JPH06176002A - 医学的試料中の成分の分析法 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は試料の測定から医師が分析する状態
までの判定を自動分析機を用いて行なうことを目的とす
る。 【構成】 本発明は（ａ）試料と試薬システムとの反応
を行なう工程、（ｂ）特定の試料に対して少なくとも１
つの測定値Ｒを測定するために、試料と試薬システムと
の前記反応からえられる物理的に測定可能な数量Ｘを測
定する工程、および（Ｃ）分析結果Ａを決定するため
に、処理装置による処理段階の際に前記少なくとも１つ
の測定値Ｒをさらに処理する工程であって、該処理段階
が分析結果Ａが既知である複数の標準試料に対して、少
なくとも１つの測定値もしくは複数の測定値Ｒ_i から導
かれる測定結果をニューラルネットに入力することから
なるニューラルネットのトレーニングを行なった結果を
用いる工程からなる処理工程からなる自動分析機による
医学的試料中の成分の分析法に関する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、試料と試薬システム(r
eagent system)との反応を行ない、試料と試薬システム
との該反応の結果えられる物理的に測定可能な数量(qua
ntity)Ｘを測定する自動分析機による医学的試料の成分
の分析法に関する。ここでは特定の試料について少なく
とも１つの測定値Ｒを測定する。これを分析機の処理装
置(processing unit) において分析結果Ａに変換する。

【０００２】

【従来の技術および発明が解決しようとする課題】所望
の分析結果Ａの測定のための医薬研究室での分析におい
ては多種の方法が使用できるが、その方法を実施するの
に全自動分析機がもっとも汎用されている。試料は通例
体液、とくに血液および尿であり、その中に含まれてい
る成分のうちの１つに関する分析結果Ａをうるために調
査される。

【０００３】分析結果Ａは通常（定量分析において）は
成分の濃度Ｃである。定性分析においては、それは医師
が分析する状態(medico-analytical state) たとえば、
分析結果は陽性または陰性である、との表現にまで試料
を判定(assignment)する（調べられた分析物に関して）
ことである。ここでは、２つより多くの状態、たとえ
ば、「高い」、「正常」および「低い」が時には通例と
なる。しかしながら、医学的試料の分析のうちのほかに
医学的に重要な結果もまた、本発明によって明確に示さ
れるような分析結果Ａとして考えられるべきである。こ
れはたとえば、分析から直接的に（すなわち、いかなる
濃度値や医師が分析する状態を示すことなしに）なされ
た疾病の存在の表現である。本発明はこの方面において
新しい可能性を作り出しつつあるが、現在ではこれはか
なりまれなことである。

【０００４】電子計測(measurement electronics) とい
う観点から示すと、分析結果Ａは、一般的には少なくと
も１つの測定値Ｒが完全に自動的に測定され、医学的に
関連する情報の項目を統合する、近似のまたは論理上の
状態のことである。

【０００５】分析は通常、試料と、試料の特定の成分
（通常、「分析物」または「パラメータ」として知られ
る）の分析に好適な１つまたはそれより多くの試薬（合
わせて試薬システム(reagent system)として知られてい
る）との反応にもとづく。試薬は一度に、または前もっ
て決められた間隔で、試料すべてと自動分析機中で混合
される。分析法の詳細は、本発明のある実施形態におい
てとくに議論されている特徴を除いては本発明にとって
重要ではない。

【０００６】一般的な物理的に測定可能な数量Ｘの例と
しては、試料の混濁度を測定するための光度計測定法、
比濁分析法および濁度測定法による色の変化の測定、Ｘ
が蛍光シグナルのばあいの光電子増倍管による好感度の
光検出または電気化学的な検査において数量Ｘが電気的
性質を有するばあいのための電流または電圧の測定があ
げられる。物理的に測定可能な数量Ｘは、通常好適な方
法で測定され、電気的な計測シグナルに技術的に変換さ
れる。計測シグナルの測定値が値Ｒであり、数量Ｘの明
確な尺度となる。

【０００７】一般的に自動分析機は、通常濃度Ｃである
分析結果Ａを少なくとも１つの測定値から完全に自動的
に決定する。複数の測定値Ｒ_i が、１つの試料について
頻繁に測定され、処理装置において少なくとも２つの測
定値から誘導変数(derivative valuable) が計算され、
測定結果(measurement result)と称されることができ
る。簡単なばあいには、測定値Ｒまたは少なくとも２つ
の測定値Ｒ_i から推測された測定結果は、検量曲線とし
て一般的に知られている簡単な関数的な関係(functiona
l relationship) によって、明白にかつ正確に濃度Ｃと
関連させることができる。ここでは、測定値と測定結果
は、検量曲線Ｙ＝ｆ（Ｃ）の検量入力変数を形成する。

【０００８】評価の際には、分析の反応は時間依存性で
あることを常に考慮に入れなければならない。測定可能
な物理的数量Ｘが結果としてえられる反応または一連の
反応がきわめて迅速に進むばあい、状況は比較的単純で
ある。このばあい、測定値Ｒは分析反応が本質的に完結
した時点で測定され、即座に入力検量変数(input calib
ration variable)Ｙとして用いられる。これは終点測定
(end-point determination) として知られている。

【０００９】もう１つの比較的単純な例は、比較的ゆっ
くりとした反応が時間にともなう数量Ｘの変化に対して
決定的であるばあいであり、ここでは線形的なまたは他
の単純な関数的な関係にしたがう測定値Ｒの時間に関連
した変化（「動力学的挙動 (kinetic)」）が一定時間以
上にわたって生じる。ここでは、Ｘは前記の時間内にお
いて種々の測定時間ｔ_i でくり返して測定される。動力
学的挙動を示す測定結果（たとえば、ある時間（ｔ_i ）
で時間単位あたりの測定値Ｒの変化ｄＲ／ｄｔ
（ｔ_i ））が測定値Ｒ_i （ｔ_i ）から計算され、分析結
果Ａを決定するための入力変数Ｙの代用となる。

【００１０】時間にともなうＸの変化は、しばしばきわ
めて複雑な態様(manner)で、分析システムと試料との全
反応において役立つ複数の部分的な反応の動力学的挙動
に依存する。これにより複雑な反応の動力学的挙動とし
て知られる、数量Ｘの時間に関連した変化の複雑な過程
(course)が生じる。本発明はとくに、このような複雑な
反応の動力学的挙動のばあいに向けられている。

【００１１】個々の反応が種々重なりあった化学的な動
力学的挙動から生じる複雑な反応の動力学的挙動の評価
のために、種々の既知の方法がある。たとえば、微分方
程式の関数パラメータが測定可能な、反応の動力学的挙
動の値に対応する、部分的な反応に対して、別々の微分
方程式の形で、複雑な反応の動力学的挙動を説明する試
みが可能である。しかしながら実際の反応の複雑さのゆ
えに、モデルにおける結果の妥当な範囲を限定するモデ
ルの仮説を理論化することが必要である。このような理
由で、関数パラメータが個々の反応に直接関連しない
が、検討中の反応について測定される特定の特性の尺度
としてしばしば解釈される現象論学的なモデルができあ
がる。最終的に、反応の動力学的挙動を示す純粋に統計
学的なモデルができる。モデルの開発は費用、労力およ
び時間の観点からかなり要求の多いものであるが、これ
らの方法にはそれぞれある利点を有している。しかしな
がら、変更された条件（たとえば、試薬の組成の変更ま
たはある環境下での試薬のバッチのみの変更）に対する
モデルの適応能力は低く、測定結果の評価およびこれに
よる分析結果の決定の正確さおよび信頼性はより大きな
ものが期待される状態のままである。

【００１２】自動分析機の処理装置は、濃度および／ま
たは測定値から医師が分析する状態の決定に加えて、通
常、正確な分析結果Ａの決定に寄与するほかの数多くの
機能を果たす。これらは通常、測定値がもっともらしい
かどうかの検査、試薬製造バッチの確認、他の試薬およ
び装置の条件についての認識、エラーの検出およびある
ばあいにおいてはある試料とそれと同一の試料について
えられた相異なる測定データもしくは複数の試料につい
ての測定データの相関の検出を含む。本発明はまた処理
装置のこのような補足的な機能にも関する。

【００１３】本発明の目的は、改善された特徴と信頼性
を有する最初に述べたタイプの方法を利用できるように
することである。

【００１４】

【課題を解決するための手段および作用】この目的はニ
ューラルネットトレーニング(Neural Net Training) の
結果を処理段階で用いることにより達成される。そこで
は、分析結果Ａが既知である複数の試料に対して、前も
って決められた方法によりえられる種々の測定値から推
測される少なくとも１つの測定値または測定結果がニュ
ーラルネット入力される。好ましくは、分析結果Ａまた
は分析結果に関連した既知の補助値がニューラルネット
の出力に付される (applied)。しかしながら、これはす
べてのばあいに必要なわけではない。本発明において
は、一切管理をせず（「無管理学習」）トレーニングが
なされる、自己組織化ニューラルネット（自己組織化マ
ップ(Self-Organising Map) 、ＳＯＭ）もまた、うまく
利用される。

【００１５】ニューラルネットは、大部分は並行して組
織化されるデータ処理システムである。これは、ニュー
ロンとしても知られ、ニューロンの連結として知られて
いる互いに連結された処理エレメントであるネットワー
クからなる。各ニューロンは１つもしくはそれより多く
の入力を有し、その出力で出力シグナルを産出する。出
力シグナルは複数のコピーに分割され、入力シグナルと
して、出力と連結されているこれらのニューロンに入力
される。ニューラルネットに記憶される情報は、学習段
階で決定されたニューロンの基底ポテンシャル(base po
tential)を含むニューロンの連結の「重み」からなる。

【００１６】ニューロンｊは、たとえばニューロン１、
・・・、ｉから種々の重みの入力をネットワーク内に有
することができる。ニューロン間の連結の重みは、Ｗ_ij
で示され、前もって連結されたニューロンの出力はＸ_i
で示される。陽性と陰性の重み（促進および抑制）があ
りうる。ネットの入力ｎｅｔ_j はこのとき、 ｎｅｔ_j ＝ΣＷ_ij＊Ｘ_i である。

【００１７】外部入力ｅｘｉｎｐ_j を、ニューロンのネ
ットの入力に加えることができる。その後にネットワー
クのニューロンが、それらの前の活性化状態ａ_j （ｔ）
と活性化関数Ｆ_j から新しい活性化状態ａ_j （ｔ＋１）
を並行に（しかし同調的に）算出する。

【００１８】ａ_j （ｔ＋１）＝Ｆ_j 〔ｎｅｔ_j （ｔ＋
１），ｅｘｉｎｐ_j （ｔ＋１），ａ_j （ｔ）〕 出力状態Ｏ_j は通常、（内部の）活性化状態ａ_j （ｔ＋
１）に対応する。しかしながら、あるばあいには、出力
関数ｆ_j が用いられる際にさらなる変換段階が生じる。

【００１９】Ｏ_j （ｔ＋１）＝ｆ_j （ａ_j （ｔ＋１）） 種々のニューラルネット（以下、ＮＮと略す）はそのト
ポロジー、すなわち、ニューロンとネットでのニューロ
ンの連結の配置において相異なる。通常ニューロンは、
各ＮＮが少なくとも１つの入力層と１つの出力層とを有
する層を形成する。入力層のニューロンの入力は全体と
してＮＮの入力を形成し、一方出力層のニューロンの出
力は、全体としてＮＮの出力を形成する。さらに、入力
層と出力層とのあいだにいわゆる隠れ層(hidden layer)
を配置しうる。ＮＮの構造（トポロジー）は層の数、層
あたりのニューロン数および存在するニューロンの連結
の数で決まる。

【００２０】ＮＮの１つの特性は、それらがニューラル
ネットトレーニングにより「学習」可能であるというこ
とである。実際、ＮＮは最初はイメージ処理の目的で用
いられたものであり、それはそこで特定のイメージパタ
ーンを再認識するものである。ＮＮのトレーニングの際
に、ビデオカメラで作られた特定のパターン（たとえ
ば、円、四角形など）のイメージシグナルが入力され、
他方で所望の正確な認識に対応するシグナルがＮＮから
出力される。ＮＮがタスク(task)に対して好適に選択さ
れ、配置され、学習処理が充分に頻繁に繰り返されれ
ば、ＮＮが未知の物質を分類すること、すなわち、たと
えイメージが学習したパターンに正確に対応しなくとも
学習したグループのうちの１つにそれらを割り当てるこ
とが可能となる。したがって、パターンの結合および再
構成は既知のＮＮの基本的な成果となる。

【００２１】特定のＮＮの機能は、そのトポロジーによ
ってのみならず入力シグナルを出力シグナルに処理し、
学習処理で生じるニューロンの連結の重みを適応するの
に用いられるアルゴリズムによっても決定づけられる。
これらはとくに、前記の生産物(product) の合計から個
々のニューロンの出力の発生を決定する活性化関数、出
力関数および通常は伝播関数(propagation function)と
して知られている学習処理に用いられるアルゴリズムで
ある。

【００２２】以下に示すのは、ＮＮのほかの特性であ
る。

【００２３】（１）ＮＮは、処理装置自身の簡単な操作
（シグナル受信、入力シグナルの加算、加算された入力
の変換とシグナルの移送）を行なうきわめて簡単な処理
装置からなる。各ニューロンのタスクは、このようにそ
の入力に付随したニューロンの連結を介した入力シグナ
ルを受信することと、前述の計算により出力シグナルを
産出し、それをその出力を利用できるようにすることに
限定される。これらの工程が、ニューロンによって並行
して実施される。

【００２４】（２）特定の情報は、ニューロンのトポロ
ジーと基底ポテンシャルのみならず、連結の重みにも存
する。種々のＮＮの型は、初めに重みをが固定し、つぎ
に学習処理の際にそれを修正する法則に関して異なる。

【００２５】（３）ＮＮは、トレーニングで獲得した
「経験(experience)」を個別に重みの完全なセット
（「重みの行列(weighting matrix)」）に独立して変換
することができる。

【００２６】たいていのばあいでは、トレーニング処理
のあいだに重みのみが変化する。すなわち、ＮＮのトポ
ロジーは変わらないままである。しかしながら、特別な
ばあいにおいては前記の「自己−組織化マップ（以下Ｓ
ＯＭと称す）」も用いられる。

【００２７】ＳＯＭは、脳の自己組織化能を模したニュ
ーロンのネットワークのモデルであり、簡単な法則にし
たがってそれら自体の相互の連結の構造を組織化する。
「ＳＯＭ」は、ニューロンの内層から形成され、それは
入力層においてニューロンからシグナルを受信する。内
層はマップ層と言及される。入力層における各ニューロ
ンはマップ層内の各ニューロンに連結される。各入力シ
グナルに対して、励起(excitation)がマップ層のニュー
ロンの１つのセクション(secition)に集中(concentrat
e) される。学習段階の終末では、もっとも強く励起し
たニューロンのマップにおける位置(position)が、入力
シグナルの重要な特徴と連関し、類似の入力シグナルに
よりマップに隣接する励起領域(location)を導く。換言
するとマップは、入力シグナルにおける特徴的な性質に
ついて、空間的な表示(representation)をなす。

【００２８】この種の自己組織化の過程の数学的モデル
は、ティー コーネン(T.Kohonen)によって体系化され
た。それゆえに「コーネン フィーチャー マップ(koh
onenfeature map) 」としても参照される。

【００２９】ＮＮについてのさらなる詳説は、適切な文
献に見出すことができる。クラウス−ペーター クラッ
ツァー、カール ハンザー フェルラーク(Klaus-Peter
Kratzer,Carl Hanser Verlag)（出版社）、ミュンヘン
アンド ウィーン １９９０ (Munich and Vienna 19
90) による「ニューロナレ ネッツェ、グルンドラーゲ
ン ウント アンベンドゥンク(Neuronale Netze,Grund
lagen und Anwendung)」（ニューロナル ネッツ、プリ
ンシプルズ アンド アプリケーション (Neuronal Ne
ts,Principles and Application)）の本と、米国特許出
願第４，９６５，７２５号公報がとくに参照される。こ
こでは、細胞学的試料の顕微鏡写真における悪性細胞の
構造の認識に関連するＮＮの機能が示され、説明されて
いる。この特許にはまた、適切な文献の包括的なリスト
が示されている。ＮＮについての基礎研究の結果は１９
５０年代にすでに発表されていた。１９８０年代の初め
以来、彼らは徐々にデータのパターンのイメージ処理お
よび認識と分類に関連するタスクの分野において、広範
な用途を見出しつづけてきている。

【００３０】化学におけるニューラルネットワークの適
用についての概説は、ジェイ ズーパン(J.Zupan) およ
びジェイ ガスティジャー(J.Gasteiger) 「ニューラル
ネットワークス：ア ニュー メソッド オブ ソルビ
ング ケミカル プロブレムズ オア ジャスト ア
パッシング フェーズ？ (Neural networks:a new meth
od of solving chemical problems or just a passing
phase?) 」（アナリティカ キミカ アクタ (Analytic
a Chimica Acta) ２４８ １〜３０頁（１９９１））に
見られる。この刊行物が分析の問題を扱う限りにおいて
は、下記の適用を言及している。

【００３１】分光学的データ（ＵＶ、可視およびＩＲ領
域でのスペクトル）を評価する（ピー ジェイ ジェム
パーライン(P.J.Gemperline)らによる「ノンリニアー
マルチバリエイト キャリブレイション ユージング
プリンシパル コンポーネンツ レグレッション アン
ド アーティフィシャル ニューラル ネットワークス
(Nonlinear multivariate calibration using principa
l components regression and artificial neural netw
orks) 」、アナリティカル ケミストリー(Anal.Chem.)
６３、２３１３〜２３２３頁（１９９１）、およびジェ
イ ズーパンによる「キャン アン インストラメント
ラーン フロム イクスペリメンツダン バイ イッ
トセルフ？(Can an instrument learn from experiment
s doneby itself?)」アナリティカ キミカ アクタ
２３５ ５３〜６３頁（１９９０）参照）。

【００３２】種々の電気的な検出器（とくにイオン−選
択性電極とガスセンサー）を構成する装置(arrangemen
t) からのシグナルを、ニューラルネットワークの助け
をもって評価する（ケー．シー．パーサウド(K.C.Persa
ud) ）による「エレクトロニック ガス アンド オウ
ダー デテクターズ ザット ミミック ケモレセプシ
ョン イン アニマルズ(Electronic gas and odour de
tectors that mimic chemoreception in animals) 」、
トレンズ イン アナリティカル ケミストリー(Trend
s in Analytical Chemistry)１１、６１〜６７頁（１９
９２）、およびエム．ボス(M.Bos) らによる「プロセッ
シング オブ シグナルズ フロム アンイオン−セレ
クティブ エレクトロード アレイ バイ ア ニュー
ラル ネットワーク(Processing of signals from an i
on-selective electrode array by a neural network)
」アナリティカ キミカ アクタ ２３３、３１〜３
９頁（１９９０）参照）。

【００３３】古典的なコンピュータシステムの強みは、
正確に定義されたコマンドについて前もって決定された
順序（アルゴリズム）をきわめて正確かつ迅速に実行す
ることにある。アルゴリズムは、計算の問題ならびに組
織化の問題もしくは論理的な連結に関係してもよい。こ
の点において、コンピュータはヒトの脳よりもはるかに
すぐれている。

【００３４】しかしながら、なじみ深い従来のコンピュ
ータは、前もって正確に決められた以下の法則によって
解決しえないという問題ではなく、連想能を必要とする
問題の障害に直面する。それゆえに、それらは、たとえ
ばパターンの認識または分類の問題のような非アルゴリ
ズムの問題を解決するには、ヒトの脳よりもはるかに劣
っているのである。このようなタスクにＮＮシステムが
好適である。ここで用いられるＮＮの適用（前記したよ
うな化学の分野で用いられる適用も含む）の重要なポイ
ントは、それゆえに連想、分類または評価を含む仕事の
セッティングにかかっている。しかしながら、ＮＮは、
結果に関する誤りおよび限定された特性の要求に対して
高い許容性を有する分野の用途に限定されるという点に
おいて、明らかに不利である。

【００３５】他方、自動分析機による医学的試料の分析
は、患者の健康に対して重要であるために、その結果に
高い質が要求されるような領域である。この明らかな対
比にもかかわらず、本発明を用いることによりこの分野
でＮＮを使用しても顕著な結果がえられうることがわか
った。

【００３６】ここではトレーニング状態としても言及さ
れる、本発明の処理のトレーニング段階では、少なくと
も１つの測定値Ｒもしくは複数の測定値Ｒ_i から導出さ
れた少なくとも１つの測定結果が、分析結果Ａが既知で
ある充分に多数の試料に対応して入力変数としてＮＮに
入力される。大多数の入力において分析結果Ａまたは分
析結果に関連する既知の補助値がＮＮから出力される。

【００３７】ここで導出された測定結果とは、前もって
決定され定義されたアルゴリズムによる複数の測定値よ
り導出された値のことである（導出法とよびうる）。た
とえば、種々の回数で測定されたＲ_i （ｔ_i ）値から、
ある（既知の）近似式を用いて計算される動力学的挙動
Ｒ（ｔ）の勾配、湾曲率または凹凸である。

【００３８】ここで補助値とは、数値かまたは分析結果
に関連した理論値であってもよく、通例は分析結果Ａの
質を向上させるのに役立つものである。１つの重要な例
としては、誤差コードがあげられ、これはＮＮに入力さ
れた測定値または測定結果が誤差の存在を示すものを含
んでいるかどうかをあらわすものである。

【００３９】入力変数は、それらを標準化する(normali
zing) ことによってＮＮに入力され、そこで生ずるもっ
とも高い測定値が便宜上１と等価としてあつかわれる。

【００４０】ばあいによっては、装置や試薬の状態につ
いての情報を、トレーニング段階で付加的な入力変数と
してＮＮに入力すると好都合であろう。これは、たとえ
ば周囲の温度、試薬の古さ、試薬の吸収特性などがあげ
られる。それゆえ、測定値と測定値から導出される測定
結果に加えて、古典的な評価のアルゴリズムで考慮され
てもよい情報を用いたＮＮの使用により、分析結果Ａの
決定がなされる。

【００４１】現在、ＮＮは、実際上は順次にコンピュー
タを操作する（ノイマンアーキテクチャ）ためのソフト
ウェアシミュレーションとしておもに実行されている。
このようなＮＮのシミュレーションを、本発明の試行で
効果的に用いた。並行処理によってＮＮの課題の解決を
助ける特別なハードウェア要素を用いれば、同等のまた
はより良い結果がえられると思われる。

【００４２】ＮＮのトレーニングは、通常管理下で行な
われる。すなわちニューロン層の構造やネットワークの
ニューロン間の連結の構造（トポロジー）をあらかじめ
固定する。前もって決定された伝播、活性度および出力
関数もまたトレーニングの際に用いられる。トレーニン
グのコース(course)は学習率(lerning rate)、モーメン
タム(momentum)およびノイズ因子などの複数のパラメー
タによって影響されうる。入力に人為的なノイズを加え
ることは実際の状態、おもに測定値の測定が実験的誤差
をうけやすいということを考慮したものである。ノイズ
成分はここでは入力値に付加される。

【００４３】学習によるサクセスを評価する種々の方法
が知られている。とくに公差検証法(cross-validation
method) を、本発明では用いた。これはすなわち、既知
の出力についてのＮＮ入力変数のセットのプール(pool)
から一部分を通常トレーニングに用い、そのプールのデ
ータの残りを正確な出力のためにひき続くＮＮの試験に
用い、ここでトレーニングのための一部分のデータはひ
きつづいて「変換され(permutated through)」る。その
のちに正確な出力と不正確な出力の数が評価される。少
数の簡単なばあいには、定められたレベル以下になるＮ
Ｎのソフトウェアに備えられた、計算された誤差関数の
値によって、または入力と出力間の関係が特定の特徴ま
たは安定性をえることによって、トレーニングの終了は
明示されうる。

【００４４】あるばあいには、前記したＳＯＭを前記の
管理下の学習のかわりとして利用することも好都合とな
りうる。古典的なＮＮとは対照的に、測定値または測定
値から導出された測定結果が各々のばあいでＮＮに入力
される、トレーニング段階において、古典的なＮＮとは
対照的に、分析結果または分析結果に関連した補助値は
ＳＯＭから出力されない。そのかわりに、ＳＯＭが入力
されたシグナルにおける特徴的な構造を認識し、そのマ
ップ層での位置決めを行なう。本発明では、自動分析機
への特別な適用のために、ＳＯＭの助けを用いたこの
「非管理下の学習」が有利であることが見出された。し
かしながら下記の説明では、本質的に（別に示さない限
りにおいて）古典的ＮＮの助けを用いた「管理下の学
習」を言及している。

【００４５】トレーニング段階が終了したのちに、ある
ネットワークのトポロジーおよび重みの行列が定められ
る。それゆえトレーニングの結果はネットワークのトポ
ロジー（自己組織化により前もって選択されたかまたは
見出された）のパラメータのかたちおよび重みの行列と
して定量的に表現されうる。このような結果が本発明に
おいて特許権利を請求される分析法において用いられる
ことが、本発明の特徴である。

【００４６】本発明に必要とされるＮＮのトレーニング
は、分析に用いられる試薬システムの製造者によって
も、また自動分析機それ自体によっても（装置に統合さ
れたまたは連結されたＮＮシステムの助けをもって）行
なうことができる。第１番目に示される例では、とくに
大きなデータベース（たとえば、試験の開発や試行およ
び質(quality) の制御から、複数の既知濃度の試料の助
けにより通常行なわれる）がＮＮのトレーニングの基礎
として利用できる。自動分析機におけるトレーニング
は、特定の装置やその設置およびおそらくはシステム的
な測定誤差などの特別な因子を考慮する可能性があると
いう利点を有する。ＮＮの基礎的な適用を導く第１のサ
ブステージ(substage)が試薬システムの製造者によって
行なわれ、一方第２のサブステージがさらなるトレーニ
ングとして、装置に特徴的な因子を考慮するべく自動分
析機で行なわれるという、ＮＮトレーニングのサブステ
ージの組み合わせがとくに有利であることが明らかにな
った。

【００４７】それぞれ個々の分析においてトレーニング
段階が必要なわけではなく、テストの開発（すなわち、
試薬システムおよびその使用のための指示の開発）に関
連して、少なくとも１度ＮＮトレーニングを行なえば充
分であることが明らかになっている。しかしながら、少
なくとも試薬システムの各製造バッチごとにＮＮトレー
ニングを行なうこと、そしておそらくは自動分析機での
さらなるトレーニング段階によってこれを補うことが、
しばしば有利である。

【００４８】トレーニングが終了したのちに、ネットワ
ークのトポロジー、用いられた関数ならびにニューロン
間の重み係数および学習段階において最適化されたニュ
ーロンの基底ポテンシャルからの実験的入力変数（測定
値もしくは測定結果）から未知の出力値を算出すること
ができる。ＮＮトレーニングのこの結果は、本発明にし
たがって分析のために用いられる。これは基本的には、
同じ入力変数（測定値および／またはトレーニング段階
と同じ方法で測定値から導き出された測定結果）が、ト
レーニングにおいて決定された重みの行列を用いて最適
化されたＮＮに正確に入力され、分析結果Ａおよび／ま
たはＮＮトレーニングで用いられた補助値が、分析結果
Ａが未知である試料の分析においてＮＮから出力される
ように起こりうる。しかしながらこの方法は比較的複雑
である。

【００４９】ほかのものとして、ＮＮトレーニングの終
了ののちに、複数のＮＮシミュレーションプログラム
は、結果ならびにネットワークパラメータおよび最適化
された重みの行列を含む独立したプログラムを利用する
ための開発を可能とし、入力値を出力値へと経済的に変
換することを可能とするような、特別なモジュールを有
する。

【００５０】数量Ｘの時間に依存した変化（動力学的挙
動）をあらわすために、本発明はとくに物理的に測定し
うる同じ数量Ｘについて種々の測定シグナルＲ_i が、様
々な測定時間ｔ_i で測定されるばあいに関する。このば
あい、この動力学的挙動に関する全情報をＮＮの１つの
学習サイクルで処理するために、複数の測定値Ｒ_i （次
々に決定されたもの）が記憶され、トレーニングの際に
同時にＮＮに入力される。このかわりに、またはこれに
加えて、本発明のさらなる好ましい具体例によると、種
々の測定時間で測定された値から計算されるＮＮの入力
に、導き出された測定結果を入力することが可能とな
る。動力学的挙動により導き出されたこのような測定結
果は、たとえば測定値Ｒ（ｔ）の経時変化における最高
値または転換点の位置と同様に、曲線の勾配または湾曲
率を含む。これらの２つの好適な測定は明らかに組合わ
せることが可能であり、その結果、測定値Ｒ_i （ｔ_i ）
および曲線の勾配または湾曲率のような導出された測定
結果がＮＮに同時に入力される。

【００５１】本発明は反応の動力学的挙動の測定にもと
づく分析であるという点でとくに有利なものである。複
雑さゆえに、古典的な数学的分析による解法に通じてい
ないシステムを、充分な信頼性をもって記載することが
可能であることが見出された。加えて本発明では、とく
に免疫化学的な検査では非常に重要である動力学的挙動
の反応の部分的な領域を評価して、動力学的挙動を決定
する際の反応時間を短縮する可能性を提供する。

【００５２】

【実施例】本発明は（ａ）試料と試薬システムとの反応
を行なう工程、（ｂ）特定の試料に対して少なくとも１
つの測定値Ｒを測定するために、試料と試薬システムと
の前記反応からえられる物理的に測定可能な数量Ｘを測
定する工程、および（Ｃ）分析結果Ａを決定するため
に、処理装置による処理段階の際に前記少なくとも１つ
の測定値Ｒをさらに処理する工程であって、該処理段階
が分析結果Ａが既知である複数の標準試料に対して、少
なくとも１つの測定値もしくは複数の測定値Ｒ_i から導
かれる測定結果をニューラルネットに入力することから
なるニューラルネットのトレーニングを行なった結果を
用いる工程からなる処理工程からなる自動分析機による
医学的試料中の成分の分析法を提供する。

【００５３】つぎに、本発明ならびに本発明のほかの目
的、特徴および利点を、好ましい態様に具体化した例の
図を参照しながらより詳細に説明する。

【００５４】図１は本発明の方法を実施するための自動
分析機のブロック図、図２〜４は本発明の好ましい具体
例で用いられるＮＮのトポロジーのグラフ図、図５〜８
は検量曲線のグラフ図、図９は図８に示される検量曲線
に対する動力学的挙動のグラフ図、図１０は医師が分析
する状態まで測定結果を測定した結果のグラフ図であ
る。

【００５５】図１は、一般化された形式における自動分
析機の形式的な構造を示す。キュベット１中の試料２
を、光源４から出る測定光線３が透過する。測定光線３
は試料２による吸収の尺度であり、実施例のばあいは測
定可能な数量Ｘをなす。それが検出器５、たとえばフォ
トトランジスタに到り、その出力シグナルが測定シグナ
ル処理回路７に入力される。これは、たとえば増幅器、
フィルタ、既知の方法で測定シグナルを増幅し、処理す
るプロセスシグナル変換器からなり、その結果、測定値
Ｒをなす値である測定シグナルが測定シグナル処理回路
７の出力８に現われる。

【００５６】測定値Ｒは、アナログ式またはデジタル式
で処理装置９に入力され、測定シグナルから分析結果Ａ
を決定することを助け、その出力１０からそれを表示し
うる出力装置１１（たとえば、表示スクリーンまたはプ
リンタ）に導かれる。処理装置は基本的には、アナログ
式またはデジタル式の電子工学ハードウェアからなる。
事実上は、通例現行の技術によれば、好適な操作および
アプリケーションソフトウェアを備えたマイクロコンピ
ュータシステムからなる。処理装置９によって行なわれ
る処理段階（総合的には、１つまたはそれより多くの測
定値Ｒを分析結果Ａに処理してなる）は、しばしばいく
つかのサブステージを含んでなる。これらは、前もって
決められた方法によっていくつかの測定値Ｒ_i から測定
結果を導き出し、さらにそれらを処理することからなっ
てもよい。

【００５７】試薬中の分析物の濃度Ｃを測定値Ｒから決
定することは、下記に、本発明の第１の実施例として述
べている。

【００５８】入力変数Ｙ（測定値Ｒまたはいくつかの測
定値から導き出した測定結果）と濃度Ｃとの関数的相関
は、検量曲線Ｙ＝ｆ（Ｃ）によってあらわされる。検量
曲線は、既知の濃度の試料（「標準物質(standard)」）
の分析によって決定される。検量曲線をあらわす関数の
パラメータは、既知の数学的手法（通常、線形または非
線形的回帰）を用いてえられたＹ、Ｃのペアから決定さ
れる。

【００５９】ＮＮが本発明にしたがって検量に用いられ
る際には、値Ｒが学習サイクルに入力され、標準物質で
測定した既知の濃度ＣがＮＮから出力される。分析処理
における分析ごとに、測定値がただ１つだけ測定される
ばあいは、入力層中にただ１つのニューロンを有するＮ
Ｎが用いられる。たとえば、経時的な動力学的挙動の過
程をあらわす複数の測定値が各試料ごとに測定されるば
あいには、ＮＮは対応する数の入力をその入力層に有す
る。動力学的挙動から導き出した測定結果はまた、もと
の測定値のかわりにトレーニングと試料評価のための入
力変数として用いることができる。

【００６０】検量に好適なＮＮのネットのトポロジーを
図２に示す。それは、トレーニングの際に標準物質に対
して標準化された測定値を付する１つのニューロンを備
えた入力層と、同様にその出力に各標準物質に対して標
準化された既知の濃度を付するただ１つのニューロンを
備えた出力層とからなる。これらのあいだには単方向性
の隠れ層があり、これは図示された例においては、５つ
のニューロンを有する。

【００６１】ＮＮの助けによる検量および濃度の決定
は、古典的な検量法について下記の点でとくに有利であ
る。すべての濃度−分析値の関係が数学的関数によって
充分適切に概算されうるとは限らない。あるばあいに
は、評価関数に対する分析的な解決法がなく、またこの
関数が濃度の範囲のすべてにわたって定義できないこと
もある。古典的な検量法においては、通常検量入力変数
Ｙの濃度に対する依存性が単調(monotonous)である必要
がある。この単調の基準がそこなわれると、関数はもは
やあいまいに決められ、その結果として古典的な検量法
の失敗ということになる。

【００６２】ＮＮが用いられると、すでに前記で述べた
ように、たとえば測定値から導かれた測定値の差、曲線
の湾曲率および積算値のような測定結果もまた、測定値
のかわりに何の問題もなくＮＮに入力することができ
る。おそらくこれらは実際の測定値Ｒよりも濃度Ｃに対
してよりよい相関性を示すであろう。このことは、ＮＮ
のトレーニングにおいて測定値から導かれる種々の測定
結果をＮＮに入力することで簡単に調べることができ
る。実際に調べることにより免疫化学的検査の反応時間
が前記の改良により短縮できることが示された。

【００６３】本発明の変形した具体例によると古典的な
検量関数とＮＮとを組み合わせて検量を行なうことが可
能である。これは、検量関数が分析装置の状態および／
または試薬の状態に依存して特定の分析装置についての
み選択されるばあいに、とくに有益である。

【００６４】古典的な検量関数とＮＮトレーニングとの
組み合わせは、たとえば検量曲線の位置と形状とが保存
温度のごときストレスによって変化する診断の試験にお
いて有益である。検査の従事者は、試薬が実験室で露出
され、これにともなって検量曲線が変化することを模し
た一連の定義されたストレス検査をこれらの試薬を用い
て行なうことができる。好適な（古典的）検量法を用い
て、定義された検査時間ｔ_i で完全な検量を行なうこと
ができる。ＮＮは、ストレス検査が基本となす時間の間
隔やストレス値をＮＮに入力するという方法によりトレ
ーニングされ、このようにしてえられた検量曲線の関数
パラメータが理論的な出力をあらわす。実際に生じるス
トレス値は、実験室で手動もしくは自動で入力される。
そして関数パラメータの妥当なセットが、ＮＮによって
計算される。同様に、実験室の職員をまきこまなくても
好適なトレーニングによって従事者が見出した機械ごと
の差異が斟酌されうるようになる。

【００６５】本発明の方法は、古典的な検量をもっては
解決できないか、もしくは解決するのがひどく困難なば
あいにとくに好適である。この最も重要な例としては、
個人的な患者の試料では非常に高い値または低い値を示
すが、患者の試料において測定された分析物の濃度のほ
とんど大半が比較的狭い濃度の範囲にあるばあいであ
る。このようなパラメータを用いると、多くのばあい標
準物質はボランティアの供給者の血清からえられなけれ
ばならず、当然これらは例外のばあいにしか極端な濃度
値を呈しないのであるから、前記の極端な値を含む全体
として医学的に妥当な濃度の範囲における検量のために
満足のいく数量の標準物質をうるのは困難である。本発
明は、このようなばあいにも有利である。というのは、
ＮＮトレーニングが頻繁に生じる濃度範囲にある標準物
質のみを用いて優先的に行なわれ、そののちに極端な測
定値範囲にあるほんの少数の標準物質についてさらなる
トレーニングをすれば充分であることが見出されたから
である。古典的な検量法を用いるばあいには、ＣとＹと
の関係が充分に多い標準物質によって確証されていない
範囲においてこの方法で検量曲線を外挿することは許さ
れない。ＮＮの助けを有する本発明では、「外挿範囲」
内でも信頼をもって濃度が決定される。

【００６６】本発明が価値あるものとなる第２の課題
は、高濃度領域において水平な漸近線(asymetotic cour
se) を含む非線形的な検量曲線（図５）を用いる分析に
関する。本発明の方法を用いることにより、検量曲線の
漸近的な部分でも、より粗雑となるとはいえ、信頼性が
ある濃度の決定がなされた。

【００６７】課題となる検量曲線の第３の例は図６に示
される。ここでは、入力変数Ｙと濃度Ｃとのあいだの関
数は単調ではない。このばあい、古典的な検量を用いる
と、濃度Ｃに対して測定値Ｙを明確に決定することはで
きない。他方、各濃度に対して１つだけの測定値ではな
く、たとえば動力学的挙動Ｒ_i （ｔ_i ）を示す種々の測
定値Ｒ_i をＮＮに入力したばあい、ニューラルネットの
助けをもって明確に決定することが可能となる。このこ
とは、以下にさらなる実施例に結びつけて充分に詳細に
論じる。

【００６８】前記のように半定量的分析において、分析
結果Ａは濃度Ｃではなく、たとえば「陽性」と「陰性」
のような少なくとも２つの異なる医師が分析する状態の
うちの１つに対して試料を判定する状態となる。医師が
分析する状態の両者間の濃度の境界は、通常経験的に定
まったものであり、「カット−オフ(cut-off) 」として
知られている。

【００６９】カット−オフを慣習的に決める際の問題の
１つは、実際にはカット−オフが検査した患者のグルー
プにしばしば依存するものであるという事実により生じ
る。本発明では、式の助けによって慣習的にカット−オ
フを決めるかわりに、濃度Ｃの決定と同じ方法で測定値
もしくは測定値から導いた分析結果をＮＮに入力するこ
とのできるＮＮにもとづいた評価法がなされる。

【００７０】トレーニング段階で、医師が分析する状態
に対する既知の正確な判定がＮＮから出力される。濃度
Ｃは連続的な値のスペクトルを有するが、医師が分析す
る状態は、個々の(discrete)値のスペクトルを有するＮ
Ｎの出力変数の例である。このようなばあいには、出力
層のニューロンの出力シグナルの範囲は、デジタル電子
工学において慣習的なように、限界値より上のサブレン
ジ(subrange)は「高い」または「１」として解釈し、一
方限界値より下のシグナルの範囲を「低い」もしくは
「０」として解釈する２つのサブレンジに分けられる。
出力層の必要とされる数のニューロンが、この結果生じ
る。出力変数の個々の値のスペクトルが２つの論理状態
のみを判定できるばあいには、出力が２つの論理状態を
判定することができる１つのニューロンは出力層には充
分である。しかしながら、ある冗長度を有して作動し、
絶対に必要な数より多くのニューロンを有する出力層を
提供してもよい。図３は実施例の方法によって測定結果
を２つの医師が分析する状態（たとえば、陽性と陰性）
として判定するために設けられたＮＮのトポロジーを示
す。トレーニングにおいて、たとえば「陽性」の状態は
出力２０および２１で、シグナルの組み合わせ（１，
０）に対応し、一方「陰性」はシグナルの組み合わせ
（０，１）に対応する。この方法は、許容されえないシ
グナルの組み合わせ（１，１）および（０，０）が誤り
として認識されるという利点がある。

【００７１】分析結果Ａまたは補助値がＮＮの出力変数
として個々の値からなるスペクトルを有するばあいは、
シグモイド活性化関数もしくはしきい値関数が一般的に
は好ましく、一方連続的な値のスペクトルのばあいは線
形的な活性化関数が概してもっとも好ましいとわかる。

【００７２】トレーニングは前記のばあい（濃度の決
定）と同じように行ない、そこでは、分析結果Ａとし
て、たとえば陽性とか陰性といった医師が分析する状態
に正確に判定が出力される。この方法では、各実験室の
患者グループの構成に対応する患者グループからの試料
を用いてＮＮをトレーニングできる可能性がある。半定
量的検査のカット−オフはそれゆえに骨のおれる調査な
しに各列ごとに好適に決定され、偽の陽性や偽の陰性結
果の数は最小限にとどめられる。

【００７３】また、この実際の例としてはつぎのような
２つのサブステージでＮＮのトレーニングを行なうこと
が妥当でありうる。これは、試験の従事者が患者の試料
の広範で多岐にわたった範囲で基礎的なトレーニングを
行ない、さらに（自動分析）装置のトレーニングを補う
もので、ここで医者が分析する状態が既知の判定である
実験室に特異的な対照試料が、ＮＮに入力される。この
ような対照試料測定は、定性分析においては慣習的なも
のである。

【００７４】本発明のさらなる実施例は、検量曲線Ｙ＝
ｆ（Ｃ）が単調ではなく、ゆえに１つの入力変数Ｙ（測
定値または測定値から導かれた測定結果）と同じ値が、
濃度Ｃの相異なる値を有する検量曲線の少なくとも２つ
のサブセクションで対応するばあいに関する。このよう
なばあいには、測定された入力変数Ｙを濃度値Ｃに絶対
的に規定評価することは不可能であり、古典的な評価法
を用いてさらに測定したばあいに限って可能となる。さ
らに測定するばあいには、試料を希釈したのちに分析す
ることが一般的には必要である。このような方法のとく
に重要な例としては、標準検量曲線が「ハイデルベルガ
ー曲線」として知られている抗体沈降にもとづく均一な
免疫化学的分析がある。このような検量曲線の基本的な
過程を図６に示す。これらの問題は既知であり、（ヨー
ロッパ特許出願第０ １４８ ４６３号およびドイツ特
許出願第４，２２１，８０７号公報参照）、ここではさ
らに充分に説明する必要はないであろう。

【００７５】このばあい、測定値または測定値の動力学
的挙動Ｒ（ｔ）に関する情報を含んでなる測定値から導
かれた測定結果は、ＮＮに入力されるが、測定値は比濁
計か濁度計で試料の濁度を測定したものである。前記の
ばあいには、ＮＮの入力変数は種々の時間で測定した多
くの測定値Ｒ_i （ｔ_i ）もしくはその測定値から導かれ
た測定結果かまたはこれら２つの入力変数を組み合わせ
たものでありうる。

【００７６】検量曲線のセクション（図６に記したサブ
セクションＡおよびＢ）の正しい判定が、トレーニング
段階において分析結果に関連した補助値としてＮＮから
出力される。出力変数の値のスペクトルはここではまた
個別であるから、前記の説明が出力層のニューロンに関
して応用される。

【００７７】図４にこの実際的な応用に好適なＮＮのト
ポロジーを実施例で示す。ここで入力層は標準化された
吸光度値（測定値として）または測定した反応の動力学
的挙動を示す、それらから導かれた測定結果を同時に付
することのできる２５のニューロンを有する。２５のニ
ューロンの隠れ層は、それらのあいだにはさまれてい
る。ニューロン間の連結は、近接する層のすべてのニュ
ーロンのあいだに提供される。

【００７８】この方法で試してみると、前記の均一な免
疫化学的検査で、実用の目的に満足のいく信頼性をもっ
た検量曲線のサブセクションの判定が可能であることが
示された。これには、付加的な測定の労や金銭を必要と
せず、分析の信頼度は増大する。本発明の具体例は、臨
床的に関連がある濃度範囲がとくに高濃度値を含むばあ
いにとくに有益であり、一方検量曲線のあいまいさを避
ける既知方法、とくに非常に高い抗体濃度をとくに用い
る方法は、経済的理由のために不利である。

【００７９】本発明のさらなる適用は、自動分析システ
ムの誤差の検出に対してである。法的規定と同じように
診断の決定の質を保証するために、自動分析システムに
誤りの検出の機能を供給することは大いに関心のあるこ
とである。装置の自動化の度合が高くなるにつれ、これ
はより完全かつ信頼性の高いものでなければならない。

【００８０】伝統的な方法の助けで誤差を検出する可能
性は、他方、問題が極端に複雑であるために制限され
る。同じ自動分析システムを用いて決定しなければなら
ない診断的に重要な分析物の多様性、すなわち、濃度の
差、分析における複雑な手順（試料の処理、試薬の添
加、測定シグナルの受信と判定）のために、伝統的な電
気装置により正確に行なわれうる方法でありうる誤りの
集積を検出することが困難なときには不可能になる。

【００８１】本発明では、ＮＮは自動分析機上の誤りを
認識するという利点を用いうることが見出された。ここ
ではＮＮによる誤りのパターンの学習のためのトレーニ
ング段階が臨床的な実験室において測定を開始する前に
完遂されなければならない。よってそれは好ましくは、
とくに試薬のシステムに関連した誤りの根源を認識可能
とするために、試薬システムの従事者によって行なわ
れ、装置に特別にある誤りの源に関してはさらに自動分
析機のトレーニングを行なうことが有益であるかもしれ
ない。誤りを認識するために、前記の非単調な検量曲線
の適用例での同一の入力変数が、ＮＮに入力されうる。
動力学的挙動の情報もまた、このばあいにはＮＮに利用
できる。

【００８２】この例では乱されていない動力学的挙動の
セットから乱されている動力学的挙動を分別する誤差コ
ードがＮＮから出力されるという方法でトレーニングの
進行が可能である。たとえば典型的な誤りの状態に故意
に誘導された試料もしくは試薬が用いられることができ
る。一例として試料に充分な酸素量を必要とする分析の
ばあいに試料を低酸素状態にすることがあげられる。こ
こでは低酸素の試料が分析的に測定されている際にはＮ
Ｎの出力に誤差コード「Error 」を常に付してトレーニ
ングされ、一方正常の試料のときにはＮＮ出力の状態は
「No error」とする。前記の例（図４）と同じ基本的な
トポロジーを有するＮＮが、ここで使用できる。

【００８３】これらはしばしば測定シグナル処理の伝統
的な方法により即座に誤差と認識できるので、何らの注
目に値するものでもないことが示されるが、この方法で
行なうことにより、誤った動力学的挙動と誤りのない動
力学的挙動とを信頼性をもって分類することが可能であ
ることが示された。たとえば誤りを相互に補うことによ
る伝統的手法で生じる可能性のある誤りの源を避けるこ
とはできるかもしれない。

【００８４】誤りの認識は自動分析機にＳＯＭを用いる
ためのとくに重要な例である。測定値または反応の動力
学的挙動をあらわす、測定値から導かれた測定結果が、
このようにトレーニング段階で相異なる試料の複数の動
力学的挙動のためにコーネンフィーチャー マップに入
力される。すでに述べたように、これがＳＯＭのマップ
層に空間的に示される動力学的挙動に応用される特徴的
な性質を導き出す。本発明において、この方法では誤っ
た動力学的挙動と誤りのない動力学的挙動との信頼性の
ある分別が、ＳＯＭのマップ層へ提示して成しとげられ
ることが確立された。このことにより誤りがあるまたは
誤りがないとしてマップ層に特定の副領域を規定するこ
とが可能になり、また分析が進行している間にＳＯＭを
適用して誤った動力学的挙動を認識し除去することが可
能となる。

【００８５】本発明を用いることによるさらなる利点
は、試薬使用の継続期間の延長である。臨床分析システ
ムの試薬は古くなっていく。実際には、比較的短い有効
期間を指定することによって誤差が許容しうるレベルに
まで減じられている。しかしながらこの結果としてかな
りの浪費が生じる。

【００８６】本発明では、ニューラルネットのトレーニ
ング中に入力層中のさらなるニューロンに、１つもしく
はそれより多くの試薬の古さを示す補助値を付し、種々
の古くなった試薬を用いてトレーニングを行なえば、こ
の浪費はかなり減じることができる。各々のばあいに、
実際の測定値または測定結果を入力し、測定値を補正す
るためにＮＮを使用して新しい試薬を用いたばあいに対
応する理論的な測定値を出力に付するというような方法
で進めることが可能である。しかしながら、好ましくは
検量と試薬の古さに対する補正は組み合わせられる。す
なわち、前記の検量の手順を、試薬の古さを示す１つか
それより多くの補助値のための付加的な入力ニューロン
を供給し、異なる古さの試薬でのトレーニングを追加す
ることにより単純に拡張すればよい。

【００８７】最後に、１つの試料中の種々の分析物を同
時に分析することが本発明を用いるさらなる利点であ
る。一般の化学分析で、好適な方法（たとえば電気泳
動）を用いて１つの試料中の種々の相異なる分析物を同
時に決定するのはすでに広く実践されているやり方であ
るが、これが医学的試料の分析においては今までのとこ
ろは慣習的にはなっていない。伝統的な評価方法におい
ては、２つの試験の検量曲線を重ねたものから別々に２
つの成分を評価させるようにするのは検量曲線の過程が
非特異的すぎる。

【００８８】本発明はまたこのばあいには前記のばあい
と同様に測定値または測定値から導かれた測定結果を入
力変数としてニューラルネットの入力に付すことにより
有益に用いることができる。動力学的挙動を示す入力変
数がまた好ましく用いられる。このばあいトレーニング
段階で連続的な値のスペクトルを有する２つの濃度が、
出力層の２つのニューロンに直接出力変数として付され
る。

【００８９】つぎに本発明を実施例にもとづいて説明す
るが、本発明はもとよりかかる実施例のみに限定される
ものではない。

【００９０】実施例１ ＬＨ（ヒト黄体形成ホルモン）のパラメータを、Ｅｎｚ
ｙｍｕｎ（登録商標）ＥＳ ３００テストシステムのＬ
Ｈテスト（ベーリンガーマンハイム社製、マンハイム、
ドイツ国）を用いる３つのシリーズ中の１５のＬＨ標準
物質（ＬＨ濃度が既知の試料）の測定により、ＮＮの助
けをもって患者試料において定量した。これは各濃度に
対し１つの吸光度の値を測定する分析である。濃度Ｃと
対応する吸光度の値Ｅとの測定値のペアを標準化し（Ｃ
_o ＝０、Ｃ_max ＝１、Ｅ_o ＝０、Ｅ_max ＝１）、ＮＮの
トレーニングに用いた。

【００９１】ここではインテル(Intel) ８０４８６プロ
セッサーを備えた標準型パーソナルコンピュータにニュ
ーラル ワークス プロフェッショナル II プログラ
ム (Neural Works Professional II program) （ニュー
ラル ウエア (Neural Ware)社製、ピッツバーグ、ペン
シルバニア、米国）を装備した。ネットワーク構造と学
習パラメータは下記のように最適化した。

【００９２】ネットのトポロジーは図２に対応する。Ｎ
Ｎの学習率を０．９、モーメンタム(momentum)を０．６
と定めた。線形出力関数をすべてのニューロンに対して
選択した。トレーニングでは逆伝播アルゴリズムを用い
た。誤差関数が最高誤差で１０^-4より低くなるまで合計
３００００の学習サイクルを行なった。ノイズシグナル
を付加する可能性のあるプログラムは使用しなかった。

【００９３】トレーニングを完遂したのち、ネットワー
クのトポロジーと重みの行列とのパラメータを定数とし
て含む独立したＣ−プログラムをニューラル ワークス
プロフェッショナル II プログラムの助けをもって
作成した。このＣ−モジュールの大きさは約２キロバイ
トに達した。

【００９４】未知の分析物を含む試料中のＬＨ濃度をＥ
ｎｚｙｍｕｎ（登録商標）ＬＨ ＥＳ ３００テストシ
ステムを用いて測定した。ここではＮＮのトレーニング
結果をつぎのようにして用いた。すなわち、測定した吸
光度の値をトレーニングで用いた標準化関数を用いて標
準化し、試料の濃度を、Ｃ−プログラムの助けをもって
これから計算した。テストシステムの誤差を寛容しうる
限界内で、このように決定した濃度は、１００％に至る
まで正確であった。濃度Ｃと吸光度Ｅ（検量入力変数Ｙ
として）とのあいだの関係を図７に示す。ここで四角印
は既知の濃度の標準試料を用いて測定した吸光度を示
す。プロットされた線は、古典的な現象論的モデルを基
本として決定された検量曲線に対応する。プラス印は前
記した方法でＮＮの助けをもって決定した濃度の値を示
す。完全に一致していることが認められる。

【００９５】実施例２ 非単調な検量曲線のばあいにおいて濃度を決定するため
に下記のようにＮＮを用いた。既知の濃度の分析物フェ
リチンを含む試料（フェリチン含量が既知の患者の血清
と同様に、試薬システムが供給された標準物質）をここ
ではチナ−クアント(Tina-quant(登録商標))フェリチン
テストシステムとヒタチ−７１７（登録商標）自動分析
機（いずれもベーリンガーマンハイム社提供による）の
助けで用いた。試薬システムは２つの異なる製造ロット
のものを用いて比較した。

【００９６】検査は均一免疫化学的試験であり、その検
量曲線は「ハイデルベルガー曲線 (Heidelberger curv
e) 」の形状を呈する。ある濃度値上で検量曲線が反転
することはまた、「フック効果(hook effect) 」として
知られている。

【００９７】ここでは吸光度の動力学的挙動は１２秒間
隔で規則的に測定することにより監視した。５０番目と
２４番目の吸光度測定のあいだの差を検量入力変数Ｙと
して用いた。図８に入力変数Ｙ＝Ｅ₅₀−Ｅ₂₄とフェリチ
ン濃度Ｃとのあいだの関係を、ＡおよびＢのサブセクシ
ョンを有する非単調なハイデルベルガー曲線の形で示
す。２つの相異なる試薬バッチを四角印とプラス印とで
印した。

【００９８】図９は図８でａおよびｂにより示される測
定点についての動力学的挙動を示す。検量入力変数Ｙが
実質的に同一な値であるにもかかわらず、これらの測定
点においては異なる動力学的挙動過程を示す（濃度は、
ａでは約３５０ｎｇ／ｍｌ、ｂでは約６０００ｎｇ／ｍ
ｌ）ことがわかる。

【００９９】インテル(Intel) ８０３８６／８０３８７
プロセッサーを備えた標準型パーソナルコンピュータに
ブレインメーカー プロフェッショナル（登録商標）ソ
フトウェア (BrainMaker Professional(登録商標) soft
ware) （カリフォルニア サイエンティフィック ソフ
トウェア(California Scientific Software)社製）を装
備して、ＮＮシミュレーションとして用いた。

【０１００】下記のネット構造および学習パラメータを
設定した。

【０１０１】ネットトポロジー（図４）は、入力層にお
いて２５のニューロンからなり、該ニューロンに標準化
した吸光度（Ｅ_ｔmin ＝０、Ｅ_ｔmax ＝１）を付した。

【０１０２】出力層は２つのニューロンを有し、そのそ
れぞれに検量曲線のサブセクションＡまたはＢを指定す
るための１つの（０，１）値を付した。

【０１０３】入力層と出力層のあいだには単方向性の、
２５のニューロンを有する隠れ層がある。学習率を１．
０に、モーメンタムを０．９に設定した。シグモイド活
性化関数を、全ニューロンに対して選択した。トレーニ
ングには逆伝播アルゴリズムを用いた。誤差関数が最高
誤差で０．１より少ない値を呈するまで合計１５０の学
習サイクルを行なった。吸光度の値に対し０〜２０％の
無作為な乱れにともない、ノイズ関数を導入した。

【０１０４】トレーニング段階を完遂したのち、ネット
ワークのトポロジーと重みの行列のパラメータを定数と
して含む独立したＣ−プログラムをブレインメーカー
プロフェッショナル（登録商標）ソフトウェア プログ
ラムの助けをもって作成した。データの行列を含むＣ−
モジュールの大きさは、実施例においては２１キロバイ
トであった。

【０１０５】前記した試薬システムと自動分析機を用い
て、種々のフェリチン濃度を含む未希釈および希釈試料
の両方を測定することにより、関数を調べた。ＮＮの出
力値、すなわち、ハイデルベルガー曲線のサブセクショ
ンＡおよびＢの指定はＣ−プログラムの助けをもって標
準化された吸光度値から決定した。結果は、試料がサブ
セクションに正しく指定された実験結果と比較され、正
確な濃度値がえられた。

【０１０６】実施例２ａ 実施例２の１組のデータを用いて、本発明によって可能
となった動力学的挙動の分析のための測定時間の短縮に
ついて調べた。各例において、合計２５の測定点からな
る動力学的挙動からはじめの２４、２３、２２、１８お
よび１４の測定値のみを用いた。実施例１と同様のプロ
グラムをＮＮシミュレーションとして用いた。

【０１０７】このばあいでは、ＮＮは入力層には測定値
の数に対応する複数のニューロンを有し、出力層には１
つニューロンを有するものであった。入力層と出力層と
のあいだに９つのニューロンを有する単方向性の隠れ層
があった。学習率を０．３、モーメンタムを０．０１に
設定した。双曲線状の接線を、すべてのニューロンに対
する活性化関数として用いた。トレーニングのあいだは
逆伝播アルゴリズムを用いた。

【０１０８】ここでも、トレーニングの結果えられたネ
ットワークのトポロジーパラメータと重みの行列を定数
として含むＮＮシミュレーションプログラムの助けをも
って独立したプログラムを作成した。

【０１０９】わずか１４の測定点でさえも、分析物濃度
は再現性よく定量できることが立証された。もっとも低
濃度の値（システムの分析能力の限界）を例外として、
偏差は５％より低かった。

【０１１０】実施例３ 誤差を認識するためのＮＮの使用について調べるため
に、トリグリセライド−ＧＰＯ−ＰＡＰテスト（trigly
ceride-GPO-PAPtest、ベーリンガーマンハイム社製）を
用いて分析を行なった。ここでは高値および低値のトリ
グリセリド濃度の３５０の吸光度／時間曲線を調査し
た。正常な試薬と人為的に酸素を減じた試薬とを用い
た。自動分析機としてヒタチ−７１７を用いた。

【０１１１】本実施例では８０３８６／８０３８７パー
ソナルコンピュータにＡＮＳｉｍ（登録商標）ニューラ
ルネット ワーク ソフトウェア (ANSim Neural Net W
orksoftware) （サイエンス アプリケーション イン
ターナショナル コーポレーション(Science Applicati
ons International Corporation)社製）を装備して、Ｎ
Ｎシミュレーションとして用いた。

【０１１２】下記のネット構造（図４に類似）と学習パ
ラメータを設定した。入力層は、標準化した吸光度値
（Ｅ_ｔmin ＝−０．５、Ｅ_ｔmax ＝０．５）を付す５０
のニューロンを含んでなるものであった。出力層は「正
常」な動力学的挙動および「乱れた(disturbed) 」動力
学的挙動の各々に対し１つの（０，１）値を付する２つ
のニューロンを含んでなった。両層のあいだに２５のニ
ューロンを有する単方向性の隠れ層を挿入した。学習率
を０．０１、モーメンタムを０．６に設定した。シグモ
イド活性化関数をすべてのニューロンに対して選択し
た。トレーニングには逆伝播アルゴリズムを用いた。誤
差関数が平均誤差２×１０^-3より小さくなるまで、合計
３５０の学習サイクルを行なった。ノイズ関数は導入し
なかった。

【０１１３】他の研究で時々目立った動力学的挙動を呈
する、さらなる３０個の試料を用いて正確な誤差の検出
のための試験を行なった。ここでは１つの動力学的挙動
から５０の吸光度値をデータベースに記憶させ、ＡＮＳ
ｉｍソフトウェアを利用した。トレーニングの実行にお
いて認識された構造および重みの行列を用いた同一のＮ
Ｎプログラムで評価を行なった。結果を、どんな乱れも
一目で明らかな、吸光度／時間の相関をグラフで表わし
たものと比較した。調べられたすべての試料において、
ＮＮによる自動的な誤りの検出の結果とグラフ上での評
価の結果は一致した。

【０１１４】実施例３ａ 実施例３と同様の試験を用いて、誤りの検出のためにＳ
ＯＭ（コホーネン フィーチャー マップ）の使用につ
いて調べた。このばあいには、３５５の反応の動力学的
挙動の実験のセットを、初めに経験をつんだ技術者が正
常な動力学的挙動と乱れた動力学的挙動とに分けた。こ
の分類では正常な動力学的挙動が２７７個であり乱れた
動力学的挙動が７８個であった。頻度を変えて生じ、動
力学的挙動に反映される、反応過程での多岐にわたる技
術的および化学的乱れにおいて、異常は見出されるべき
ものであった。

【０１１５】実施例１と同様のプログラムの助けをもっ
てＳＯＭのシミュレーションが提供された。入力層は実
施例３に示した標準化された吸光度値を付する５０個の
ニューロンを有した。マップ層は４０のニューロンを有
した。前記の３５５の動力学的挙動を用いてトレーニン
グを完遂する際、励起の強度を結果としてマップ層の２
つの副領域に明白に分けた。この試験でわずかの例外が
あるものの、１つの副領域（大きい方）は正常の動力学
的挙動を含み（２７７のうち２７４）、一方２番目の副
領域は乱れた動力学的挙動のものを含んでいた（７８の
うち７４）。

【０１１６】実施例４ 多くの実験室でそれぞれ１５０から２５０の患者の試料
を扱って、定性的な検査で医者が分析する状態に測定結
果を判定するのにＮＮを適用することを試みて肝炎パラ
メータＨＢＥを測定した。測定値（吸光度の動力学的挙
動）はまた、陽性か陰性かを指定する２つの対照試料
（「コントロール」）についても測定した。測定された
吸光度の値は、実施例１に示したように、実験室ごと別
々に標準化した。実施例２と同様のＮＮシステムを用い
た。

【０１１７】ネットの構造は３つの入力ニューロン（試
料の吸光度、陽性のコントロールおよび陰性のコントロ
ールに対応）、１５ニューロンを有する隠れ層および２
つの出力ニューロン（陽性所見および陰性所見に対応）
からなる。学習率を１．０、モーメンタムを０．９に設
定した。ノイズ関数は用いなかった。シグモイド活性関
数をすべてのニューロンに対して用いた。

【０１１８】トレーニングを完遂したのち、ブレインメ
ーカー プロフェッショナルのＮＮシミュレーター内で
試料を分類したことにより判定の優秀性(quality) を調
べた。ここでは実験室７からの測定値をトレーニングの
ために用い、その結果を全研究室の測定データを評価す
るのに用いた。その結果を図１０に示す。全実験室から
の試験データにおいて正確に判定したものの数は、９５
％よりも大であり、あるばあいには不正確に判定した割
合（偽陽性もしくは偽陰性）は１％よりも小さかった。
さらに最適化すればもっとよい値に到達できると思われ
る。

【０１１９】

【発明の効果】本発明の分析法によれば、従来の分析法
よりもすぐれた分析を行なうことが可能となるばかりで
はなく、検量曲線が単調でないばあいにおいても、ＮＮ
のトレーニングにより信頼性のある分析が可能となる。
さらに、本発明の分析法によれば、自動分析機上の誤り
を認識し、試薬システムの古さを認識しうることなどか
ら、より正確な分析をなすことが可能となる。

【図面の簡単な説明】

【図１】本発明の方法を実施するための自動分析機のブ
ロック図である。

【図２】本発明に用いられる好適なニューラルネットの
トポロジーのグラフ図である。

【図３】本発明に用いられる好適なニューラルネットの
トポロジーのグラフ図である。

【図４】本発明の実施例２で用いられるニューラルネッ
トのトポロジーのグラフ図である。

【図５】高濃度領域において水平な漸近線を含む非線形
的な検量曲線のグラフ図である。

【図６】入力変数Ｙと濃度Ｃとのあいだの関数が非単調
である検量曲線のグラフ図である。

【図７】本発明の実施例１によりえられた検量曲線のグ
ラフ図である。

【図８】本発明の実施例２によりえられた検量曲線のグ
ラフ図である。

【図９】図８に示される検量曲線に対する動力学的挙動
を示すグラフ図である。

【図１０】本発明の実施例４において各研究室での所見
と分析結果との対応を評価したグラフ図である。

【符号の説明】

１ キュベット ４ 光源 ５ 検出器 ７ 測定シグナル処理回路 ８、１０ 出力部 ９、１１ 処理装置

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成５年９月１０日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】特許請求の範囲

【補正方法】変更

【補正内容】

【特許請求の範囲】

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】００５２

【補正方法】変更

【補正内容】

【００５２】

【実施例】本発明は（ａ）試料と試薬システムとの反応
を行なう工程、（ｂ）特定の試料に対して少なくとも１
つの測定値Ｒを測定するために、試料と試薬システムと
の前記反応からえられる物理的に測定可能な数量Ｘを測
定する工程、および（Ｃ）分析結果Ａを決定するため
に、処理装置による処理段階の際に前記少なくとも１つ
の測定値Ｒをさらに処理する工程であって、該処理段階
が分析結果Ａが既知である複数の標準試料に対して、少
なくとも１つの測定値もしくは複数の測定値Ｒ_i から導
かれる測定結果をニューラルネットに入力することから
なるニューラルネットのトレーニングを行なった結果を
用いる工程からなる処理工程からなる自動分析機による
医学的試料中の成分の分析法を提供する。さらに本発明
は、測定の工程が、さらに、物理的に測定しうる同じ数
量Ｘについての種々の測定値Ｒ_i を種々の測定時間で測
定すること、および数量Ｘの時間に依存した変化を示す
すべての測定値Ｒ_i （ｔ_i ）のうちの少なくとも一部分
をニューラルネットに同時に入力すること、測定の工程
が、さらに、物理的に測定しうる同じ数量Ｘについての
種々の測定値Ｒ_i を種々の測定時間で測定すること、少
なくとも２つの測定値Ｒ_i から導かれた少なくとも１つ
の測定結果を決定すること、および該少なくとも１つの
測定結果をニューラルネットに入力すること、ニューラ
ルネットのトレーニングが、さらに、自己組織化ニュー
ラルネットを用いること、処理の工程が、さらに、ニュ
ーラルネットのトレーニングの際に、標準試料に対して
少なくとも１つの測定値または測定結果を適用するたび
に、既知の分析結果Ａまたは分析結果と関連した既知の
補助値が、ニューラルネットから出力されること、処理
の工程が、さらに、試料中の成分の濃度Ｃを分析結果Ａ
として決定すること、濃度Ｃが、測定値Ｒ（ｔ）の時間
に依存した変化から導かれた検量入力変数Ｙと関連し、
その検量曲線Ｙ＝ｆ（Ｃ）が非単調であるために同じ入
力変数Ｙの値が検量曲線の少なくとも２つのサブセクシ
ョンにあり、処理の工程が、さらに、濃度Ｃの値に対応
するばあい、ニューラルネットのトレーニングの結果を
用いることにより、Ｒ（ｔ）から決定された入力変数Ｙ
を検量曲線のサブセクションに対して判定すること、処
理の工程が、さらに、試料を少なくとも２つの異なる医
師が分析する状態へ判定すること、およびニューラルネ
ットのトレーニングの結果を用いて、少なくとも１つの
測定値Ｒを正確に種々の医師が分析する状態に判定する
こと、処理の工程が、さらに、ニューラルネットのトレ
ーニングの結果を用いることにより、測定結果を誤った
分析結果と誤りのない分析結果とに分別することおよび
処理の工程が、さらに、自動分析機とは別に試薬システ
ムの製造者によってニューラルネットのトレーニングの
少なくとも一部分が行なわれる医学的試料中の成分の分
析法であることが好ましい。そしてさらには、本発明は
処理の工程が、さらに、ニューラルネットのトレーニン
グの結果を用いて前記少なくとも１つの測定値Ｒから濃
度Ｃを決定すること、処理の工程が、さらに、ニューラ
ルネットのトレーニングの結果を用いることにより、分
析の測定範囲を標準試料によって覆われている濃度範囲
以上に広げることからなる試料中の成分の濃度Ｃを分析
結果Ａとして決定する分析法およびニューラルネットの
トレーニングが、さらに、第１のサブステージと第２の
サブステージからなり、該第１のサブステージが試薬シ
ステムの製造者によって行なわれ、第２のサブステージ
がさらなるトレーニングとして自動分析機で行なわれ
る、自動分析機とは別に試薬システムの製造者によって
ニューラルネットのトレーニングの少なくとも一部分が
行なわれる分析法を提供する。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 ライナー シェーファー ドイツ連邦共和国、デー−81241 ミュン ヘン、エーベンベックシュトラッセ 11 (72)発明者 ベラ モルナル ハンガリー共和国、ハウ−1096 ブダペス ト、ハルレル シュトラッセ 72 １／６ (72)発明者 クリストフ バーディング ドイツ連邦共和国、デー−81667 ミュン ヘン、ピュトリッヒシュトラッセ １ (72)発明者 ペーター ボルフ ドイツ連邦共和国、デー−82392 ハーバ ッハ、マリーアンベーク ８ (72)発明者 フリードル ラング ドイツ連邦共和国、デー−82327 ツチン グ、ハーツォクシュタンツシュトラッセ ２

Claims (13)

【特許請求の範囲】
1. 【請求項１】 （ａ）試料と試薬システムとの反応を行
   なう工程、（ｂ）特定の試料に対して少なくとも１つの
   測定値Ｒを測定するために、試料と試薬システムとの前
   記反応からえられる物理的に測定可能な数量Ｘを測定す
   る工程、および（Ｃ）分析結果Ａを決定するために、処
   理装置による処理段階の際に前記少なくとも１つの測定
   値Ｒをさらに処理する工程であって、該処理段階が分析
   結果Ａが既知である複数の標準試料に対して、少なくと
   も１つの測定値もしくは複数の測定値Ｒ_i から導かれる
   測定結果をニューラルネットに入力することからなるニ
   ューラルネットのトレーニングを行なった結果を用いる
   工程からなる処理工程からなる自動分析機による医学的
   試料中の成分の分析法。
2. 【請求項２】 測定の工程が、さらに、物理的に測定し
   うる同じ数量Ｘについての種々の測定値Ｒ_i を種々の測
   定時間で測定すること、および数量Ｘの時間に依存した
   変化を示すすべての測定値Ｒ_i （ｔ_i ）のうちの少なく
   とも一部分をニューラルネットに同時に入力することか
   らなる請求項１記載の分析法。
3. 【請求項３】 測定の工程が、さらに、物理的に測定し
   うる同じ数量Ｘについての種々の測定値Ｒ_i を種々の測
   定時間で測定すること、少なくとも２つの測定値Ｒ_i か
   ら導かれた少なくとも１つの測定結果を決定すること、
   および該少なくとも１つの測定結果をニューラルネット
   に入力することからなる請求項１記載の分析法。
4. 【請求項４】 ニューラルネットのトレーニングが、さ
   らに、自己組織化ニューラルネットを用いることからな
   る請求項１記載の分析法。
5. 【請求項５】 処理の工程が、さらに、ニューラルネッ
   トのトレーニングの際に、標準試料に対して少なくとも
   １つの測定値または測定結果を適用するたびに、既知の
   分析結果Ａまたは分析結果と関連した既知の補助値が、
   ニューラルネットから出力されることからなる請求項１
   記載の分析法。
6. 【請求項６】 処理の工程が、さらに、試料中の成分の
   濃度Ｃを分析結果Ａとして決定することからなる請求項
   １記載の分析法。
7. 【請求項７】 処理の工程が、さらに、ニューラルネッ
   トのトレーニングの結果を用いて前記少なくとも１つの
   測定値Ｒから濃度Ｃを決定することからなる請求項６記
   載の分析法。
8. 【請求項８】 処理の工程が、さらに、ニューラルネッ
   トのトレーニングの結果を用いることにより、分析の測
   定範囲を標準試料によって覆われている濃度範囲以上に
   広げることからなる請求項６記載の分析法。
9. 【請求項９】 濃度Ｃが、測定値Ｒ（ｔ）の時間に依存
   した変化から導かれた検量入力変数Ｙと関連し、その検
   量曲線Ｙ＝ｆ（Ｃ）が非単調であるために同じ入力変数
   Ｙの値が検量曲線の少なくとも２つのサブセクションに
   あり、処理の工程が、さらに、濃度Ｃの値に対応するば
   あい、ニューラルネットのトレーニングの結果を用いる
   ことにより、Ｒ（ｔ）から決定された入力変数Ｙを検量
   曲線のサブセクションに対して判定することからなる請
   求項６記載の分析法。
10. 【請求項１０】 処理の工程が、さらに、試料を少なく
    とも２つの異なる医師が分析する状態へ判定すること、
    およびニューラルネットのトレーニングの結果を用い
    て、少なくとも１つの測定値Ｒを正確に種々の医師が分
    析する状態に判定することからなる請求項１記載の分析
    法。
11. 【請求項１１】 処理の工程が、さらに、ニューラルネ
    ットのトレーニングの結果を用いることにより、測定結
    果を誤った分析結果と誤りのない分析結果とに分別する
    ことからなる請求項１記載の方法。
12. 【請求項１２】 処理の工程が、さらに、自動分析機と
    は別に試薬システムの製造者によってニューラルネット
    のトレーニングの少なくとも一部分が行なわれることか
    らなる請求項１記載の分析法。
13. 【請求項１３】 ニューラルネットのトレーニングが、
    さらに、第１のサブステージと第２のサブステージから
    なり、該第１のサブステージが試薬システムの製造者に
    よって行なわれ、第２のサブステージがさらなるトレー
    ニングとして自動分析機で行なわれる請求項１２記載の
    分析法。