間を決定する役割を果たす。そのため、上限係数は、［０．７；０．９５］の範囲で選択され、好ましくは［０．８；０．９］の範囲で選択される。これにより、少なくとも２つの時間を得ることができ、これらの時間が（複数のピークが存在する状況を制限するために）実際にパルスのピークに対応することができる。

したがって、上限インピーダンス値は、最大インピーダンス値よりも小さく、その７０％よりも大きい。本出願人の研究では、この範囲によって、生成されたパルスのピークを捉えることができることが示された。本出願人は、０．８７５の値が特に有利であり、最良の結果をもたらすことを確認した。これにより、最も正確な方法でパルスのピークを推定することができる。実際、最大波高付近のピークは、一般的に比較的狭い。

下限インピーダンス値は、最大インピーダンス値に下限係数を掛けることで得ることができる。この下限係数は、一般的に、インピーダンスパルスの幅を正しく近似することができる２つの時間を決定する役割を果たす。そのため、下限係数は、［０．１；０．６］の範囲で選択され、好ましくは［０．３；０．６］の範囲で選択される。これにより、２つの時間を得ることができ、これらの時間が一般的なパルス幅に対応することができる。

したがって、下限インピーダンス値は、最大インピーダンス値の３０％～６０％の範囲となる。本出願人の研究では、この範囲によって、ノイズを除去することで生成されたパルスの幅を正しく捉えることができることが示された。本出願人は、０．５の値が特に有利であり、最良の結果をもたらすことを確認した。最大波高の５０％未満のパルスの傾斜は非常に急であり、この値により、測定がノイズの影響を受けるリスクを防ぐことができる。

上限インピーダンス値および下限インピーダンスが決定されると、計算機６は、パルスデータセットのうち、互いに最大の時間的距離にあり、上限インピーダンス値または下限インピーダンス値をそれぞれ有する２つの時間の間の持続時間を決定する。上限インピーダンス値に関連する持続時間は、上限持続時間と呼ばれ、下限インピーダンス値に関連する持続時間は、下限持続時間と呼ばれる。直感的には、上限持続時間がパルスデータセットのインピーダンスピークの幅に実質的に対応し、下限持続時間がパルス幅に実質的に対応すると考えられる。

最後に、計算機６は、上限持続時間と下限持続時間との間の比を算出して、回転値を決定する。ここでも、直感的には、低い回転値がピーク（すなわち回転）の存在を示し、高い回転値がベル型パルスを示すと考えられる。言うまでもなく、この比（およびその結果）を反転させることもできる。同様に、回転値は、選択された力における高い比率、またはこの比率の指数に基づいて算出することができる。

本出願人のシミュレーションによると、０．４５の回転値は非常に識別性が高く、これにより、図２に示す他の細胞の軌道１および２に類似した軌道を有する細胞を分離することができる（図２に示す範囲は、ＷＲ値が０～１の場合、０～１００の範囲である）。したがって、この閾値は、分類器８に使用され、これにより、パルスデータセットを回転パルスデータセット群または無回転パルスデータセット群に入れることができる。

当業者であれば、上限係数、下限係数、回転値の算出のための電力の使用および分類器の閾値をどのように適合させるかは、明らかであることは言うまでもない。

また、複数の較正テストを行って、上限係数、下限係数および閾値の選択を最適化することができる。実際、無回転パルスデータセット群がガウス分布をもつことが知られている。計算コストが比較的小さい限り、計算機６が複数の上限係数と下限係数のペアで動作し、出力において「最もガウス的な」分布を得ることができるペアを保持することができる。

図４は、健康な患者の血液サンプルを使用して行われた実験的なパルス取得に対する、本発明の装置による分類の例を示す。ここで、パルスは、本発明の装置による処理とは別に、手動で分類するために手動で調査された。この図において、四角い点がベル型のパルスを表し、丸い点がピークを有するパルスを表す。この装置が、非常に高い精度で２つのパルス集団を識別していることは明らかである。

以下、図５を参照して第２の実施形態を説明する。本実施形態において、計算機６は、もはや信号処理を中心としたものではなく、ニューラルネットワークである。実際、パルスは、画像と比較することができ、適切な学習を行えば、ニューラルネットワークは、パルスを回転パルスデータセット群および無回転パルスデータセット群に分類するのに特に有効であると本出願人は考えた。

そのため、計算機６は、変換器１４と、多層パーセプトロン１６と、を備える。実際、パルスは、非常に多種の幅と振幅を有する。したがって、多層パーセプトロン１６の学習とその検出の品質を信頼できるものにするために、それらを無次元化する動作で標準化する必要がある。そのため、変換器１４は、パルスデータセットを受け取るように、および振幅と時間を無次元化する動作を行うように配置されている。

振幅動作における無次元化では、パルスデータセットは、データセットの最大振幅値で標準化される。これにより、０～１の範囲の値を有するパルスデータセットとなる。

時間動作における無次元化について、本願は、パルスの形状を用いた。実際、上述したように、パルスの傾斜は、縁部に近い部分で非常に大きくなっている。したがって、パルス幅を最大インピーダンス値の５０％で考えると、幅の正しい推定値を得ることができる。したがって、変換器１４は、この幅に基づいて、パルスデータセットをスケーリングする。結果として得られるパルスデータセットが、多層パーセプトロン１６のために十分なデータポイントを含むことを確実にするために、時間的に無次元のパルスデータセットを必要に応じて再サンプリングすることができる。

振幅および時間を無次元化する動作は、順次（振幅から時間、または時間から振幅）、または同時に行うことができる。

パルスデータセットが多層パーセプトロン１６用にフォーマットされると、多層パーセプトロン１６によって処理され、本明細書に記載されている例では０～１の範囲の回転値が返される。本実施例において、多層パーセプトロン１６は、入力層と、隠れ層と、出力層と、を備える。入力層は、変換器１４によってフォーマットされたパルスデータセットのサンプル数とパルス幅を受け取る入力とを足した値に等しい入力数を含む。本出願人は、パルス幅に関連する入力は必須ではない（したがって任意である）が、最良の結果を得ることができることを確立した。本明細書に記載する実施例において、サンプル数は２０である。

本出願人は、多層パーセプトロン１６について、様々な学習および演算戦略を検討した。その中で、学習時間と演算コストの点で最も好ましい結果が得られたのは、２０のニューロンを含む隠れ層と、シグモイド関数である活性化関数（各ニューロンで同じ）であった。多層パーセプトロン１６の出力の値を検討したところ、出力層の閾値を０．５にすることで、効果的な分離を行うことができ、集団のガウス分布を得ることができ、得られた結果の品質を確認することができた。

これは、細胞の軌道とパラメータ（真球度、内部粘度、膜のせん断弾性率など）を変化させて生成された１２０のパルスを使用して、多層パーセプトロン１６を学習させることで可能になる。次いで、パルスは、変換器１４によってフォーマットされ、最大パルス振幅における細胞の配向が０．３ｒａｄ（図２に示す軌道１および２に対応する細胞を保持することを可能にする閾値）よりも大きいか小さいかに応じて、０または１に等しい出力値に関連付けられた。次いで、誤差逆伝播法の後、確率的勾配降下法によって学習を行った。重さの更新にはＡＤＡＭアルゴリズム（Diederikらによる「A method for stochastic optimization」（International Conference on Learning Representations、１～１３、２０１５）に記載）が使用され、学習誤差は、二乗平均平方根誤差に基づくコスト関数を使用して評価した。

この第２の実施形態を検証するために、学習済み多層パーセプトロン１６を、流体力学的集束技術のないシステムで、健康な患者からの新鮮な血液サンプルを用いて行われた実験的なパルス取得でテストした。図６は、実験的なパルスにおけるニューラルネットワークによる予測値の分布を示す。２つの高濃度領域（［０；０．１］および［０．９；１］）が、０．１～０．９の範囲に広がる中間的な低濃度領域を縁取るように示されている。高濃度領域は、モデルが回転の有無を決定するのに完全に成功したパルスに対応する。ネットワークの処理が困難な中間領域は、デジタル学習セットには存在しない、同時通過やシミュレーションされたパラメータの範囲外のパルスを含むパルス信号、さらに誤差および／または測定ノイズによって説明することができる。以上のことから、分離閾値を０．５とした場合、無回転パルスの集団は、ガウス分布しており、結果が妥当であることが分かる。

本出願人は、上述した多層パーセプトロンが特に有効であることを確認したが、モデルのパラメータ（隠れ層の数、入力層における入力の数、隠れ層にけるニューロンの数、活性化関数、学習におけるコスト関数、モデルの他のハイパーパラメータ）は、本発明の範囲から逸脱することなく変化することができるのは言うまでもない。また、さらなるニューラルネットワークアーキテクチャも想定することができる（ＣＮＮなど）。

上記において、赤血球に対する特定の用途に関連して、装置において測定パラメータ（電極における電圧、開口部の大きさ、流量など）が変化する範囲と値を説明した。さらなる応用には、これらの範囲および値の調整が必要となる。

Claims (10)

1. 細胞インピーダンス信号処理を用いた医療分析装置であって、
   パルスデータセットを受け取るように配置されたメモリ（４）であって、前記パルスデータセットの各々は、時間マーカーに毎回関連付けられるインピーダンス値データを含み、前記データは、共に、細胞が極性のある開口部を通る際に測定される細胞インピーダンス値の曲線を表す、メモリ（４）と、
   前記パルスデータセットが得られた細胞が、前記極性のある開口部を通過する間に回転を受けたかどうかを示す回転値を決定することで、前記パルスデータセットを処理するように配置された計算機（６）と、
   前記計算機（６）に所与のパルスデータセットを提供するように、および得られた前記回転値を使用して、前記所与のパルスデータセットを回転パルスデータセット群（１０）または無回転パルスデータセット群（１２）に分類するように配置された分類器（８）と、
   を備える、
   装置。
2. 前記計算機（６）は、
   ・ 前記パルスデータセットの最大インピーダンス値を決定するステップと、
   ・ 前記最大インピーダンス値に［０．７；０．９５］の範囲で選択された上限係数を掛けて上限インピーダンス値を算出し、前記パルスデータセット内の関連する前記インピーダンス値が前記上限インピーダンス値に等しい時間マーカーを前記パルスデータセット内で決定し、前記時間マーカー間の最大持続時間に対応する上限持続時間を算出するステップと、
   ・ 前記最大インピーダンス値に［０．１；０．６］の範囲で選択された下限係数を掛けて下限インピーダンス値を算出し、前記パルスデータセット内の関連する前記インピーダンス値が前記下限インピーダンス値に等しい時間マーカーを前記パルスデータセット内で決定し、前記時間マーカー間の最大持続時間に対応する下限持続時間を算出するステップと、
   ・ 前記上限持続時間と前記下限持続時間から算出された比によって決定される回転値を返すステップと、
   によって、前記パルスデータセットを処理するように配置される、
   請求項１に記載の装置。
3. 前記上限係数は、［０．８；０．９］の範囲で選択される、
   請求項２に記載の装置。
4. 前記下限係数は、［０．３；０．６］の範囲で選択される、
   請求項２または３に記載の装置。
5. 前記上限係数は、０．８７５であり、前記下限係数は、０．５である、
   請求項２に記載の装置。
6. 前記計算機（６）は、前記上限持続時間を前記下限持続時間で割った値に等しい回転値を返し、前記分類器（８）は、前記回転値が厳密に０．４５よりも小さいパルスデータセットを前記回転パルスデータセット群に分類し、前記回転値が０．４５よりも大きいパルスデータセットを前記無回転パルスデータセット群に分類するように配置される、
   請求項２～５のいずれか１項に記載の装置。
7. 前記計算機（６）は、ニューラルネットワークであり、前記パルスデータセットを処理して前記ニューラルネットワークによる処理に適合させるように、前記時間マーカーおよび前記インピーダンス値を無次元化し、前記無次元化されたデータを前記ニューラルネットワークのために選択された前記インピーダンス値に再サンプリングするように配置された変換器（１４）と、前記変換器（１４）によって実行された再サンプリングで得られた各値に対する入力を含む入力層、少なくとも１つの隠れ層、および回転軸を決定するための出力層を含む多層パーセプトロン（１６）と、を備える、
   請求項１に記載の装置。
8. 前記入力層は、前記変換器（１４）によって処理された前記パルスデータセットの幅を受け取る入力をさらに含む、
   請求項７に記載の装置。
9. 前記多層パーセプトロン（１６）は、２０のニューロンを含む隠れ層を備え、前記ニューロンの活性化関数は、シグモイド関数である、
   請求項７または８に記載の装置。
10. 前記多層パーセプトロン（１６）は、誤差逆伝播法の後、確率的勾配降下法によって学習され、学習誤差は、二乗平均平方根誤差に基づくコスト関数から算出され、出力は、関連する前記パルスデータセットの最大インピーダンス値が０．３ｒａｄよりも大きい細胞配向を有する入力の場合は０に設定され、それ以外の場合は１に設定される、
    請求項７～９のいずれか１項に記載の装置。