JPS6171337A - フローサイトメトリー法を用いる粒子の検出および分類のための装置および方法 - Google Patents
フローサイトメトリー法を用いる粒子の検出および分類のための装置および方法Info
- Publication number
- JPS6171337A JPS6171337A JP60201465A JP20146585A JPS6171337A JP S6171337 A JPS6171337 A JP S6171337A JP 60201465 A JP60201465 A JP 60201465A JP 20146585 A JP20146585 A JP 20146585A JP S6171337 A JPS6171337 A JP S6171337A
- Authority
- JP
- Japan
- Prior art keywords
- particles
- data
- class
- sample
- detecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims description 285
- 238000000034 method Methods 0.000 title claims description 148
- 210000004027 cell Anatomy 0.000 claims description 82
- 238000001514 detection method Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 53
- 238000005259 measurement Methods 0.000 claims description 48
- 241000894006 Bacteria Species 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000684 flow cytometry Methods 0.000 claims description 39
- 230000009466 transformation Effects 0.000 claims description 32
- 230000003287 optical effect Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 239000012530 fluid Substances 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 238000000149 argon plasma sintering Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 6
- 210000002700 urine Anatomy 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 210000000265 leukocyte Anatomy 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 2
- 239000013060 biological fluid Substances 0.000 claims 2
- 238000013500 data storage Methods 0.000 claims 2
- 238000001506 fluorescence spectroscopy Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000001580 bacterial effect Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000012567 pattern recognition method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000003909 pattern recognition Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000003899 penis Anatomy 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000194032 Enterococcus faecalis Species 0.000 description 4
- 241000588724 Escherichia coli Species 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002380 cytological effect Effects 0.000 description 3
- 238000004163 cytometry Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 208000031729 Bacteremia Diseases 0.000 description 2
- 241000588770 Proteus mirabilis Species 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 235000014121 butter Nutrition 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000014670 detection of bacterium Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002054 inoculum Substances 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- LQIAZOCLNBBZQK-UHFFFAOYSA-N 1-(1,2-Diphosphanylethyl)pyrrolidin-2-one Chemical compound PCC(P)N1CCCC1=O LQIAZOCLNBBZQK-UHFFFAOYSA-N 0.000 description 1
- 241001342895 Chorus Species 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 241000360318 Epuraea labilis Species 0.000 description 1
- 241000186660 Lactobacillus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000589516 Pseudomonas Species 0.000 description 1
- 241000191940 Staphylococcus Species 0.000 description 1
- 241000191967 Staphylococcus aureus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003915 cell function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- HAORKNGNJCEJBX-UHFFFAOYSA-N cyprodinil Chemical compound N=1C(C)=CC(C2CC2)=NC=1NC1=CC=CC=C1 HAORKNGNJCEJBX-UHFFFAOYSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001943 fluorescence-activated cell sorting Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229940039696 lactobacillus Drugs 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 210000003126 m-cell Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012009 microbiological test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
（産業上の利用分野）
本発明は試料中の粒子を検出するための装置および方法
に関するものであり、より詳しくは、生物学的粒子の均
一でないポピュレーンヨ／かう問題とする生物学的粒子
を検出し、分類するためのフローサイトメトリー装置お
よび方法に関するものである。
に関するものであり、より詳しくは、生物学的粒子の均
一でないポピュレーンヨ／かう問題とする生物学的粒子
を検出し、分類するためのフローサイトメトリー装置お
よび方法に関するものである。
（従来技術およびその欠点〕
フローサイトメトリー装置は、調査対象の細胞の１つあ
るいは２つ以上の特性を決定するために、細胞またはそ
の他の粒子を流体流中に流すことに依っている。更に、
フローサイトメトリー装置は、問題とする細胞あるいは
粒子の存在を同定したり、これらの細胞あるいは粒子を
計数したり、いくつかの例では、問題とするこれらの細
胞あるいは粒子を集めることができるように、分別機能
を提供したりするのに有効である。典型的なフローサイ
トメトリー装置では、細胞を含む流体試料は、各々の細
胞が検出領域を連続的にかつ一度に実質的に一個ずつ通
過するように、速い流れの流体流としてフローサイトメ
トリー装置を通って流される。
るいは２つ以上の特性を決定するために、細胞またはそ
の他の粒子を流体流中に流すことに依っている。更に、
フローサイトメトリー装置は、問題とする細胞あるいは
粒子の存在を同定したり、これらの細胞あるいは粒子を
計数したり、いくつかの例では、問題とするこれらの細
胞あるいは粒子を集めることができるように、分別機能
を提供したりするのに有効である。典型的なフローサイ
トメトリー装置では、細胞を含む流体試料は、各々の細
胞が検出領域を連続的にかつ一度に実質的に一個ずつ通
過するように、速い流れの流体流としてフローサイトメ
トリー装置を通って流される。
細胞の体積は、個々の細胞が検出領域を通過するときの
電気的抵抗の変化により決定することができる。同様に
、もしその検出領域において光の入射ビームが入ってぐ
るならば、通過する細胞はその通過時に光を散乱する。
電気的抵抗の変化により決定することができる。同様に
、もしその検出領域において光の入射ビームが入ってぐ
るならば、通過する細胞はその通過時に光を散乱する。
この散乱光は、細胞の形状、大きさ、リフラクンヨ／イ
ノデノクス（屈折率〕、オバンティ（不透明性〕、滑ら
かさ等の関数として用いられる。更Ｋ、入射光ビームの
励起エネルギーを通過した結果、励起された標識細胞あ
るいは自己ケイ光性細胞により放出されるケイ光を検知
し、ケイ光能を有する細胞を同定することができる。フ
ローサイトメトリー装置により細胞の分析を行ったのち
に、所望の特性を有するものとして同定されたｍ胞は、
もしその装置がそのような能力を持つように設計された
ものであれば、分類することができる。
ノデノクス（屈折率〕、オバンティ（不透明性〕、滑ら
かさ等の関数として用いられる。更Ｋ、入射光ビームの
励起エネルギーを通過した結果、励起された標識細胞あ
るいは自己ケイ光性細胞により放出されるケイ光を検知
し、ケイ光能を有する細胞を同定することができる。フ
ローサイトメトリー装置により細胞の分析を行ったのち
に、所望の特性を有するものとして同定されたｍ胞は、
もしその装置がそのような能力を持つように設計された
ものであれば、分類することができる。
代表的なフローサイトメトリー装置は米国特許第３，８
２６，３６４号および第４，２８４，４１２号、および
Ｓｃｉ、Ａｒｎ、２３４巻３号１（３８頁（１９７６年
）掲載のＨｅｒｚｅｎｂｅｒｇ等による”ケイ光により
活性化された細胞分類７に記載きれている。
２６，３６４号および第４，２８４，４１２号、および
Ｓｃｉ、Ａｒｎ、２３４巻３号１（３８頁（１９７６年
）掲載のＨｅｒｚｅｎｂｅｒｇ等による”ケイ光により
活性化された細胞分類７に記載きれている。
迅速かつ定量的な生物学的細胞の分析は生物医学的研究
および臨床的医学において極めて有用であることがわか
っている。最近のフローサイトメトリー装置では毎秒数
千の細胞についての、多数の細胞特性の定量的分析が可
能である。これらの装置によると細胞タイプについてそ
れらの間の相違を測定することにより区別できる能力が
ある。
および臨床的医学において極めて有用であることがわか
っている。最近のフローサイトメトリー装置では毎秒数
千の細胞についての、多数の細胞特性の定量的分析が可
能である。これらの装置によると細胞タイプについてそ
れらの間の相違を測定することにより区別できる能力が
ある。
この区別は、細胞の機能の相違を検知のために用いられ
るケイ光特性および細胞形態特性の関数である光散乱に
基づいている。
るケイ光特性および細胞形態特性の関数である光散乱に
基づいている。
７０−サイトメトリー法の進歩により細胞分析が向上し
たけれども、現在得られる装置にはなおいくつかの欠点
がある。例えば、フローサイトメトリー法は菌血症とし
て知られている病状、即ちヒト血液中のバクテリアの存
在を検知するために用いることができる。菌血症の検知
のために用いられる現在妥当とされている診断法は、血
液試料を接種した液体培地でのバクテリアの増殖を視覚
的に調べることによっている。この増殖法によるパリテ
リアの分析は時間がかかり、通常２日ないし１４日を必
要とする。試料血液細胞類の識別が可能である、ケイ光
性色素でのバクテリアの特異的標識を用いるフロー丈イ
トメトリー法ならびに試料調製の方法が研究されてきた
。現在では、血液試料からバクテリアの増殖が見られた
ならば、診断室では、バクテリアの同定および抗生物質
への感受性情報を得るために、更に材料、労働および時
間をかけて検討する。これらのやり方は、効果的ではあ
るけれども、費用がかかり実際上バクテリアの増殖に依
っている。結果を得るには数時間、一般的には一昼夜あ
るいは数日間の培養が必要とされる。従って、明らかに
、この追跡試験のスピードを速める必要がある。このよ
うなスピードアップはバクテリアの増殖に依存しない分
類技法としてのフローサイトメトリー法を適用すること
により達成することができるであろう。
たけれども、現在得られる装置にはなおいくつかの欠点
がある。例えば、フローサイトメトリー法は菌血症とし
て知られている病状、即ちヒト血液中のバクテリアの存
在を検知するために用いることができる。菌血症の検知
のために用いられる現在妥当とされている診断法は、血
液試料を接種した液体培地でのバクテリアの増殖を視覚
的に調べることによっている。この増殖法によるパリテ
リアの分析は時間がかかり、通常２日ないし１４日を必
要とする。試料血液細胞類の識別が可能である、ケイ光
性色素でのバクテリアの特異的標識を用いるフロー丈イ
トメトリー法ならびに試料調製の方法が研究されてきた
。現在では、血液試料からバクテリアの増殖が見られた
ならば、診断室では、バクテリアの同定および抗生物質
への感受性情報を得るために、更に材料、労働および時
間をかけて検討する。これらのやり方は、効果的ではあ
るけれども、費用がかかり実際上バクテリアの増殖に依
っている。結果を得るには数時間、一般的には一昼夜あ
るいは数日間の培養が必要とされる。従って、明らかに
、この追跡試験のスピードを速める必要がある。このよ
うなスピードアップはバクテリアの増殖に依存しない分
類技法としてのフローサイトメトリー法を適用すること
により達成することができるであろう。
フローサイトメトリー法の応用における進歩は、多数の
特性データを処理し信頼のおける結果を得るための、連
線された分析手段の欠除のため限界があった。フローサ
イトメトリー装置により得られたデータはたいていの場
合は、測定変数の一次元（ヒストグラム）および二次元
（等高腺プロット、分散プロット）の頻度分布の形で表
わされる。
特性データを処理し信頼のおける結果を得るための、連
線された分析手段の欠除のため限界があった。フローサ
イトメトリー装置により得られたデータはたいていの場
合は、測定変数の一次元（ヒストグラム）および二次元
（等高腺プロット、分散プロット）の頻度分布の形で表
わされる。
マルチパラメーターデータファイルの分割は相関性のあ
る一次又は二次元のグラフプログラムの連続使用を含む
。この方法はめんどうであるだけでなく、多次元空間に
おけるデータ処理の利点をのがしており、細胞のかなり
のサブボピュレーンヨ／をあいまいにするであろう。
る一次又は二次元のグラフプログラムの連続使用を含む
。この方法はめんどうであるだけでなく、多次元空間に
おけるデータ処理の利点をのがしており、細胞のかなり
のサブボピュレーンヨ／をあいまいにするであろう。
例えば、現在市販の２０−サイトメ） ＩＪ−装置は毎
秒１０００個の細胞について、その各々の４つの特性を
測定する能力を有している。細胞分類用のデータ処理は
このような多数のセットのマルチパラメーター人カデー
タを意味のある実験的尺度に変換できなければならず、
またこれは極度に複雑な課題である。従来量も一般的な
データ処理法は多次元分析を行うために二次元における
長方形ウィンドウの連続的使用を含む。
秒１０００個の細胞について、その各々の４つの特性を
測定する能力を有している。細胞分類用のデータ処理は
このような多数のセットのマルチパラメーター人カデー
タを意味のある実験的尺度に変換できなければならず、
またこれは極度に複雑な課題である。従来量も一般的な
データ処理法は多次元分析を行うために二次元における
長方形ウィンドウの連続的使用を含む。
迅速な細胞測定用のマルチパラメーターフローサイトメ
トリーデータの定量分析は２段階、即ち、細胞クラスの
同定およびサンプル処理の段階から成る。一般に細胞ク
ラスの同定のプロセスは、細胞の特性空間を問題として
いる細胞と、問題としていない細胞の互いに素（非共通
）な領域に分ける。そして、サンプルプロセメにおいテ
、各々の細胞はその細胞が割り当てられるべき領域に応
じて、２つのカテゴリーのうち一つに分類される。
トリーデータの定量分析は２段階、即ち、細胞クラスの
同定およびサンプル処理の段階から成る。一般に細胞ク
ラスの同定のプロセスは、細胞の特性空間を問題として
いる細胞と、問題としていない細胞の互いに素（非共通
）な領域に分ける。そして、サンプルプロセメにおいテ
、各々の細胞はその細胞が割り当てられるべき領域に応
じて、２つのカテゴリーのうち一つに分類される。
問題の細胞のクラスの注意深い分析は大へん重要である
。なぜなら、問題とする細胞の表示に対する適切な領域
が得られる時に限り、良好な検出成果が期待できるから
である。従って、細胞の集団に対して特定な領域を選択
することは細胞の検出のデ〜り分析における基本的操作
である。しかし、多重パラメーターデータについては、
視覚的な調査により４次元空間において問題とする細胞
の領域を分離するこ々は大変な仕事である。この方法へ
のひとつの可能な解決策は一度に２つの２次元ウイノド
ウを選ぶことである。
。なぜなら、問題とする細胞の表示に対する適切な領域
が得られる時に限り、良好な検出成果が期待できるから
である。従って、細胞の集団に対して特定な領域を選択
することは細胞の検出のデ〜り分析における基本的操作
である。しかし、多重パラメーターデータについては、
視覚的な調査により４次元空間において問題とする細胞
の領域を分離するこ々は大変な仕事である。この方法へ
のひとつの可能な解決策は一度に２つの２次元ウイノド
ウを選ぶことである。
４または５個のパラメーターの長方形のウイ／ドウゲー
テイ／グが用いられた場合、大部分の細胞集団は２色の
ケイ光の検出により代表される座標空間において長円形
または卵形状を示す。これらの各集団の座標上での分布
の主軸はしばしばその座標軸に対して平行ではない。従
って、このような領域の定義において理想的な境界は多
次元空間において長円形または卵形状である。このよう
な集団を分離するための長方形ウィンドウは普通かなり
の開けた空間を含んでおり、そのため必要としないバッ
クグラウンドの粒子を問題とする細胞とみなし、結果と
して分類のエラーの原因となる。
テイ／グが用いられた場合、大部分の細胞集団は２色の
ケイ光の検出により代表される座標空間において長円形
または卵形状を示す。これらの各集団の座標上での分布
の主軸はしばしばその座標軸に対して平行ではない。従
って、このような領域の定義において理想的な境界は多
次元空間において長円形または卵形状である。このよう
な集団を分離するための長方形ウィンドウは普通かなり
の開けた空間を含んでおり、そのため必要としないバッ
クグラウンドの粒子を問題とする細胞とみなし、結果と
して分類のエラーの原因となる。
フローサイトメトリー装置の分析能力を向上させるため
にもつと洗練されたアルゴリズムが必要と思われる。フ
ローサイトメトリー装置により測定された結果をパター
ン認識の方法を用いて分類しようとする研究は今まで知
られていない。
にもつと洗練されたアルゴリズムが必要と思われる。フ
ローサイトメトリー装置により測定された結果をパター
ン認識の方法を用いて分類しようとする研究は今まで知
られていない。
パターン認識とは雑音のある、または複雑な環境におい
て有用な規則性の機械的認ｍＫ関する分野である。これ
は、対象や事象を記述する一群の測定の中から不変の特
性の検出および認識を包含する。概して、パターン認識
の目的は観察したデータ試料をクラスのメンバーとして
分類することである。そのクラスの表示のためには、先
ず一連の特性についての測定値および関係が抽出される
必要があり、次にこの表示に基づいてデータの分類が為
されるであろう。この方法は細胞学の分野におけるある
種の研究を含む多くの種々の分野での問題に適用されて
いる。
て有用な規則性の機械的認ｍＫ関する分野である。これ
は、対象や事象を記述する一群の測定の中から不変の特
性の検出および認識を包含する。概して、パターン認識
の目的は観察したデータ試料をクラスのメンバーとして
分類することである。そのクラスの表示のためには、先
ず一連の特性についての測定値および関係が抽出される
必要があり、次にこの表示に基づいてデータの分類が為
されるであろう。この方法は細胞学の分野におけるある
種の研究を含む多くの種々の分野での問題に適用されて
いる。
ある研究者はパターン認識法を特別に染色した血液塗布
標品の顕微鏡観察により得た白皿球像に適用した（ Ｊ
、Ｍ、Ｓ 、Ｐｒｅｗｉ ｔ ｔ 、 ” コｙピユ
ータ−によるパラメーターおよび非パラメーター認識：
白血球像の処理への応用”、Ａｄｖ、Ｃｏｍｐｕｔｅｒ
ｓ、 １２巻、２５頁〜４１５頁、１９７２年） 。Ｐ
ｒｅｗｉｔｔの発表論文において通常のヒトの末梢血液
に見いだされる５種類の白血球細胞は、デジタル化され
たミクロの像のコンピューター処理に基づいて区別され
た。Ｂａｒｔｅｌｓによる同様な研究では通常細胞およ
び界雷細胞集団に対して統計的に細胞学的プロフィルを
同定しようとする試みが述べられた。
標品の顕微鏡観察により得た白皿球像に適用した（ Ｊ
、Ｍ、Ｓ 、Ｐｒｅｗｉ ｔ ｔ 、 ” コｙピユ
ータ−によるパラメーターおよび非パラメーター認識：
白血球像の処理への応用”、Ａｄｖ、Ｃｏｍｐｕｔｅｒ
ｓ、 １２巻、２５頁〜４１５頁、１９７２年） 。Ｐ
ｒｅｗｉｔｔの発表論文において通常のヒトの末梢血液
に見いだされる５種類の白血球細胞は、デジタル化され
たミクロの像のコンピューター処理に基づいて区別され
た。Ｂａｒｔｅｌｓによる同様な研究では通常細胞およ
び界雷細胞集団に対して統計的に細胞学的プロフィルを
同定しようとする試みが述べられた。
このプロフィル間における統計的に意味のある変化を決
定するためにいくつかの多変数分析法が用いられた。こ
うして細胞はかなりの正確さで、これらの２つの集団に
分類された（ Ｔ、Ｈ，Ｅａｒｔｅｌｓ。
定するためにいくつかの多変数分析法が用いられた。こ
うして細胞はかなりの正確さで、これらの２つの集団に
分類された（ Ｔ、Ｈ，Ｅａｒｔｅｌｓ。
”細胞学的データの数的評価、ｌ−■、Ａｎａｌ。
Ｑｕａｎｔ、Ｃ’／ｌｏ１．１ 、２ 、３巻（１９７
９，１９８０゜１９８１年）。
９，１９８０゜１９８１年）。
フローサイトメトリーデータ処理に関してパターン認識
の応用だついてはほとんど研究が為されていなかった。
の応用だついてはほとんど研究が為されていなかった。
二次元空間においてウィンドウの形状を集団の外形に合
わせようとする試みにおいて、ある研究者は長円形のウ
ィンドウを生ずるために、二次または部分的二次の方程
式を使用しようとした（ Ｔ、５ｈａｒｐｌｅｓｓ、”
細胞学的データの処理９、Ｆｌｏｗ Ｃ’Ｊｔｏｗｔｒ
ｙａｎｄ Ｓｏｒｓｉｎｇ、Ｍ、Ｒ。
わせようとする試みにおいて、ある研究者は長円形のウ
ィンドウを生ずるために、二次または部分的二次の方程
式を使用しようとした（ Ｔ、５ｈａｒｐｌｅｓｓ、”
細胞学的データの処理９、Ｆｌｏｗ Ｃ’Ｊｔｏｗｔｒ
ｙａｎｄ Ｓｏｒｓｉｎｇ、Ｍ、Ｒ。
ＭｅｌａｒｎｅｃＬＰ、Ｆ、Ｍｗｌ １ａｎｓｙ、Ｍ、
Ｌ、ｋｆｔｒｎｄｅｌｓｏｈｎ編。
Ｌ、ｋｆｔｒｎｄｅｌｓｏｈｎ編。
ジョンウイリーアメドサンズ社、二ニーヨーク。
１９７９年、３５９〜３７９頁）。このウィンドウは細
胞集団にみあうように調節できるであろう。
胞集団にみあうように調節できるであろう。
識別の能力は、データが高次の空間において分析される
ならば、向上するから、他の研究者等は３次元のグラフ
分析（この分析においては長円形集団は面によって仕切
られている）のためのノ・−ドウエアおよびノットウェ
アについて記述している（ルｆ、５ｔｏｈｒ 、’−ｒ
よびＧ、Ｆｗｔｔｅｒｍａｎ、 ”フローサイトメトリ
ーにおける高次元ス４クトルの視覚化“、Ｊ、Ｈｉｓ罰
ｃｈｅｒｎ、ｃ’／ｌｏｃｈｅｍ、２７巻５６０頁１９
７８年）。しかしながら、フローサイトメトリーデータ
は典型的には各々の細胞に対して４つのパラメーターを
含むから、３次元より多くの分析空間を視覚化すること
は極めて難刀≧しい。
ならば、向上するから、他の研究者等は３次元のグラフ
分析（この分析においては長円形集団は面によって仕切
られている）のためのノ・−ドウエアおよびノットウェ
アについて記述している（ルｆ、５ｔｏｈｒ 、’−ｒ
よびＧ、Ｆｗｔｔｅｒｍａｎ、 ”フローサイトメトリ
ーにおける高次元ス４クトルの視覚化“、Ｊ、Ｈｉｓ罰
ｃｈｅｒｎ、ｃ’／ｌｏｃｈｅｍ、２７巻５６０頁１９
７８年）。しかしながら、フローサイトメトリーデータ
は典型的には各々の細胞に対して４つのパラメーターを
含むから、３次元より多くの分析空間を視覚化すること
は極めて難刀≧しい。
生物学的粒子の分析において、粒子の存在のみの検出で
は通常は不十分である。臨床的に有用であるためには、
医者が感染の可能性のある部位および適切な抗バクテリ
ア治療に関して判定できるように、どのような粒子（例
えばバクテリアのような）が存在するのかについての同
ら刀・の徴候も得られる必要がある。現在では、臨床検
査室ではバクテリアの分類は一般に、特定の試薬剤とバ
クテリアおよび／またはそれらの代謝生成物との間での
生化学的反応の結果を膜察または測定することＫより行
なわれる。この操作は純粋に単離したバクテリアを必要
とし、また、４ないし６時間またはそれ以上の時間を要
するであろうし、また、１ ｍｌに付きｌＸｌＯ７以上
のコロニーを生ずる量（ｃ ｆｕ／ｍｅ ）の接種物を
必要とする。これかられかるとおり、微生物が十分な数
に成長し通常の操作のための接種物を得られるまで、分
類についての情報は得ることができない。このような訳
で、実際に患者から取り出した微生物に基づく決定は、
２ないし１４日の後にのみ可能である。これらの結果を
待っていたのでは、患者の罹患率や死亡率に高度の危険
を生じるであろう。最近、実際には、早期の決定は通常
患者の病状に基づいて経験的に為されている。このよう
な訳で、抗バクテリア治療に関して、より早く、情報に
基づいた決定への必要性が残されて応る。この情報に基
づいた、より早い決定を可能とするには、生物学的粒子
を低濃度で分数でき、かつより迅速に行なえる方法が必
要である。
は通常は不十分である。臨床的に有用であるためには、
医者が感染の可能性のある部位および適切な抗バクテリ
ア治療に関して判定できるように、どのような粒子（例
えばバクテリアのような）が存在するのかについての同
ら刀・の徴候も得られる必要がある。現在では、臨床検
査室ではバクテリアの分類は一般に、特定の試薬剤とバ
クテリアおよび／またはそれらの代謝生成物との間での
生化学的反応の結果を膜察または測定することＫより行
なわれる。この操作は純粋に単離したバクテリアを必要
とし、また、４ないし６時間またはそれ以上の時間を要
するであろうし、また、１ ｍｌに付きｌＸｌＯ７以上
のコロニーを生ずる量（ｃ ｆｕ／ｍｅ ）の接種物を
必要とする。これかられかるとおり、微生物が十分な数
に成長し通常の操作のための接種物を得られるまで、分
類についての情報は得ることができない。このような訳
で、実際に患者から取り出した微生物に基づく決定は、
２ないし１４日の後にのみ可能である。これらの結果を
待っていたのでは、患者の罹患率や死亡率に高度の危険
を生じるであろう。最近、実際には、早期の決定は通常
患者の病状に基づいて経験的に為されている。このよう
な訳で、抗バクテリア治療に関して、より早く、情報に
基づいた決定への必要性が残されて応る。この情報に基
づいた、より早い決定を可能とするには、生物学的粒子
を低濃度で分数でき、かつより迅速に行なえる方法が必
要である。
（発明の目的および構成）
従って、本発明はマルチパラメーターフローサイトメト
リーデータを用いる粒子の検出の性能および分類の向上
のためのパターン認識法についてのものである。
リーデータを用いる粒子の検出の性能および分類の向上
のためのパターン認識法についてのものである。
試料中の粒子の検出のための本発明の装置は流体流中に
、実質的に一度に一つの粒子を流す手段を有している。
、実質的に一度に一つの粒子を流す手段を有している。
照射の入射光は、好ましくは、流体流中の粒子に向けら
れる。光の検出手段は、粒子が照射光ビームを通過する
時に、各々の流れている粒子についての光に関連したデ
ータを検出するために含まれる。このような、粒子のク
ラスから検出された光に関するデータのパターンに従っ
て、共通の特性を有する粒子のクラスを決定する手段も
含まれる。更に、試料粒子から検出した光に関するデー
タにより、パターンの認識に従って、未知のクラスから
の試料粒子が既知の一群に属することを決定するための
手段も含まれている。電気的あるいは音響的検知により
得られたデータもまた本発明の記載のパターン認識法の
ために用いることができる。
れる。光の検出手段は、粒子が照射光ビームを通過する
時に、各々の流れている粒子についての光に関連したデ
ータを検出するために含まれる。このような、粒子のク
ラスから検出された光に関するデータのパターンに従っ
て、共通の特性を有する粒子のクラスを決定する手段も
含まれる。更に、試料粒子から検出した光に関するデー
タにより、パターンの認識に従って、未知のクラスから
の試料粒子が既知の一群に属することを決定するための
手段も含まれている。電気的あるいは音響的検知により
得られたデータもまた本発明の記載のパターン認識法の
ために用いることができる。
本発明の報様の池の実施例においては、フローサイトメ
トリー装置は、生物学的粒子の混った集団から問題とす
る生物学的粒子を検出し、分類する。上述の装置の安素
に加えて、本発明の実施例においては、確立したクラス
を、別々に保存した光に関するデータを有する複数のサ
ブクラスに分ける手段を包含する。この比較のための手
段は未知のクラスの粒子から検出した光データと上記の
ような、保存したデ〜りを比較する。次いで装置は、各
々の光に関するデータを比較照合することにより、未知
のクラスからの粒子が確立したクラスに属することを決
定し、この未知の粒子が属するサブクラスを同定する。
トリー装置は、生物学的粒子の混った集団から問題とす
る生物学的粒子を検出し、分類する。上述の装置の安素
に加えて、本発明の実施例においては、確立したクラス
を、別々に保存した光に関するデータを有する複数のサ
ブクラスに分ける手段を包含する。この比較のための手
段は未知のクラスの粒子から検出した光データと上記の
ような、保存したデ〜りを比較する。次いで装置は、各
々の光に関するデータを比較照合することにより、未知
のクラスからの粒子が確立したクラスに属することを決
定し、この未知の粒子が属するサブクラスを同定する。
本発明のその他の態様としては、試料中の粒子を検出す
る方法がある。この方法は、既知の粒子のクラスから検
出したデータのパターンに従って、既知の共通の特性を
有する粒子のクラスを確立することを含む。粒子に関す
るデータは、電気的あるいは音響的検知濱らＫは粒子の
光に対する特性を含む種々の方法により検出することが
できる。
る方法がある。この方法は、既知の粒子のクラスから検
出したデータのパターンに従って、既知の共通の特性を
有する粒子のクラスを確立することを含む。粒子に関す
るデータは、電気的あるいは音響的検知濱らＫは粒子の
光に対する特性を含む種々の方法により検出することが
できる。
次いで、上記方法により、試料粒子から検出されたデー
タのパターン認識に従って、未知のクラスからの試料粒
子が確立したクラスに属することを決定する。
タのパターン認識に従って、未知のクラスからの試料粒
子が確立したクラスに属することを決定する。
本発明のこの１聾様の他の実施例において、ある方法に
より、生物学的粒子の異種の集団から問題の生物学的粒
子を検出し分類する。この方法は流体流中を、実質的に
一度に１つの粒子を流すことを含む。照射の入射ビーム
が用意され、好ましくは流れの中の粒子に向けられる。
より、生物学的粒子の異種の集団から問題の生物学的粒
子を検出し分類する。この方法は流体流中を、実質的に
一度に１つの粒子を流すことを含む。照射の入射ビーム
が用意され、好ましくは流れの中の粒子に向けられる。
粒子が照射のビームを通過する時に、各々の動いている
粒子についての光に関するデータが検出される。粒子の
クラスは、そのような粒子のクラスから得た光データに
基づいて、共通の特性を有する粒子として決定される。
粒子についての光に関するデータが検出される。粒子の
クラスは、そのような粒子のクラスから得た光データに
基づいて、共通の特性を有する粒子として決定される。
このような光に関するデータは次いで保存される。本発
明の方法は、ざらにクラスをさらに複数のサブクラスに
分割し、各サブクラスの光関連データを別々に保存する
ことも含む。このように保存したデータは未知のクラス
の試料粒子から検出された光データと比提れる。最後に
、本発明は、各々の光に関するデータの照合の結果によ
り未知のクラスからの粒子が既知のクラスに属すること
を決定し、かつ未知の粒子が属するサブクラスを同定す
る。
明の方法は、ざらにクラスをさらに複数のサブクラスに
分割し、各サブクラスの光関連データを別々に保存する
ことも含む。このように保存したデータは未知のクラス
の試料粒子から検出された光データと比提れる。最後に
、本発明は、各々の光に関するデータの照合の結果によ
り未知のクラスからの粒子が既知のクラスに属すること
を決定し、かつ未知の粒子が属するサブクラスを同定す
る。
（作用）
本発明の原理によれば、マルチパラメーターフローサイ
トメトリーデータを用いる粒子分類の性能の向上のため
に、パターン認識法を利用する。
トメトリーデータを用いる粒子分類の性能の向上のため
に、パターン認識法を利用する。
本発明において述べる方法は自動的な生物学的粒子の検
出および分類のためのンステムに”頭脳的援助”を導入
したものである。このパターン認識法は、粒子の効果的
かつ能率的な記述を可能にし、種々の細胞のタイプの中
から特徴・相違を測定し、選び出した特徴に基づき未知
の細胞を分類する。
出および分類のためのンステムに”頭脳的援助”を導入
したものである。このパターン認識法は、粒子の効果的
かつ能率的な記述を可能にし、種々の細胞のタイプの中
から特徴・相違を測定し、選び出した特徴に基づき未知
の細胞を分類する。
従って、パターン認識アルゴリズムは顕著な有用性があ
り、これは他の方法よりもより迅速かつ正確に情報を処
理できる。これらの利点は生物学的粒子の検出および分
類のための迅速かつ微生物の増殖によらない方法の発展
を容易にする。
り、これは他の方法よりもより迅速かつ正確に情報を処
理できる。これらの利点は生物学的粒子の検出および分
類のための迅速かつ微生物の増殖によらない方法の発展
を容易にする。
フローサイトメトリー法による、生物学的粒子の検出の
ための、決定論的なパターン認識方法は本発明の基礎と
なる原理である。フローサイトメトリー装置により一般
に測定される特徴を用い、多次元空間における検出領域
を定義する新しいアルゴリズムを開発した。バクテリア
のようなある種の粒子の検出のために、純粋なサンプル
からのデータがトレーニングセットとして集められる。
ための、決定論的なパターン認識方法は本発明の基礎と
なる原理である。フローサイトメトリー装置により一般
に測定される特徴を用い、多次元空間における検出領域
を定義する新しいアルゴリズムを開発した。バクテリア
のようなある種の粒子の検出のために、純粋なサンプル
からのデータがトレーニングセットとして集められる。
このトレーニングデータセットの基本的な成分の変換が
、新しい相関のない特徴を得るために実行される。次に
このデータをより簡潔な形に圧縮するために集団化変換
が適用される。最後に、この圧縮した領域を包含するた
めに、好ましくは、検出領域が、半径として２つの標準
偏差をもった超球として定義される。この領域は、次い
で、未知試料中のバックグラウンドの粒子から問題とす
る粒子を区別するために使用される。信号と雑音の比に
関して、本発明は旧来の長方形ゲーティング法により得
られるものと比較して著しい向上がみられる。
、新しい相関のない特徴を得るために実行される。次に
このデータをより簡潔な形に圧縮するために集団化変換
が適用される。最後に、この圧縮した領域を包含するた
めに、好ましくは、検出領域が、半径として２つの標準
偏差をもった超球として定義される。この領域は、次い
で、未知試料中のバックグラウンドの粒子から問題とす
る粒子を区別するために使用される。信号と雑音の比に
関して、本発明は旧来の長方形ゲーティング法により得
られるものと比較して著しい向上がみられる。
この主成分法は生物学的粒子の分類の研究においても応
用されていた。主成分法を別にして、他の粒子の分類法
も本発明の範囲に入いる。分析速度の向上については、
ベエズの定理（Ｅａｙｅｓｒｕｌｇ）に基づく方法が開
発されている。共有するメンバーを有する事例の取り扱
いについては、集団特性に基づく方法が開発されている
。非パラメーター法については、Ｋ−最近接剤に基づく
方法が開発されている。これらのコンピューターを用い
る生物学的粒子の分類法には、その各々に固有の利点な
らびに特色ある特徴がある。フローサイトメトリーの生
物学的粒子のデータを検出、分析、分類するためにパタ
ーン認識アルゴリズムを使用すれば、生物学的粒子の分
析を簡便化かつ迅速化するものと期待される。
用されていた。主成分法を別にして、他の粒子の分類法
も本発明の範囲に入いる。分析速度の向上については、
ベエズの定理（Ｅａｙｅｓｒｕｌｇ）に基づく方法が開
発されている。共有するメンバーを有する事例の取り扱
いについては、集団特性に基づく方法が開発されている
。非パラメーター法については、Ｋ−最近接剤に基づく
方法が開発されている。これらのコンピューターを用い
る生物学的粒子の分類法には、その各々に固有の利点な
らびに特色ある特徴がある。フローサイトメトリーの生
物学的粒子のデータを検出、分析、分類するためにパタ
ーン認識アルゴリズムを使用すれば、生物学的粒子の分
析を簡便化かつ迅速化するものと期待される。
（実施例）
本発明は多くの異なった形において具体化され得るので
、記載の図および本発明の好ましい実施例に詳細に述べ
であることは、本発明の原理の例示の目的で、開示しで
あるものであり、示した実施例に本発明を限定するもの
でないことに留意されたい。
、記載の図および本発明の好ましい実施例に詳細に述べ
であることは、本発明の原理の例示の目的で、開示しで
あるものであり、示した実施例に本発明を限定するもの
でないことに留意されたい。
図について、特に図１について述べると、典型的なフロ
ーサイトメトリー装置１１の光学的要素および粒子を流
す要素が示しである。図１の光学的および流れの要素類
は、細胞等のような粒子の特異的なそれらの特性を調べ
るために、流体の流れの中を実質的に一度に１つずつこ
のような粒子を流すための、好ましいフローサイトメト
リー装置の主な部分を示す。例えば図１の装置の要素類
はカリフォルニア、サニーハレ（５ｕｎｎｙｖａｌｅ）
のヘクトン・ディノキンノ／アンド・カンパニー（Ｂｅ
ｃｔｏｎ。
ーサイトメトリー装置１１の光学的要素および粒子を流
す要素が示しである。図１の光学的および流れの要素類
は、細胞等のような粒子の特異的なそれらの特性を調べ
るために、流体の流れの中を実質的に一度に１つずつこ
のような粒子を流すための、好ましいフローサイトメト
リー装置の主な部分を示す。例えば図１の装置の要素類
はカリフォルニア、サニーハレ（５ｕｎｎｙｖａｌｅ）
のヘクトン・ディノキンノ／アンド・カンパニー（Ｂｅ
ｃｔｏｎ。
Ｄｉｃｋｉｎｓｏｎ ａｎｄ Ｃｏｍｐａｎｙ）のＦＡ
Ｃ８／ステムズ・ディビジョン（ＦＡＣ８Ｓｙｓｔｅｒ
ｎｓ Ｄｉｖｉｓｉｏｎ）により生産市販されているＦ
ＡＣ３ケイ光励起細胞分類装置に含まれるであろう。こ
のＦＡＣＳ細胞分類装置は、光散乱およびケイ光に基づ
いて、広範な種々の研究室で応用されており１．ｌ朋胞
のポピュレー／ヨンを測定し分類する。以下に特により
詳しく述べる、また、ＦＡＣ８細胞分類装置のような装
置において実施することができる光学的および流れの髪
素に加えて、本発明に関連して有用な細胞分類装置のそ
の他の詳細は、米国特許第３．８２６．３６４号および
上述のサイエンティフィックアメリカ／の発表に記載さ
れている。本発明は試料液体中における細胞等の同定定
量あるいは分類のために、光散乱、粒子体積、ケイ光、
これらを合わせたもの、これ以外の光学的、電気的ある
いは音響的パラメーターのどれを測定するとしても、多
くの異った型のフローサイトメトリーあるいはフローゲ
イ光装置において有用であることを理解されたい。
Ｃ８／ステムズ・ディビジョン（ＦＡＣ８Ｓｙｓｔｅｒ
ｎｓ Ｄｉｖｉｓｉｏｎ）により生産市販されているＦ
ＡＣ３ケイ光励起細胞分類装置に含まれるであろう。こ
のＦＡＣＳ細胞分類装置は、光散乱およびケイ光に基づ
いて、広範な種々の研究室で応用されており１．ｌ朋胞
のポピュレー／ヨンを測定し分類する。以下に特により
詳しく述べる、また、ＦＡＣ８細胞分類装置のような装
置において実施することができる光学的および流れの髪
素に加えて、本発明に関連して有用な細胞分類装置のそ
の他の詳細は、米国特許第３．８２６．３６４号および
上述のサイエンティフィックアメリカ／の発表に記載さ
れている。本発明は試料液体中における細胞等の同定定
量あるいは分類のために、光散乱、粒子体積、ケイ光、
これらを合わせたもの、これ以外の光学的、電気的ある
いは音響的パラメーターのどれを測定するとしても、多
くの異った型のフローサイトメトリーあるいはフローゲ
イ光装置において有用であることを理解されたい。
図１に説明しであるように、単一の波長の光の平行ビー
ムを与えるレーザーのような、あるいは、幅広いスペク
トルの波長の光からなるインコヒーレントあるいはノ／
コリメーディド光ビームを与える水銀あるいはキセノ／
アークランプのようなアークランプのような光源１２に
より、フローサイトメトリー装置のための光エネルギー
が供給される。光源１２により生成した光のビーム１４
により、励起エネルギーが７０−サイトメトリー装置１
１に供給される。典型的には、調査中の粒子または細胞
１７を含む液体流１６の所で光ビームの焦点を合わせる
ための焦点レンズ１５を通して、照射のビームは通過す
る。
ムを与えるレーザーのような、あるいは、幅広いスペク
トルの波長の光からなるインコヒーレントあるいはノ／
コリメーディド光ビームを与える水銀あるいはキセノ／
アークランプのようなアークランプのような光源１２に
より、フローサイトメトリー装置のための光エネルギー
が供給される。光源１２により生成した光のビーム１４
により、励起エネルギーが７０−サイトメトリー装置１
１に供給される。典型的には、調査中の粒子または細胞
１７を含む液体流１６の所で光ビームの焦点を合わせる
ための焦点レンズ１５を通して、照射のビームは通過す
る。
本発明のフローサイトメトリー装置に組み込まれたノズ
ル１８は流体流１６内を通して粒子や細胞１７の流れを
促す。この型のノズルの利用はよく知られており、また
、例えば、米国特許第３．８２６，３６４号に記載があ
る。／−ス液１９は普通に、流体力学的に焦点の合った
液体流系を生ずるように粒子の流れ１６をンース化する
ために用いられる。光ビーム１４が流体流１６と交わっ
ている、焦点のあった光の範囲２０を通って各々の細胞
や粒子が流れる時に、粒子により散乱された光は適当な
光検出器２１により検出することができる。記載の実施
例においては、光検出器２１は、光ビームの軸を基準に
前方に、典型的には、０．５ないし１０６の角度に散乱
された光を検出する。同時に、光ビームを通過する細胞
１７がら直角の方向に散乱された光は適当な光検出器２
２により検出される。
ル１８は流体流１６内を通して粒子や細胞１７の流れを
促す。この型のノズルの利用はよく知られており、また
、例えば、米国特許第３．８２６，３６４号に記載があ
る。／−ス液１９は普通に、流体力学的に焦点の合った
液体流系を生ずるように粒子の流れ１６をンース化する
ために用いられる。光ビーム１４が流体流１６と交わっ
ている、焦点のあった光の範囲２０を通って各々の細胞
や粒子が流れる時に、粒子により散乱された光は適当な
光検出器２１により検出することができる。記載の実施
例においては、光検出器２１は、光ビームの軸を基準に
前方に、典型的には、０．５ないし１０６の角度に散乱
された光を検出する。同時に、光ビームを通過する細胞
１７がら直角の方向に散乱された光は適当な光検出器２
２により検出される。
同様に、光源からの照射により励起された粒子により放
出されるケイ光があるなら、これもまた検出されるであ
ろう。流体流１６中の自己ケイ光性粒子あるいはケイ光
的に標識された粒子により放出されるケイ光は、光ビー
ム１４の軸からみて典型的には直角であるケイ光軸２３
に沿って検出される。流れている粒子により放出された
ケイ光は、二色性ミラー２５に達する前に、適切なフィ
ルター２４を通過する。この二色性ミラーは、当業者に
は周知のことであり、ある波長の光は通過するが、他の
波長の光は反射する。この点に″）いて、異なった波長
で粒子から放出されたケイ光はケイ光検出器２６および
２７によって検出されるであろう。
出されるケイ光があるなら、これもまた検出されるであ
ろう。流体流１６中の自己ケイ光性粒子あるいはケイ光
的に標識された粒子により放出されるケイ光は、光ビー
ム１４の軸からみて典型的には直角であるケイ光軸２３
に沿って検出される。流れている粒子により放出された
ケイ光は、二色性ミラー２５に達する前に、適切なフィ
ルター２４を通過する。この二色性ミラーは、当業者に
は周知のことであり、ある波長の光は通過するが、他の
波長の光は反射する。この点に″）いて、異なった波長
で粒子から放出されたケイ光はケイ光検出器２６および
２７によって検出されるであろう。
光検出器２１および２２、またケイ光検出器２６および
２７はよく知られた光電増倍管あるいは頬似の装置であ
り、これらは検出された光がケイ光的にラベルした細胞
および装置内を流れる特定の大きさの細胞と関連付けら
れるように光信号を電気的インパルスに変換する。この
光検出器およびケイ光検出器からの電気的信号は、典型
的には、表示、保存あるいはそれ以上の処理のための装
置である電子機器２８に入力される。こうして、分析し
たい細胞の１つあるいは１つ以上の特性が決定される。
２７はよく知られた光電増倍管あるいは頬似の装置であ
り、これらは検出された光がケイ光的にラベルした細胞
および装置内を流れる特定の大きさの細胞と関連付けら
れるように光信号を電気的インパルスに変換する。この
光検出器およびケイ光検出器からの電気的信号は、典型
的には、表示、保存あるいはそれ以上の処理のための装
置である電子機器２８に入力される。こうして、分析し
たい細胞の１つあるいは１つ以上の特性が決定される。
上述の要素の配置において、光散乱およびケイ光は、焦
点の合った光の範囲２０を通過する各々の粒子について
同時に検出されるであろう。液体流中の粒子１７は適切
な容器２９に集められる。
点の合った光の範囲２０を通過する各々の粒子について
同時に検出されるであろう。液体流中の粒子１７は適切
な容器２９に集められる。
あるいは、もしフローサイトメトリー装置が分類能を有
するならば、異なった容器に分類し集めることができる
であろう。
するならば、異なった容器に分類し集めることができる
であろう。
フローサイトメ） ＩＪ−装置の主要要素について記載
が終ったので、以下に、本発明のパターン認識法につい
てより十分に説明しよう。生物学的粒子の分類のための
パター二ノ認識法を遂行し適用する本発明のアルゴリズ
ムは、上述の装置の電子機器２８に包含されるものと理
解されるであろう。
が終ったので、以下に、本発明のパターン認識法につい
てより十分に説明しよう。生物学的粒子の分類のための
パター二ノ認識法を遂行し適用する本発明のアルゴリズ
ムは、上述の装置の電子機器２８に包含されるものと理
解されるであろう。
以下の説明の目的で、パターン認識法をバクテリアの検
出および分類に関連して例示する。例えば、本発明の検
出の特徴を末梢ヒト血液中のバクテリアについて試験し
た。一方、ヒト尿試料中のバクテリアの分類についても
また本発明について研究した。しかしながら、本発明の
原理は、種々の生物学的粒子史の微生物粒子の検出およ
び分類あるいは種々の白血球のサブクラスの同定および
計測のような細胞分析に広い応用性をもっている。
出および分類に関連して例示する。例えば、本発明の検
出の特徴を末梢ヒト血液中のバクテリアについて試験し
た。一方、ヒト尿試料中のバクテリアの分類についても
また本発明について研究した。しかしながら、本発明の
原理は、種々の生物学的粒子史の微生物粒子の検出およ
び分類あるいは種々の白血球のサブクラスの同定および
計測のような細胞分析に広い応用性をもっている。
バクテリアの検出のためのデータ分析は、それらが属す
る特定のバクテリアの種類のメンバーとして粒子を分類
することを包含する。パターン認識法は特にこのタイプ
の研究に適している。パターン認識法において、特定の
デザイン法が選択されると、細胞分類装置は問題として
いるクラスからの粒子を認識できるようにトレーニング
されなければならない。こ五は、いわゆる管理学習法で
ある。この分類装置は、そのクラス中の１セットの代表
的粒子からの共通の特性を学習しながら、細胞をみつけ
るよう教授される。この一連の既知の分類のトレーニン
グパターンは拳法において重要な要素である。分析にお
けるトレー二／グセットは高ｓ度（通常１ ｍｌ当りｌ
Ｘｌ０’！いしｌＸｌ０’個）の既知の型のバクテリア
を含む試料を調製することにより典型的に求められる。
る特定のバクテリアの種類のメンバーとして粒子を分類
することを包含する。パターン認識法は特にこのタイプ
の研究に適している。パターン認識法において、特定の
デザイン法が選択されると、細胞分類装置は問題として
いるクラスからの粒子を認識できるようにトレーニング
されなければならない。こ五は、いわゆる管理学習法で
ある。この分類装置は、そのクラス中の１セットの代表
的粒子からの共通の特性を学習しながら、細胞をみつけ
るよう教授される。この一連の既知の分類のトレーニン
グパターンは拳法において重要な要素である。分析にお
けるトレー二／グセットは高ｓ度（通常１ ｍｌ当りｌ
Ｘｌ０’！いしｌＸｌ０’個）の既知の型のバクテリア
を含む試料を調製することにより典型的に求められる。
フローサイトメトリー装置により標準試料から得られた
データファイルはキヤリプレーンヨンファイルとされる
。
データファイルはキヤリプレーンヨンファイルとされる
。
この学習過程において１細胞分類装置はキヤリプレーン
ヨ／ファイルから各々のタイプのバクテリアに対する一
連のデスクリプタ−を抽出し、バクテリア検出のための
未知試料にこれを適用する。
ヨ／ファイルから各々のタイプのバクテリアに対する一
連のデスクリプタ−を抽出し、バクテリア検出のための
未知試料にこれを適用する。
粒子はその性質の数多くの記述により表わすことができ
るから、ベクトル的表示および分類理論への決定理論に
よる研究法が本発明において利用される。ルの特性に対
して測定値Ｘ１、Ｘ２ ・−・・Ｘｎを有する粒子はｎ
次元空間においてベクトルＸ＝（ｘ（、４・・・Ｘｎ）
により表示される。ここで各座標軸は特定の特性と関連
している。座標値は測定値であるので、Ｘは測定の任意
のベクトルである。
るから、ベクトル的表示および分類理論への決定理論に
よる研究法が本発明において利用される。ルの特性に対
して測定値Ｘ１、Ｘ２ ・−・・Ｘｎを有する粒子はｎ
次元空間においてベクトルＸ＝（ｘ（、４・・・Ｘｎ）
により表示される。ここで各座標軸は特定の特性と関連
している。座標値は測定値であるので、Ｘは測定の任意
のベクトルである。
すべての可能な任意のベクトルにより広がるベクトル空
間は分類の課題に対して特性空間あるいはパラメーター
空間を形成する。更に、各々の粒子のクラスに対してこ
の空間において対応する領域が形成される。これらのク
ラスは全体としてすべての分類の偶発性を説明でき、こ
れらのクラスに含まれないバックグラウンド粒子に対す
る領域を除外するものとする。
間は分類の課題に対して特性空間あるいはパラメーター
空間を形成する。更に、各々の粒子のクラスに対してこ
の空間において対応する領域が形成される。これらのク
ラスは全体としてすべての分類の偶発性を説明でき、こ
れらのクラスに含まれないバックグラウンド粒子に対す
る領域を除外するものとする。
粒子の分類において重要な事項は、各々のクラスの試料
のポイントを含む領域にパラメーター空間を分配する決
定関数の開発にある。このために本発明において主成分
法ＣＰＣＭ）と呼ばれるアルゴリズムが開発された。こ
のＰＣＭはクラスの要素を表わすポイントを集団化する
ために、測定空間上に形成される集団化変換を含む。こ
のような変換は同じクラスのパターンポイント間のセク
ト内距離を最小にする。判定関数を開発するＫあたって
もう１つの重要なステップは、区別のために最も効果的
な特性を選出する方法である特性抽出である。適切な特
性はクラス内パターンの類似性およびクラス間パターン
の相違点を高める。特性抽出は多くの特性を抽出するこ
とから成る。この特性の各々は最初のすべての測定の一
次結合である。この方法は、最初の測定空間を別の表示
空間に変換し、最初の空間において得られる情報を最も
よく保存するクラスに対してサブ空間を見い出すものと
見なすことができる。
のポイントを含む領域にパラメーター空間を分配する決
定関数の開発にある。このために本発明において主成分
法ＣＰＣＭ）と呼ばれるアルゴリズムが開発された。こ
のＰＣＭはクラスの要素を表わすポイントを集団化する
ために、測定空間上に形成される集団化変換を含む。こ
のような変換は同じクラスのパターンポイント間のセク
ト内距離を最小にする。判定関数を開発するＫあたって
もう１つの重要なステップは、区別のために最も効果的
な特性を選出する方法である特性抽出である。適切な特
性はクラス内パターンの類似性およびクラス間パターン
の相違点を高める。特性抽出は多くの特性を抽出するこ
とから成る。この特性の各々は最初のすべての測定の一
次結合である。この方法は、最初の測定空間を別の表示
空間に変換し、最初の空間において得られる情報を最も
よく保存するクラスに対してサブ空間を見い出すものと
見なすことができる。
集団化変換は、クラスを定義するポイント間の距離の最
小化により同じクラスのパターンの類似性を増大きせる
ために使用される。２点間の距離はユークリッド距離と
して測定される。異なったクラスのパターンがお互いに
より距離が犬きぐなれば、クラスのメンバーの正しい認
識の機会が多くなる。物理的な接近の度合いは２つのパ
ターンポイノト間の距離により判断する。従って、距離
の測定はパターン情報の処理において基本的な概念であ
る。
小化により同じクラスのパターンの類似性を増大きせる
ために使用される。２点間の距離はユークリッド距離と
して測定される。異なったクラスのパターンがお互いに
より距離が犬きぐなれば、クラスのメンバーの正しい認
識の機会が多くなる。物理的な接近の度合いは２つのパ
ターンポイノト間の距離により判断する。従って、距離
の測定はパターン情報の処理において基本的な概念であ
る。
あるクラスに対して、Ｄ２ により表わされる平均平方
セット内距離はそのセットのパターンベクトルの成分に
関連した分散で表わされるであろう。
セット内距離はそのセットのパターンベクトルの成分に
関連した分散で表わされるであろう。
この距離測定は集団化変換の研究において用いられ、下
式により表わされる。
式により表わされる。
Ｄ２＝２ Σ σ１
ｋ＝１
〔σにはＸｋ方向についての成分の不偏標本分散〕
パターンの測定はル次元空間において異なった座標軸Ｘ
ｋにより表わされる。これらのパラメーターは同じパタ
ーンが属する領域を定義するにあたってすべてが同等に
重要ではない。特性によって２つのパターン特性を比較
するために、最も重要性のない測定は最も重みをっけな
いようにする。
ｋにより表わされる。これらのパラメーターは同じパタ
ーンが属する領域を定義するにあたってすべてが同等に
重要ではない。特性によって２つのパターン特性を比較
するために、最も重要性のない測定は最も重みをっけな
いようにする。
信頼に足る識別情報を伝える測定は大きな重みをつける
べきである。特性の重みをつける過程は、新しい空間に
パターンポイントを集団化する一次変換を通して実現さ
れるであろう。これは、ある特定のクラスを集約し、分
類の作業を容易にするように、そのクラスのセット内距
離を最小にする。
べきである。特性の重みをつける過程は、新しい空間に
パターンポイントを集団化する一次変換を通して実現さ
れるであろう。これは、ある特定のクラスを集約し、分
類の作業を容易にするように、そのクラスのセット内距
離を最小にする。
ベクトルｄおよびＴから変換マトリクス１により空間Ｓ
に変換された２つのベクトル７′ およびｂ′ を考
える。それらはα’＝ｗαおよびｂ’＝ｗｂとして書き
表わすことができる。
に変換された２つのベクトル７′ およびｂ′ を考
える。それらはα’＝ｗαおよびｂ’＝ｗｂとして書き
表わすことができる。
式中、Ｗｉｊは重み係数である。
Ｗは一般的な一次変換を表わすマトリクスである。
興味のある重みをつける操作は主軸のパラメーターを含
むだけである。−次変換が軸の尺度の変化のみについて
成されるとき、Ｗは主な対角線の要素のみがＯでない対
角線マトリクスであろう。変換されたベクトルの各々の
要素は初期のベクトルの要素の一次結合であるので、こ
の新しい成分はＣＬ ％ ＝Ｗ ｋｈ ａ ｔ、
オヨヒｂ′に＝Ｗｋｋｂｋ と書くことができる。従って、新しい空間におけるαと
ｂとの間のユークリッド距離はパターンポイントに対す
るセット内距離により、下式７式％） に従って表わきれる。
むだけである。−次変換が軸の尺度の変化のみについて
成されるとき、Ｗは主な対角線の要素のみがＯでない対
角線マトリクスであろう。変換されたベクトルの各々の
要素は初期のベクトルの要素の一次結合であるので、こ
の新しい成分はＣＬ ％ ＝Ｗ ｋｈ ａ ｔ、
オヨヒｂ′に＝Ｗｋｋｂｋ と書くことができる。従って、新しい空間におけるαと
ｂとの間のユークリッド距離はパターンポイントに対す
るセット内距離により、下式７式％） に従って表わきれる。
この式において、Ｗｋｋは唯一の未知数であり、自明の
解を避けるために何らかの拘束がＷマトリクスに対して
適用される必要がある。考慮する拘束は ／Ｉ Ｗ、＝１ に＝１ である。上記の関係は一定の体積重みを意味し、パラメ
ーター空間のノルムに関連する。ラグランシュの方法を
用い、上述の拘束に依存するＤ２の最小化は次式となる これは測定の標準誤差に逆比例する。
解を避けるために何らかの拘束がＷマトリクスに対して
適用される必要がある。考慮する拘束は ／Ｉ Ｗ、＝１ に＝１ である。上記の関係は一定の体積重みを意味し、パラメ
ーター空間のノルムに関連する。ラグランシュの方法を
用い、上述の拘束に依存するＤ２の最小化は次式となる これは測定の標準誤差に逆比例する。
より大きい分散を示すこれらの座標はクラスのパターン
を越えてはほとんど共通して用意されない。
を越えてはほとんど共通して用意されない。
従って、もし分散が小さいならば、集団化へのその寄与
は大きく、大きな重みがかけられる。
は大きく、大きな重みがかけられる。
特性重み係数Ｗは上述の拘束のもとて変換７トリクスＷ
を決定するので、もしパターンベクトルが変換 ！！＝−〒 により空間ＳからＳ′に変換されるなら、空間Ｓ′にお
けるポイント間のセット内距離は最小になる。
を決定するので、もしパターンベクトルが変換 ！！＝−〒 により空間ＳからＳ′に変換されるなら、空間Ｓ′にお
けるポイント間のセット内距離は最小になる。
これがクラスのデータポイントに対するいわゆる集団化
変換と呼ばれるものである。
変換と呼ばれるものである。
トレー二／グパターノから特性を損出することは、パタ
ーンクラスの比較的不変の特性を決定する関数である。
ーンクラスの比較的不変の特性を決定する関数である。
データの中でどの成分が小さい、あるいは大きい分散を
もつかを決定する前に、選んだいくつかの特性は相関し
ているであろう（即ち、ひとつの測定パラメーターはい
くつかまたはすべての他の変数に依存しているかも知れ
ない〕から、そのデータを相関していない新しい特性を
創るために予備処理する。測定が本来相関している場合
は、相関していない特性を抽出するためにある種の方法
が必要である。変数間の相関を測定する関数の数学的形
は共分散マトリクスであり、次の関係を満足する。
もつかを決定する前に、選んだいくつかの特性は相関し
ているであろう（即ち、ひとつの測定パラメーターはい
くつかまたはすべての他の変数に依存しているかも知れ
ない〕から、そのデータを相関していない新しい特性を
創るために予備処理する。測定が本来相関している場合
は、相関していない特性を抽出するためにある種の方法
が必要である。変数間の相関を測定する関数の数学的形
は共分散マトリクスであり、次の関係を満足する。
相関のない変数に対して共分散マトリクスは対角行列（
即ち、対角要素でない要素はＯである〕である。類似変
数（即ち、Ｃ’＝ＡＣＡ−’ ）において、マトリクス
Ｃは、もしＡがＣのモグルマトリクスとして選ばれるな
ら、マトリクスＡにより対角化されるであろう。モダル
マトリクスに対して１．４−１の列は己の固有ベクトル
である。言いかえれば、＾の行ばＣ−１の固有ベクトル
である。故に、モダルマトリクスλは、最初の測定を、
共分散マトリクスが対角であり、新しい座標が相関のな
い空間に変換するであろう。
即ち、対角要素でない要素はＯである〕である。類似変
数（即ち、Ｃ’＝ＡＣＡ−’ ）において、マトリクス
Ｃは、もしＡがＣのモグルマトリクスとして選ばれるな
ら、マトリクスＡにより対角化されるであろう。モダル
マトリクスに対して１．４−１の列は己の固有ベクトル
である。言いかえれば、＾の行ばＣ−１の固有ベクトル
である。故に、モダルマトリクスλは、最初の測定を、
共分散マトリクスが対角であり、新しい座標が相関のな
い空間に変換するであろう。
最初の共分散マトリクスＣから変換マトリクスＥ′＝１
δ壺７により作られる共分散マトリクスε′は集団化変
換（Ｘ′＝ＷＸ）により確立される測定空間に関連して
いる。ベクトルに付いている上付き字ＴはＷの転置行列
であるベクトルを意味する。
δ壺７により作られる共分散マトリクスε′は集団化変
換（Ｘ′＝ＷＸ）により確立される測定空間に関連して
いる。ベクトルに付いている上付き字ＴはＷの転置行列
であるベクトルを意味する。
次に、要素の共分散は、最小のセット豹距離を保ち、ま
た共分散マトリクスを対角化する変換Ａを見い出すこと
により空間Ｓ′にデカップルされる。
た共分散マトリクスを対角化する変換Ａを見い出すこと
により空間Ｓ′にデカップルされる。
これは新しい空間Ｓ″を作ることになる。この空間にお
いて集団化に対する種々の相関のない成分の寄与は明ら
かである。
いて集団化に対する種々の相関のない成分の寄与は明ら
かである。
要約すると、主成分法はデータセットの構造を最もよく
表わす、最適の特性のセットを得ることに基づいている
。この方法を代表的な試料（キャリブレーンヨンファイ
ル）に適用することにより、バクテリアの多次元鳴団の
最も有益な記述を選択し、こうすることにより検出およ
び分類の仕事を容易にする。
表わす、最適の特性のセットを得ることに基づいている
。この方法を代表的な試料（キャリブレーンヨンファイ
ル）に適用することにより、バクテリアの多次元鳴団の
最も有益な記述を選択し、こうすることにより検出およ
び分類の仕事を容易にする。
上述の方法をバクテリアの検出に適用する場合、既述の
ように純粋なバクテリアのサノプルをキャリプレー／コ
ンファイル用のトレーニングセットとして使用する。こ
のようなデータのために標本平均および標本共分散マ）
ＩＪクスは簡便な記述となる。この標本平均は集団の
重心に位置し、標本共分散マトリクスは種々の方向に存
在する分散の量について標本平均がどの程度よくデータ
を表わすかを示すものである。特性抽出変換は最初のデ
ータの共分散マトリクスの対角化により得られる。
ように純粋なバクテリアのサノプルをキャリプレー／コ
ンファイル用のトレーニングセットとして使用する。こ
のようなデータのために標本平均および標本共分散マ）
ＩＪクスは簡便な記述となる。この標本平均は集団の
重心に位置し、標本共分散マトリクスは種々の方向に存
在する分散の量について標本平均がどの程度よくデータ
を表わすかを示すものである。特性抽出変換は最初のデ
ータの共分散マトリクスの対角化により得られる。
こうして得た特性ベクトルは目的の変換のマドＩＪクス
の列である。この対応する特性ベクトルは最初の成分の
一次結合である新しい特性の分散である。
の列である。この対応する特性ベクトルは最初の成分の
一次結合である新しい特性の分散である。
上述のように、より小さい分散をもつ特性はバクテリア
をバクテリアでないものから識別する際により重要であ
ると期待され、検出および分類の決定に至る際により大
きな重みをつけられるべきである。この特性に重みをつ
ける操作は、データセット内距離、即ちデータポイント
関の平均平方距離、を最小にする集団化変換により実現
される。
をバクテリアでないものから識別する際により重要であ
ると期待され、検出および分類の決定に至る際により大
きな重みをつけられるべきである。この特性に重みをつ
ける操作は、データセット内距離、即ちデータポイント
関の平均平方距離、を最小にする集団化変換により実現
される。
この変換によりデータはより密集した形に集約さレル。
トレーニングセットのポイント（キヤリプレーンヨンフ
ァイル）が単一の多変数正常分布よりなるとの仮定のも
とに、分類の領域はこのきっちりとした集団を包含する
ために２つの標準誤差を半径としてもった超球（即ち、
４あるいはそれ以上の次元の球）を定義することにより
得ることができる。次にこの新しい空間において、もし
その粒子の集団の中心からの距離が超球の半径より小さ
いならば、未知の粒子はバクテリアと認識されるであろ
う。他方、その集団の中心からの距離が超球の半径より
大きいならば、未知粒子は非バクテリアと認識されるで
あろう。
ァイル）が単一の多変数正常分布よりなるとの仮定のも
とに、分類の領域はこのきっちりとした集団を包含する
ために２つの標準誤差を半径としてもった超球（即ち、
４あるいはそれ以上の次元の球）を定義することにより
得ることができる。次にこの新しい空間において、もし
その粒子の集団の中心からの距離が超球の半径より小さ
いならば、未知の粒子はバクテリアと認識されるであろ
う。他方、その集団の中心からの距離が超球の半径より
大きいならば、未知粒子は非バクテリアと認識されるで
あろう。
主成分法の生物学的粒子の検出への応用はこれから議論
する。フローサイトメトリーにおける粒子の検出および
分類は光散乱および光ケイ光あるいはこれらの測定の比
に基づいている。これらのパラメーターは細胞を特定の
細胞タイプのメンバーであると同定する分析的手段とな
っている。バクテリアの検出や分類においては、細胞は
典型的に種々のバクテリアである。これらのデータを記
録するには唯２つの現実的な方法しかない。即ち、数の
リストと絵画的表示である。しかしながら、バックグラ
ウンド粒子からのバクテリアの分離やバクテリアの種用
の同定において、最大の識別は、マルチパラメーターデ
ータの分析においてすべてのパラメーターが使用される
場合にのみ達成されるであろう。・測定は記録され、そ
して洗練されたアルゴリズムにより処理される。／ステ
ムにより測定された各々の粒子に対してパラメーターの
リストとして数字で記録されたデータはリスト形式のデ
ータと呼ばれ、主にオフライ／のデータ処理に対しての
ものである。リスト形式にデータが集約されたならば、
それらは十分な分解能をもった一次、二次のヒストグラ
ムの散乱プロット、等高線プロット等の形で表示される
であろう。このデータは各回毎に種々のアルゴリズムを
用い分析することもまた可能である。
する。フローサイトメトリーにおける粒子の検出および
分類は光散乱および光ケイ光あるいはこれらの測定の比
に基づいている。これらのパラメーターは細胞を特定の
細胞タイプのメンバーであると同定する分析的手段とな
っている。バクテリアの検出や分類においては、細胞は
典型的に種々のバクテリアである。これらのデータを記
録するには唯２つの現実的な方法しかない。即ち、数の
リストと絵画的表示である。しかしながら、バックグラ
ウンド粒子からのバクテリアの分離やバクテリアの種用
の同定において、最大の識別は、マルチパラメーターデ
ータの分析においてすべてのパラメーターが使用される
場合にのみ達成されるであろう。・測定は記録され、そ
して洗練されたアルゴリズムにより処理される。／ステ
ムにより測定された各々の粒子に対してパラメーターの
リストとして数字で記録されたデータはリスト形式のデ
ータと呼ばれ、主にオフライ／のデータ処理に対しての
ものである。リスト形式にデータが集約されたならば、
それらは十分な分解能をもった一次、二次のヒストグラ
ムの散乱プロット、等高線プロット等の形で表示される
であろう。このデータは各回毎に種々のアルゴリズムを
用い分析することもまた可能である。
図２は対象として尿中の２種のバクテリア、Ｅ。
ｃｏｌｉおよびｐ、ｒｎｉｒａｂｉｔｉｓの例について
説明する。
説明する。
尿中のバクテリアの検出は複雑な問題であり、２または
３種のバクテリアのうち１種が最も出くわしやすいこと
だけが知られている。患者の尿サンプルについてこれら
のどのバクテリアがどの程度の数存在するかを知ること
が重要である。典型的には、この問題はバクテリアをバ
ンクグラウンド粒子から識別するために長方形のユニバ
ーサルウィンドウを用いることにより処理されてきた。
３種のバクテリアのうち１種が最も出くわしやすいこと
だけが知られている。患者の尿サンプルについてこれら
のどのバクテリアがどの程度の数存在するかを知ること
が重要である。典型的には、この問題はバクテリアをバ
ンクグラウンド粒子から識別するために長方形のユニバ
ーサルウィンドウを用いることにより処理されてきた。
図２において、長方形は通例の長方形のゲーティング法
により決定される検出領域を確立するための２次元のユ
ニバーサルウィンドウを表わす。このウィンドウはバク
テリアの２種に対する２つのトＬ／−二７ｆセット（キ
ャリフレー／フンファイル）を包み込むのに十分に犬き
ぐ典型的に作られている。ライ／ドウ内の空の空間によ
り占められる過度の領域がシグナルの検出においてエラ
ーの一因となることがわかるであろう。
により決定される検出領域を確立するための２次元のユ
ニバーサルウィンドウを表わす。このウィンドウはバク
テリアの２種に対する２つのトＬ／−二７ｆセット（キ
ャリフレー／フンファイル）を包み込むのに十分に犬き
ぐ典型的に作られている。ライ／ドウ内の空の空間によ
り占められる過度の領域がシグナルの検出においてエラ
ーの一因となることがわかるであろう。
本発明によれば、主成分法はこの粒子の識別を改良する
。図３は＃ｃｏｌｉとＰ、ｒｎｉｒａｂｉｌｉｓの２つ
のパラメータープロットのキャリプレー７ヨンフアイル
およびＰＣＭアルゴリズムにより計算された２次元の境
界を示す。渭円形の境界は主成分法により決定された検
出領域を示す。これによって決定された領域は、図２に
描かれた全ウィンドウよりも、よりぴったりとデータに
合い、検出のエラーを減じることが明白である。このＰ
ＣＭ法はパラメーター軸として前方散乱し、緑色ケイ
光、赤色ケイ光および９０６散乱Ｏ４次元対数空間にお
いて実行され得る。ＰＣＭ法は／グチル／ノイズ比罠お
いて著しい向上を与え、このことはＰＣＭ法は、検出す
る粒子のタイプが前もってわがっていない場合でさえも
、最も有用であることが示された。
。図３は＃ｃｏｌｉとＰ、ｒｎｉｒａｂｉｌｉｓの２つ
のパラメータープロットのキャリプレー７ヨンフアイル
およびＰＣＭアルゴリズムにより計算された２次元の境
界を示す。渭円形の境界は主成分法により決定された検
出領域を示す。これによって決定された領域は、図２に
描かれた全ウィンドウよりも、よりぴったりとデータに
合い、検出のエラーを減じることが明白である。このＰ
ＣＭ法はパラメーター軸として前方散乱し、緑色ケイ
光、赤色ケイ光および９０６散乱Ｏ４次元対数空間にお
いて実行され得る。ＰＣＭ法は／グチル／ノイズ比罠お
いて著しい向上を与え、このことはＰＣＭ法は、検出す
る粒子のタイプが前もってわがっていない場合でさえも
、最も有用であることが示された。
主成分法の定量的分析はトレーニングセット（キャリプ
レー７ヨンフアイル）に含まれる情報に基づいている。
レー７ヨンフアイル）に含まれる情報に基づいている。
この数字的に計算された情報は試料中に含まれる細胞の
位置、大きさ、形および分布確率を含む。多次元空間に
おける分離した細胞の集団により良くフィツトする空間
を作るｐｃｕパラメーターは多変数の試料分布の平均と
共分散から直接求められる。このやり方において、複雑
な構造の問題に同時に解答を得るためにすべてのパラメ
ーター〇ＰＣＭを使用することは、識別に対して効果的
かつ効率的方法である。
位置、大きさ、形および分布確率を含む。多次元空間に
おける分離した細胞の集団により良くフィツトする空間
を作るｐｃｕパラメーターは多変数の試料分布の平均と
共分散から直接求められる。このやり方において、複雑
な構造の問題に同時に解答を得るためにすべてのパラメ
ーター〇ＰＣＭを使用することは、識別に対して効果的
かつ効率的方法である。
より効果的なバクテリアの記述およびより効率的なバッ
クグラウンド粒子を識別するための分類領域を得るため
に、修正した主成分法が使用され得る。この修正法は測
定におけるひずみを除くためにデータの前処理を必要と
する。次いで、測定の中から特性と関係が所望の細胞の
表示のために抽出される。ＰＣＩの修正は、データをほ
ぼガラス分布に再分配させるために集団化変換と特性抽
出変換に先立ってデータを正規分布におおよそ再分布さ
せるための対数変換に基づいている。図４Ａには、ライ
／ドウゲーティング法により得られた長方形ライ／ドウ
に重ねてＰＣＭ境界（楕円形）が示しである。この楕円
形境界は一次ＰＣＭ分析を用いた結果である。
クグラウンド粒子を識別するための分類領域を得るため
に、修正した主成分法が使用され得る。この修正法は測
定におけるひずみを除くためにデータの前処理を必要と
する。次いで、測定の中から特性と関係が所望の細胞の
表示のために抽出される。ＰＣＩの修正は、データをほ
ぼガラス分布に再分配させるために集団化変換と特性抽
出変換に先立ってデータを正規分布におおよそ再分布さ
せるための対数変換に基づいている。図４Ａには、ライ
／ドウゲーティング法により得られた長方形ライ／ドウ
に重ねてＰＣＭ境界（楕円形）が示しである。この楕円
形境界は一次ＰＣＭ分析を用いた結果である。
図４Ｂは全長方形ウィンドウ法に比較して、対数的に修
正された主成分法を示しである。図４Ｂのデータポイン
トは血液中のＳ、α１Ｌｒｇ１Ｌｓの検出を表わす。不
規則な形の領域は前方散乱と緑色ケイ光の対数変換を利
用するＰＣＭ分析により生成された。長方形は全ウィン
ドウゲーティング法によるものである。この修正ＥＣＭ
領域は、図４Ａに見られるような長方形ウィンドウや一
次ｐｃｕ領域よりも、ポジティブサンプル中の大部分の
測定ポイントにはるかにぴったりと合うことが見られる
であろう。
正された主成分法を示しである。図４Ｂのデータポイン
トは血液中のＳ、α１Ｌｒｇ１Ｌｓの検出を表わす。不
規則な形の領域は前方散乱と緑色ケイ光の対数変換を利
用するＰＣＭ分析により生成された。長方形は全ウィン
ドウゲーティング法によるものである。この修正ＥＣＭ
領域は、図４Ａに見られるような長方形ウィンドウや一
次ｐｃｕ領域よりも、ポジティブサンプル中の大部分の
測定ポイントにはるかにぴったりと合うことが見られる
であろう。
生物学的粒子の分類は問題とする粒子が検出されたなら
ば、より洗練された方法である。上述の本発明の記述は
一般的に粒子の検出だけに関するものである。図５は細
胞および種の分類のカスケードモデルを例示する。細胞
の分類の段階において、Ｋはバクテリアとして分類され
た細胞の数である。しかしながら、実際は、Ｋの数は、
バクテリアに対する予備選別の規準に合致するバソクグ
ラウ／ド粒子（ノイズ）の数により誤まっている。
ば、より洗練された方法である。上述の本発明の記述は
一般的に粒子の検出だけに関するものである。図５は細
胞および種の分類のカスケードモデルを例示する。細胞
の分類の段階において、Ｋはバクテリアとして分類され
た細胞の数である。しかしながら、実際は、Ｋの数は、
バクテリアに対する予備選別の規準に合致するバソクグ
ラウ／ド粒子（ノイズ）の数により誤まっている。
この誤りの程度は細胞分類装置がどのくらいうまく働く
かによって決まる。もしこの細胞分類装置が完全にコン
タミネーノヨンを除くならば、いかなるＯでないに値は
バクテリアの存在を十分に示すであろう。それ故、試料
がバクテリアを含むという仮説をテストするために、試
料分類装置においてＯでない検知器の敷居値を選ぶこと
が必要である。敷居値より多くのバクテリアが検出され
るなら、試料は陽性であると呼び、敷居値より少ないバ
クテリアが試料中に検出されるなら、陰性であると呼ぶ
。敷居値の調整により試料による誤まった陽性と誤まっ
た陰性の比を取り決めることができる。しかしながら、
これらの誤りの比率はに値の正確さに基づくものである
。細胞分類装置における検出エラーの減少はに値の正確
さを向上させる。これによって試料分類装置の両方のエ
ラーの比を減少させる。信頼できるに値の評価と誤った
陰性に対する誤った陽性の比を協定するために調整した
敷居値をもってして、最高の分類の成果が得られる。
かによって決まる。もしこの細胞分類装置が完全にコン
タミネーノヨンを除くならば、いかなるＯでないに値は
バクテリアの存在を十分に示すであろう。それ故、試料
がバクテリアを含むという仮説をテストするために、試
料分類装置においてＯでない検知器の敷居値を選ぶこと
が必要である。敷居値より多くのバクテリアが検出され
るなら、試料は陽性であると呼び、敷居値より少ないバ
クテリアが試料中に検出されるなら、陰性であると呼ぶ
。敷居値の調整により試料による誤まった陽性と誤まっ
た陰性の比を取り決めることができる。しかしながら、
これらの誤りの比率はに値の正確さに基づくものである
。細胞分類装置における検出エラーの減少はに値の正確
さを向上させる。これによって試料分類装置の両方のエ
ラーの比を減少させる。信頼できるに値の評価と誤った
陰性に対する誤った陽性の比を協定するために調整した
敷居値をもってして、最高の分類の成果が得られる。
生物学粒子の分類のためのパターン認識法が本発明によ
り開発された。生物学的粒子を正しく分類することので
きるアルゴリズムが創造された。
り開発された。生物学的粒子を正しく分類することので
きるアルゴリズムが創造された。
正しい分団とは、このアルゴリズムがフ／ピユータ−分
析と特定の粒子に対して分類ファイルを確立している標
準の微生物学的試験方法の間の一致を保証することがで
きることを意味する。特に、アルゴリズムは実際に通例
見いだされる７種のバクテリア、プロテウス・ミラビリ
ス（Ｐｒｏｔｅｕｓｍｉｒａｂｉｌｉｓ）、ストレプト
コッカス・ファエカリス（５ｔｒｅｐｔｏｃｏｃｃｕｓ
ｆａｅｃａｌｉｓ ）、スタフィロコッカス・サブロ
フイテイカス（Ｓｔａｐｈ’１ｌｏｃｏ−ｃＣｎｓ ５
ａｐｒｏｐｈｙｔｉｃｘｓ入 クレフ゛ンエラ・プノモ
＝ ７ ｘ （Ｋｌｅｂｓｉｅｌ ｌａ ｐｎｅｕｒｎ
ｏｎｉａｓ）、エンエリノア・コーリ（Ｅｓｃｈｅｒｉ
ｃ、ｈｉａ ｃｏｌｉ）、プソイドモナス・アエルノノ
サ（Ｐｓｅｕｄｏｒｎｏｎａｓ ａｅｒｌＬｇｉ−ｎｏ
ｓａ）およびラクトバチルス（Ｌａｃｔｏｂａｃｉｌｌ
ｕｓ）を分類するために開発された。しかしながら、リ
ンパ球のサブクラスのような他の生物学的粒子の検出や
分類のためのアルゴリズムもまた創り出すことができ、
これらは本発明の範囲に入ることが理解されるべきであ
る。
析と特定の粒子に対して分類ファイルを確立している標
準の微生物学的試験方法の間の一致を保証することがで
きることを意味する。特に、アルゴリズムは実際に通例
見いだされる７種のバクテリア、プロテウス・ミラビリ
ス（Ｐｒｏｔｅｕｓｍｉｒａｂｉｌｉｓ）、ストレプト
コッカス・ファエカリス（５ｔｒｅｐｔｏｃｏｃｃｕｓ
ｆａｅｃａｌｉｓ ）、スタフィロコッカス・サブロ
フイテイカス（Ｓｔａｐｈ’１ｌｏｃｏ−ｃＣｎｓ ５
ａｐｒｏｐｈｙｔｉｃｘｓ入 クレフ゛ンエラ・プノモ
＝ ７ ｘ （Ｋｌｅｂｓｉｅｌ ｌａ ｐｎｅｕｒｎ
ｏｎｉａｓ）、エンエリノア・コーリ（Ｅｓｃｈｅｒｉ
ｃ、ｈｉａ ｃｏｌｉ）、プソイドモナス・アエルノノ
サ（Ｐｓｅｕｄｏｒｎｏｎａｓ ａｅｒｌＬｇｉ−ｎｏ
ｓａ）およびラクトバチルス（Ｌａｃｔｏｂａｃｉｌｌ
ｕｓ）を分類するために開発された。しかしながら、リ
ンパ球のサブクラスのような他の生物学的粒子の検出や
分類のためのアルゴリズムもまた創り出すことができ、
これらは本発明の範囲に入ることが理解されるべきであ
る。
生物学的粒子の分類は、これらに制限されるものではな
いが、（１）主成分法、（２コ ペニス（Ｂａｙｅｓ
）の規則、（３）集団統計学、および（４１に一ニャリ
スト不イハー則を含む数多くの異なったパターン認識法
により達成できる。
いが、（１）主成分法、（２コ ペニス（Ｂａｙｅｓ
）の規則、（３）集団統計学、および（４１に一ニャリ
スト不イハー則を含む数多くの異なったパターン認識法
により達成できる。
上に暗示したように、生物学的粒子のベクトル表示は限
られた次元の空間に粒子をボイ／トに、粒子のクラスを
セットに地図で表わす。各々の粒子のクラスに対して対
応する粒子の領域がベクトル空間に形成される。この粒
子の領域およびバッフグラウンド粒子の領域は余す所が
なく、互いに排他的であると想定される。粒子のデータ
集団の定量的同定により集団の分離の尺度は分類の領域
を確立し得るように定義される。定量化において信ｆｆ
４でれる基本的な尺度はデータ集団の位置、大きさおよ
び分離である。これらの特性は異なった生物学的粒子タ
イプがｎｌつて見える様にする選ばれた分析集団を助け
、δｆ＆ Ｍｌｌ においてどのプレハレー／コン法が
最も効率良いかを決定することができる。粒子のベクト
ル図において、新しい２次元空間を利用し、４次元デー
タを２次元において表示することができる方法を開発し
た。この特性空間の２つの新しい成分は測定したパラメ
ーターから導かれ、考慮中のすべてのデータの最初のデ
ータにおける変数の大部分を説明する。このようにして
、データの効果的な次元を２次元に減少することができ
る。
られた次元の空間に粒子をボイ／トに、粒子のクラスを
セットに地図で表わす。各々の粒子のクラスに対して対
応する粒子の領域がベクトル空間に形成される。この粒
子の領域およびバッフグラウンド粒子の領域は余す所が
なく、互いに排他的であると想定される。粒子のデータ
集団の定量的同定により集団の分離の尺度は分類の領域
を確立し得るように定義される。定量化において信ｆｆ
４でれる基本的な尺度はデータ集団の位置、大きさおよ
び分離である。これらの特性は異なった生物学的粒子タ
イプがｎｌつて見える様にする選ばれた分析集団を助け
、δｆ＆ Ｍｌｌ においてどのプレハレー／コン法が
最も効率良いかを決定することができる。粒子のベクト
ル図において、新しい２次元空間を利用し、４次元デー
タを２次元において表示することができる方法を開発し
た。この特性空間の２つの新しい成分は測定したパラメ
ーターから導かれ、考慮中のすべてのデータの最初のデ
ータにおける変数の大部分を説明する。このようにして
、データの効果的な次元を２次元に減少することができ
る。
本発明は、特性の選択への方法を楽にするカーヒュ不７
− ｃｉエフ’ （Ｋａｒｈｕｎｅｎ−Ｌｏｇｖｅ ）
（Ｋ−Ｌ ）エキスパンジョ／セオリーによっている
。特性選別法はバター７認識ンステムの効率に関連して
いる。その機能は入手できるデータから分類の作業に最
も重要と思われる特性を抽出することである。
− ｃｉエフ’ （Ｋａｒｈｕｎｅｎ−Ｌｏｇｖｅ ）
（Ｋ−Ｌ ）エキスパンジョ／セオリーによっている
。特性選別法はバター７認識ンステムの効率に関連して
いる。その機能は入手できるデータから分類の作業に最
も重要と思われる特性を抽出することである。
ＣＯ’：）Ｋ−Ｌエキスノマンジョンはコミュニケー／
ヨンセオリーにおいてよく知られており、ＦｌＬｋｘｒ
ｕｘｇａにより“統計的バター／認識への入門”、アカ
デミックフレス、ニューヨーク、 １９７２年に記載さ
れている。このに−Ｌエキスパンションは入力データに
関連した試料の共分散マトリクスの特性ベクトル分析に
基づいている。この分析の結果は、すべての集団内のポ
イントに対する表示ベクトルを新しい座標系に一次的に
変換するために用いられる。この新しい座標系において
、この座標の変数は相互に関連していないものであり、
この新しい座標系の初めの２〜３の軸に最初のデータ分
布からの情報が集約されている。この方法で、表示ベク
トルを最小平均平方誤差で低次元の新しい特性ベクトル
により近似することができる。パターン認識の問題にお
いてに−Ｌエキスパ／ジョンを有効な一般的研究法とし
ているのは、この特性選別と減少である。
ヨンセオリーにおいてよく知られており、ＦｌＬｋｘｒ
ｕｘｇａにより“統計的バター／認識への入門”、アカ
デミックフレス、ニューヨーク、 １９７２年に記載さ
れている。このに−Ｌエキスパンションは入力データに
関連した試料の共分散マトリクスの特性ベクトル分析に
基づいている。この分析の結果は、すべての集団内のポ
イントに対する表示ベクトルを新しい座標系に一次的に
変換するために用いられる。この新しい座標系において
、この座標の変数は相互に関連していないものであり、
この新しい座標系の初めの２〜３の軸に最初のデータ分
布からの情報が集約されている。この方法で、表示ベク
トルを最小平均平方誤差で低次元の新しい特性ベクトル
により近似することができる。パターン認識の問題にお
いてに−Ｌエキスパ／ジョンを有効な一般的研究法とし
ているのは、この特性選別と減少である。
Ｋ−Ｌエキスパンションアルゴリズムに従って、４次元
データを２次元空間に表示する一つの方法は以下のよう
に為される。
データを２次元空間に表示する一つの方法は以下のよう
に為される。
ｌ）問題とするすべてのクラスのバクテリアに対スルト
レーニングセットのデータファイルを１つのキヤリプレ
ーンヨンファイルに連続して入れる、 ２）上記の方法に従ってこのキャリプレー／コンファイ
ルの平均および共分散マトリクスを計算する、 ３）共分散マトリクスに対して特性ベクトルと特性頃を
計算する、 ４）共分散マ） ＩＪクスの２つの最大の特性値に対応
する２つの特性ベクトルを選ぶ。これは新しい空間の基
準となる。
レーニングセットのデータファイルを１つのキヤリプレ
ーンヨンファイルに連続して入れる、 ２）上記の方法に従ってこのキャリプレー／コンファイ
ルの平均および共分散マトリクスを計算する、 ３）共分散マトリクスに対して特性ベクトルと特性頃を
計算する、 ４）共分散マ） ＩＪクスの２つの最大の特性値に対応
する２つの特性ベクトルを選ぶ。これは新しい空間の基
準となる。
５） Ｗのマトリクスの列としてステップ４で選んだ
特性ベクトルを用いて２行４列の変換マトリクスＷを作
る、 ６）関係式Ｘ′＝ＷＸ を用い新しいデータベクトル
ＸＩ ヲコンピューター計算し、新しい空間にこの新し
いデータを表示する。
特性ベクトルを用いて２行４列の変換マトリクスＷを作
る、 ６）関係式Ｘ′＝ＷＸ を用い新しいデータベクトル
ＸＩ ヲコンピューター計算し、新しい空間にこの新し
いデータを表示する。
このＸ′ベクトルは近似による誤差を最小にする２次元
表示である。それ故、データを記述するために必要な特
性の数は効果的に減少された。実際に、もし４つのすべ
ての新しい特性を選んだならば、特性の正味の減少はな
く、新しいデータポイントは古いポイントを佃１の回転
を行ったのちに表示したことになるであろう。
表示である。それ故、データを記述するために必要な特
性の数は効果的に減少された。実際に、もし４つのすべ
ての新しい特性を選んだならば、特性の正味の減少はな
く、新しいデータポイントは古いポイントを佃１の回転
を行ったのちに表示したことになるであろう。
本発明の記載のために、問題とする各々の粒子の４次元
データはフローサイトメトリー装置により検出された前
方散乱、９０６散乱１緑色ケイ光および赤色ケイ光に関
するものであることに留意されたい。
データはフローサイトメトリー装置により検出された前
方散乱、９０６散乱１緑色ケイ光および赤色ケイ光に関
するものであることに留意されたい。
図６は尿中の５種のバクテリア、：Ｅ、ｆａｅｃａｌｉ
ｓ。
ｓ。
Ｐ、ｒｎｉｒａｂｉｌｉｓ、Ｓ、５ａｐｒｏｐｈ’／１
ｉｃｕｓ、Ｐ、αｅｒｕｇｉｎｏ−８αおよびｇ、ｐｎ
ｇｕｒｎｏｎｉａｅの分析結果を例示する。
ｉｃｕｓ、Ｐ、αｅｒｕｇｉｎｏ−８αおよびｇ、ｐｎ
ｇｕｒｎｏｎｉａｅの分析結果を例示する。
特性ベクトルは５皿すべてのバクテリアを含むデータセ
ットから抽出され、それらの特性値の最も大きいものか
ら最も小さいものの順とした。最初（６２つの成分中に
保持烙れる分散のパーセットは９３５％であった。これ
らは最初の変数の一次結合であるから、Ｃの一次結合の
科学的意味付けは難しいであろうが、このプロットがデ
ータ構造に関して他のいかなる簡単な２変数プロツトよ
り多くの情報を含むことが期待される。図６において異
なったクラスのメンバーは毘なった形のマーカーにより
表わされているけれども、各々の個々のクラスの実際の
空間および２つ以上のクラスで共有される空間の大きさ
を視覚化することは極めて難かしい。クラスの単なる境
界（あるいは分類領域）のプロットはどこにそのクラス
があるのか、゛ またどの程度の空間をその各々のクラ
スが占めるのかを示すために十分であろう。上述の４つ
の異なった分類の方法のうち、主成分法が個々のクラス
の境界を定義するのに最も適当である。
ットから抽出され、それらの特性値の最も大きいものか
ら最も小さいものの順とした。最初（６２つの成分中に
保持烙れる分散のパーセットは９３５％であった。これ
らは最初の変数の一次結合であるから、Ｃの一次結合の
科学的意味付けは難しいであろうが、このプロットがデ
ータ構造に関して他のいかなる簡単な２変数プロツトよ
り多くの情報を含むことが期待される。図６において異
なったクラスのメンバーは毘なった形のマーカーにより
表わされているけれども、各々の個々のクラスの実際の
空間および２つ以上のクラスで共有される空間の大きさ
を視覚化することは極めて難かしい。クラスの単なる境
界（あるいは分類領域）のプロットはどこにそのクラス
があるのか、゛ またどの程度の空間をその各々のクラ
スが占めるのかを示すために十分であろう。上述の４つ
の異なった分類の方法のうち、主成分法が個々のクラス
の境界を定義するのに最も適当である。
主成分法は、そのバクテリアの検出の問題への応用にお
いて、バンクグラウンド粒子からＩ＼クチリアを首尾良
く区別する。ｐｃＭは明らかに上述のシグナルとノイズ
の境界の限界を定めるために粒子の構造を利用する。実
験的に測定された集団は、２つの変換、即ち、！寺性抽
出および集団化、および変換された空間における中心お
よび半径を含む数のセットにより記号化される。これら
の数は集団の特定の特性セットの要素とみなすことがで
きる。もしこのような数字のフオーム１つのバクテリア
のクラスを同定するものとすれば、Ｃセットの数は問題
とするＣクラスを定義するのに十分である。これらの特
性のセットは本質的に測定空間におけるＣ５＋類領域の
境界を定める。しかしながら、この場合にＣ分類領域の
全体の外に占められていない空間が存在し、これはわざ
わざバンクグラウッド粒子にあてられる。
いて、バンクグラウンド粒子からＩ＼クチリアを首尾良
く区別する。ｐｃＭは明らかに上述のシグナルとノイズ
の境界の限界を定めるために粒子の構造を利用する。実
験的に測定された集団は、２つの変換、即ち、！寺性抽
出および集団化、および変換された空間における中心お
よび半径を含む数のセットにより記号化される。これら
の数は集団の特定の特性セットの要素とみなすことがで
きる。もしこのような数字のフオーム１つのバクテリア
のクラスを同定するものとすれば、Ｃセットの数は問題
とするＣクラスを定義するのに十分である。これらの特
性のセットは本質的に測定空間におけるＣ５＋類領域の
境界を定める。しかしながら、この場合にＣ分類領域の
全体の外に占められていない空間が存在し、これはわざ
わざバンクグラウッド粒子にあてられる。
ＥＣＭ法は分類しようとする異なったグループのバクテ
リアに対しては異なったトレーニングセツト（キヤリプ
レーンヨンファイル）を必要トスる。すべてのトレーニ
ングセットがそのセットの特性を得るために処理される
と、多次元パラメーター空間は異なったバクテリアのク
ラスに対応する領域に分割きれる。これらの領域は集合
的に問題としているバクテリアに対するものであり、バ
ンクグラウンド粒子を除外する。この分類装置は、入力
の粒子がＣの分類領域のどれか１つに入るならば、その
データベクトルのあるクラスにそれを割り当て、もし粒
子がＣクラスのどれにも属式ないならば、バンクグラウ
ッド粒子としてそれを割り当てるものとして試験により
実施される。
リアに対しては異なったトレーニングセツト（キヤリプ
レーンヨンファイル）を必要トスる。すべてのトレーニ
ングセットがそのセットの特性を得るために処理される
と、多次元パラメーター空間は異なったバクテリアのク
ラスに対応する領域に分割きれる。これらの領域は集合
的に問題としているバクテリアに対するものであり、バ
ンクグラウンド粒子を除外する。この分類装置は、入力
の粒子がＣの分類領域のどれか１つに入るならば、その
データベクトルのあるクラスにそれを割り当て、もし粒
子がＣクラスのどれにも属式ないならば、バンクグラウ
ッド粒子としてそれを割り当てるものとして試験により
実施される。
この方法に基づいて、密集しよく分離した集団に対応す
るバクテリアクラスの領域をもつことが望ましい。しか
しながら、異なったバクテリアタイプにより生成される
領域はいろいろな程度に重なる。この重なり合った領域
に入る測定例をどのように分類するかが解決されなけれ
ばならない。
るバクテリアクラスの領域をもつことが望ましい。しか
しながら、異なったバクテリアタイプにより生成される
領域はいろいろな程度に重なる。この重なり合った領域
に入る測定例をどのように分類するかが解決されなけれ
ばならない。
このような事態を処理するために何ら〃・の付加的な決
定のできるプロセスが分類装置に補われなければならな
い。
定のできるプロセスが分類装置に補われなければならな
い。
直観的に思いつく解答はパターン認識におけるニャリス
ト不イハールールの概念を採用することである。これは
未刊の分類のパター／をその最も近くにあるクラスに割
り当てる。即ち、測定結果はその中ルが最も近いクラス
に含まれるべきである。接近度の概念を定義するために
、パターンを特定の集団中心の変域に割り当てるための
規則を確立する類似点の尺度を先ず定義することが必要
である。ニヤリストネイハー法において、ニークリッド
距離が一般的に考えられる。しかしながら、個々の粒子
がどのくらい平均ベクトルから離れているかを評価した
い場合は、ユークリッド距離を単に算出するべきでない
。これは異なった成分に対するベクトルは互いに独立し
ていないで共存関係を示すからである。集団を形成する
変数の中で相互の関係が考１ζされるべきである。マノ
・ラノビｘ （Ｍａｈａｌａｎｏｂｉｓ）距離として知
られている尺度がこれを果たす。
ト不イハールールの概念を採用することである。これは
未刊の分類のパター／をその最も近くにあるクラスに割
り当てる。即ち、測定結果はその中ルが最も近いクラス
に含まれるべきである。接近度の概念を定義するために
、パターンを特定の集団中心の変域に割り当てるための
規則を確立する類似点の尺度を先ず定義することが必要
である。ニヤリストネイハー法において、ニークリッド
距離が一般的に考えられる。しかしながら、個々の粒子
がどのくらい平均ベクトルから離れているかを評価した
い場合は、ユークリッド距離を単に算出するべきでない
。これは異なった成分に対するベクトルは互いに独立し
ていないで共存関係を示すからである。集団を形成する
変数の中で相互の関係が考１ζされるべきである。マノ
・ラノビｘ （Ｍａｈａｌａｎｏｂｉｓ）距離として知
られている尺度がこれを果たす。
マハラノビス距離はパラメーターのインターナル共分散
への調整後の２つのポイント間の有効な分離を表わす確
率の尺度であり、 ＤＭ＝７Ｔ訃Ｉ７ と定義される。ここで、７７は集団中心と個々の粒子の
間の差の行ベクトルであり、Ｅは対応する列ベクトルで
ある。ご−１は分散−共分散マトリクスの逆行列である
。概念的には、これは測定結果の特性はどの細胞タイプ
に最も似ているかを見い出し決定する。測定結果と集団
中心の間の距離が短かければ短かい程、未知の細胞はそ
のクラスに属している可能性が大きい。距離が長くなく
なると、未知の細胞はそのクラスに属する可能性が低く
なる。
への調整後の２つのポイント間の有効な分離を表わす確
率の尺度であり、 ＤＭ＝７Ｔ訃Ｉ７ と定義される。ここで、７７は集団中心と個々の粒子の
間の差の行ベクトルであり、Ｅは対応する列ベクトルで
ある。ご−１は分散−共分散マトリクスの逆行列である
。概念的には、これは測定結果の特性はどの細胞タイプ
に最も似ているかを見い出し決定する。測定結果と集団
中心の間の距離が短かければ短かい程、未知の細胞はそ
のクラスに属している可能性が大きい。距離が長くなく
なると、未知の細胞はそのクラスに属する可能性が低く
なる。
ＰＣＭ分類法の応用が第７図に列示しである。
ＥＣＭにより決定された集団の境界はに−Ｌエキスパン
ションの２つの主要な特性ベクトルの空間に５種のバク
テリアについて図示しである。
ションの２つの主要な特性ベクトルの空間に５種のバク
テリアについて図示しである。
Ｐ、ａｅｒｕｇｉｎｏｓα、Ｓ、ｆａｅｃａｌｉｓおよ
びＳ、５αｐｒｏ−ｐｈ’／ ｔ ｉ ｃｗｓのクラス
、これらは第６図ではほとんど区別できないが、第７図
においてははっきりと示されている。Ｓ、ｆａｇｃａｌ
ｉｓとＳ、５ａｐｒｏｐｈｙｔｉ−ＣｕＳの間の重なり
はなお明察きれるけれども、Ｐｒｎ１ｒａｂｉ１１：ｓ
とに、ｐｎｅｘｒｎｏｎｉａｅとの間の分離は著しく向
上している。同様に、第８図は７種のバクテリア、Ｐ、
ｒｎｉｒａｂｉｌｉｓ、Ｓ、ｆａｇｃａｌｉｓ、Ｓ、５
ａｐｒｏ−ｐｈ’／ｌｉｃｗｓ、に、ｐｎｅｕｍｐｎｉ
ａｅ、Ｅ、ｃｏｔｉ、Ｐ、ａｇｒｕ−ｇｉｎｏｓａ、Ｌ
ａＣ１ｏｂａｃｉｌｌｕｓ、について計算した２次元の
分類領域を示す。第８図のプロットはカルヒュネノーロ
エブエキスパ／ジョノの２つの主す特性ベクトルの空間
を表わす。この境界は４次元特性空間からこの２次元特
性空間に投影されたデータを用い主成分法により決定さ
れた。クラス１（Ｐ、ｍ１ｒａｂｉｌｉｓ）とクラス５
（Ｅ、ｃｏｌｉ）とはかなりの重なりをもつことが明
らかである。Ｓ、ｆａｅｃａｔｉｓと１ａｃｔｏｂａＣ
ｉｌ ｌｕｓとはある程度の重なりがあり、これらは又
Ｓ、５ａｐｒｏｐｈｙｔｉｃｘｓとも重っている。
びＳ、５αｐｒｏ−ｐｈ’／ ｔ ｉ ｃｗｓのクラス
、これらは第６図ではほとんど区別できないが、第７図
においてははっきりと示されている。Ｓ、ｆａｇｃａｌ
ｉｓとＳ、５ａｐｒｏｐｈｙｔｉ−ＣｕＳの間の重なり
はなお明察きれるけれども、Ｐｒｎ１ｒａｂｉ１１：ｓ
とに、ｐｎｅｘｒｎｏｎｉａｅとの間の分離は著しく向
上している。同様に、第８図は７種のバクテリア、Ｐ、
ｒｎｉｒａｂｉｌｉｓ、Ｓ、ｆａｇｃａｌｉｓ、Ｓ、５
ａｐｒｏ−ｐｈ’／ｌｉｃｗｓ、に、ｐｎｅｕｍｐｎｉ
ａｅ、Ｅ、ｃｏｔｉ、Ｐ、ａｇｒｕ−ｇｉｎｏｓａ、Ｌ
ａＣ１ｏｂａｃｉｌｌｕｓ、について計算した２次元の
分類領域を示す。第８図のプロットはカルヒュネノーロ
エブエキスパ／ジョノの２つの主す特性ベクトルの空間
を表わす。この境界は４次元特性空間からこの２次元特
性空間に投影されたデータを用い主成分法により決定さ
れた。クラス１（Ｐ、ｍ１ｒａｂｉｌｉｓ）とクラス５
（Ｅ、ｃｏｌｉ）とはかなりの重なりをもつことが明
らかである。Ｓ、ｆａｅｃａｔｉｓと１ａｃｔｏｂａＣ
ｉｌ ｌｕｓとはある程度の重なりがあり、これらは又
Ｓ、５ａｐｒｏｐｈｙｔｉｃｘｓとも重っている。
重なりの程度は４次元空間においては減少するけれども
、次表に示すようにＰＣＭ分頑分量装置り゛ｐ、ｒｎｉ
ｒａｂｉｌｉｓ標品に属するいくつかの粒子がＥ。
、次表に示すようにＰＣＭ分頑分量装置り゛ｐ、ｒｎｉ
ｒａｂｉｌｉｓ標品に属するいくつかの粒子がＥ。
ｃｏｌｉクラスに割り当てられることに気づくのは驚く
にあたらない。
にあたらない。
クラス尋 クラスの名称 測定数 信頼値％
Ｉ Ｐ、ｒｎｉｒａｂｉｌｉｓ ８２２
８５．７１２ Ｓ、ｆａｅｃａｌｉｓ
２３ ２．４０３ Ｓ、５ａｐｒｏ
ｐｈ’１ｔｉｃｕｓ ＯＯ，００４Ｋ、ｐｎｅｕ
ｒｎｏｎｉａｅ ｌ ４ １．４６５
Ｅ、ｃｏｌｉ １００ １０
．４３６ ｐ 、ａｅｒｕ、ｇｉＴＬｏｓａ
ｇ Ｏ，００７Ｌａｃ、ｔｏｂａｃｉｌ
ｌｕｓ ０ ０．００ハツクグラウンド
４１／１０００しかしながら、この試料は、
ｐ、ｍ１ｒａｂｉｔｉｓ に分類される、かなり多くの
細胞を含んでいるから、正しく分類された。
Ｉ Ｐ、ｒｎｉｒａｂｉｌｉｓ ８２２
８５．７１２ Ｓ、ｆａｅｃａｌｉｓ
２３ ２．４０３ Ｓ、５ａｐｒｏ
ｐｈ’１ｔｉｃｕｓ ＯＯ，００４Ｋ、ｐｎｅｕ
ｒｎｏｎｉａｅ ｌ ４ １．４６５
Ｅ、ｃｏｌｉ １００ １０
．４３６ ｐ 、ａｅｒｕ、ｇｉＴＬｏｓａ
ｇ Ｏ，００７Ｌａｃ、ｔｏｂａｃｉｌ
ｌｕｓ ０ ０．００ハツクグラウンド
４１／１０００しかしながら、この試料は、
ｐ、ｍ１ｒａｂｉｔｉｓ に分類される、かなり多くの
細胞を含んでいるから、正しく分類された。
普通のデータ統計を仮想すると、バクテリアのような生
物学的粒子の分類はペニスルールの適用により達成する
ごとができる。ペニスルールに従うと分類を行うために
は統計的判定理論に信頼を置く。これは特性空間をＣの
バクテリアタイプに対応する相互に排他的で余す所のな
い領域に分配する。次いで、分類は、もしそのパラメー
ターが関連する領域Ｒ２に最も大きな確率を与えるなら
ば、細胞をｉ掛目のクラスに帰属することを包含する。
物学的粒子の分類はペニスルールの適用により達成する
ごとができる。ペニスルールに従うと分類を行うために
は統計的判定理論に信頼を置く。これは特性空間をＣの
バクテリアタイプに対応する相互に排他的で余す所のな
い領域に分配する。次いで、分類は、もしそのパラメー
ターが関連する領域Ｒ２に最も大きな確率を与えるなら
ば、細胞をｉ掛目のクラスに帰属することを包含する。
蓋然性の概念はいくつかの考察が動機となる。第一に、
データ集収において避けられない測定の多様性の結果を
表わす手段をそれは与える。
データ集収において避けられない測定の多様性の結果を
表わす手段をそれは与える。
第２に、それらは特性間の関連の定量的尺度を可能にす
る。最後に、統計的立場から考えると、エラーを含まな
い分類を達成することができなくする、区別のプロセス
についてまわる内在する不確定さく即ち、重なったメン
バー〕があることを認めざるを得ない。本発明で用いた
バエ７７７判定法は、これがエラーをすることの不利益
を最小にするから、適した統計的方法である。このペニ
ス分類装置は測定例Ｘを最もありそうな源に帰属するこ
とを好み、Ｃクラスについて平均の成功例を最大にする
。この方法は、各々がより小さい確率に対応するクラス
を除外する一連のＣ（Ｃ−１）７２対同士の比較に同等
である。各ステップで、ｄｉｊ＝Ｄ４ｃＸ） ＤｊＣ
Ｘ）の式（ここで、ｉ、ｊは１．２、・・・・・・Ｃで
ありＤｉとＤｊはそれぞれクラスｉとｊの判定関数であ
る）に従い、特性空間は２つの領域に分配される。陽性
の記号の領域はクラスミＫ関するもので、陰性の記号の
領域はクラスＪに関するものである。それらはｄｉノが
ゼロになる判定境界により分離される。クラスｉの分類
は単にクラスｉに関するすべてのポンチイブな領域の共
通の部分である。その境界はいかなるネガティブな領域
にもない、対同士の判定境界内のポイントのすべてから
成る。
る。最後に、統計的立場から考えると、エラーを含まな
い分類を達成することができなくする、区別のプロセス
についてまわる内在する不確定さく即ち、重なったメン
バー〕があることを認めざるを得ない。本発明で用いた
バエ７７７判定法は、これがエラーをすることの不利益
を最小にするから、適した統計的方法である。このペニ
ス分類装置は測定例Ｘを最もありそうな源に帰属するこ
とを好み、Ｃクラスについて平均の成功例を最大にする
。この方法は、各々がより小さい確率に対応するクラス
を除外する一連のＣ（Ｃ−１）７２対同士の比較に同等
である。各ステップで、ｄｉｊ＝Ｄ４ｃＸ） ＤｊＣ
Ｘ）の式（ここで、ｉ、ｊは１．２、・・・・・・Ｃで
ありＤｉとＤｊはそれぞれクラスｉとｊの判定関数であ
る）に従い、特性空間は２つの領域に分配される。陽性
の記号の領域はクラスミＫ関するもので、陰性の記号の
領域はクラスＪに関するものである。それらはｄｉノが
ゼロになる判定境界により分離される。クラスｉの分類
は単にクラスｉに関するすべてのポンチイブな領域の共
通の部分である。その境界はいかなるネガティブな領域
にもない、対同士の判定境界内のポイントのすべてから
成る。
統ａ１的７１１定関数に基づく生物学的粒子のためのペ
ニス分類装置の実行は、第１に、入力ベクトルＸのＣ関
数値を見積り、第２に、最大の値を選択し、最後に、未
知の入力粒子を相当するクラスに割り当てる、ことから
成る。ベエズルール法の説明は第９図に見られる。３つ
の細胞のクラスが第９図の２つのパラメーター空間で分
離されている。
ニス分類装置の実行は、第１に、入力ベクトルＸのＣ関
数値を見積り、第２に、最大の値を選択し、最後に、未
知の入力粒子を相当するクラスに割り当てる、ことから
成る。ベエズルール法の説明は第９図に見られる。３つ
の細胞のクラスが第９図の２つのパラメーター空間で分
離されている。
クラスＩの領域はカーブｄｌ□−０の負の側およびカー
ブｔｔ３１＝Ｏの正の側により決まる範囲を包含する。
ブｔｔ３１＝Ｏの正の側により決まる範囲を包含する。
この範囲は図では分類領域Ｉで示されている。クラスＩ
は比較的わずかな範囲ではあるが、粒子がこのクラスに
割り当てられる実際の分類領域は非常に大きいことは明
らかである。同様の解説が他の２つのクラスについても
適用される。バノクグラウ／ド粒子として図中にはっき
りと見られる、Ａ、Ｂ、Ｃの印をつけた３つの点はバエ
ズ分類装置によりクラスＩの粒子と誤って分類されたも
のであろう。これはペニス分類装置のひとつの欠点であ
る。というのは、これは判定をするプロセスでどうにで
も解釈できる状況（例えば、ある事例でいずれかのクラ
スに属する確率が極端に低い場合）を処理する能力がな
いからである。この問題の改善法は、明らかな部外ポイ
ントを除外するために、ある事例の特性を前処理するこ
とである。
は比較的わずかな範囲ではあるが、粒子がこのクラスに
割り当てられる実際の分類領域は非常に大きいことは明
らかである。同様の解説が他の２つのクラスについても
適用される。バノクグラウ／ド粒子として図中にはっき
りと見られる、Ａ、Ｂ、Ｃの印をつけた３つの点はバエ
ズ分類装置によりクラスＩの粒子と誤って分類されたも
のであろう。これはペニス分類装置のひとつの欠点であ
る。というのは、これは判定をするプロセスでどうにで
も解釈できる状況（例えば、ある事例でいずれかのクラ
スに属する確率が極端に低い場合）を処理する能力がな
いからである。この問題の改善法は、明らかな部外ポイ
ントを除外するために、ある事例の特性を前処理するこ
とである。
パターン認識法により生物学的粒子を分類するもう１つ
の方法は集団特性法である。これ進達べてきた分類法は
各測定毎の分析に重点を置いた。
の方法は集団特性法である。これ進達べてきた分類法は
各測定毎の分析に重点を置いた。
しかしながら、生物学的粒子が存在するか否かを決定す
るために、一連の測定の結果、全体として十分な数字デ
ータ情報があるであろう。２つの細胞ポピュレーンヨン
間の相違の大きさが診断の手がかりを与える場合は、各
々の細胞が正しく分類されることは一般に必要ないが、
２つのクラスの相違の大きさを単にはっきりさせること
が必要である。もしエラーを伴わずに集団を分類するの
に十分にその差異が犬ぎければ、重なった領域の難しさ
は排除することができ、また、共有したメンバーをもっ
た粒子の問題も無視できる。
るために、一連の測定の結果、全体として十分な数字デ
ータ情報があるであろう。２つの細胞ポピュレーンヨン
間の相違の大きさが診断の手がかりを与える場合は、各
々の細胞が正しく分類されることは一般に必要ないが、
２つのクラスの相違の大きさを単にはっきりさせること
が必要である。もしエラーを伴わずに集団を分類するの
に十分にその差異が犬ぎければ、重なった領域の難しさ
は排除することができ、また、共有したメンバーをもっ
た粒子の問題も無視できる。
集団分類の基本的態様は集団として問題とする粒子のグ
ループが単一の７・クチリアのボピュレー／ヨ／から取
られるものと仮定していることである。このことはデー
タはひ七つのクラスの、＜クチリアの代表であると期待
されることを意味する。
ループが単一の７・クチリアのボピュレー／ヨ／から取
られるものと仮定していることである。このことはデー
タはひ七つのクラスの、＜クチリアの代表であると期待
されることを意味する。
それ故、集団分析に分ける最初のステップ、これはすべ
てのバクテリア分類プロセスに共通であるが、は明白な
分類ファイルを得ることである。構造的特性は集団の外
の粒子に対して大変敏感であるから、長方形ゲーティン
グ法は十分に良いとは言えない。従って、本発明におい
て集団検索アルゴリズムが開発された。この目的はデー
タ中の自然なグループ化を保ち、かつ、部外の事例のグ
ル−プ化を効果的に除外することにある。
てのバクテリア分類プロセスに共通であるが、は明白な
分類ファイルを得ることである。構造的特性は集団の外
の粒子に対して大変敏感であるから、長方形ゲーティン
グ法は十分に良いとは言えない。従って、本発明におい
て集団検索アルゴリズムが開発された。この目的はデー
タ中の自然なグループ化を保ち、かつ、部外の事例のグ
ル−プ化を効果的に除外することにある。
生物学的粒子のフローサイトメトリーデータにおいて集
団は常に存在するという事実に基づいて、本発明におい
て時間的に効率の良いスキームが開発された。この観察
はバクテリアのデータは普通は単一の様相構造を示す事
実によって思いつぐ。
団は常に存在するという事実に基づいて、本発明におい
て時間的に効率の良いスキームが開発された。この観察
はバクテリアのデータは普通は単一の様相構造を示す事
実によって思いつぐ。
集団内のバクテリアは病原性のあるものでも、そうでな
いものでもよいが、それらは、各々パラメーター空間に
集団を形成する。もし、集団内に十分な事例が含まれな
いならば、その液体試料は臨床的に重要とはみなされな
い。これらの仮定に基づいて、データ表示にヒストグラ
ムの使用が有用となる。このヒストグラムは、集団内の
ポイントを頻度軸上の大きい数により特徴づけられる新
しい形に、残りのポイントを頻度数の小さい値をもつ周
辺の領域に図で表わす。この新しい形式におけるはっき
りと認識できる値の違いのために、集団はより容易に同
定できるであろう。ここで大切な考え方は新しい（ｄ−
１−１）次元の空間において谷に囲まれた中心のピーク
を捜すことである。ピークを形成する事例は最初の空間
において集団の成分であり、その他の事例はノイズと考
えられる。
いものでもよいが、それらは、各々パラメーター空間に
集団を形成する。もし、集団内に十分な事例が含まれな
いならば、その液体試料は臨床的に重要とはみなされな
い。これらの仮定に基づいて、データ表示にヒストグラ
ムの使用が有用となる。このヒストグラムは、集団内の
ポイントを頻度軸上の大きい数により特徴づけられる新
しい形に、残りのポイントを頻度数の小さい値をもつ周
辺の領域に図で表わす。この新しい形式におけるはっき
りと認識できる値の違いのために、集団はより容易に同
定できるであろう。ここで大切な考え方は新しい（ｄ−
１−１）次元の空間において谷に囲まれた中心のピーク
を捜すことである。ピークを形成する事例は最初の空間
において集団の成分であり、その他の事例はノイズと考
えられる。
集団を抽出する方法はデータのヒストグラムに敷居値を
適用することを含む。これはあるレベルＴの選択を包含
し、Ｔよりも大きい頻度数をもつすべては集団に定め、
すべての他の頻度数はバックグラウンドに定める。多次
元ヒストグラムを作成することは実際的でないから、最
も有益かつ効率的な方法は２つのパラメーターのヒスト
グラムを作ることである。これは２次元像に似ており、
頻度数の値は灰白のレベルに等しい。下記に開発される
アルゴリズムは２つの選ばれたパラメーターに対してヒ
ストグラムを計算し、ピークを検出し、敷居値を判断し
、クラスターが位置するヒストグラムの部分を決定し、
最初のデータから集団を形成する事例を抽出する。
適用することを含む。これはあるレベルＴの選択を包含
し、Ｔよりも大きい頻度数をもつすべては集団に定め、
すべての他の頻度数はバックグラウンドに定める。多次
元ヒストグラムを作成することは実際的でないから、最
も有益かつ効率的な方法は２つのパラメーターのヒスト
グラムを作ることである。これは２次元像に似ており、
頻度数の値は灰白のレベルに等しい。下記に開発される
アルゴリズムは２つの選ばれたパラメーターに対してヒ
ストグラムを計算し、ピークを検出し、敷居値を判断し
、クラスターが位置するヒストグラムの部分を決定し、
最初のデータから集団を形成する事例を抽出する。
好ましいアルゴリズムは４つの測定パラメーターのうち
２つから２次元ヒストグラムを作ることを包含する。こ
れは最初の測定に存在する最大の可能な分離能より低い
分離能である。より低い分離能は最初の集団の重要な特
性を保持するが、次のステップに課されるコンピュータ
ー的、メモリー的要求を減少する。より低い分離能では
、大きい集団に接近している小さい集団は検出できない
であろう。２次元ヒストグラム以上のピーク検出器を用
いれば、興味のある領域が見い出韻るかもしれない。そ
して、その領域のみが次の分析に保持される必要がある
。ここでの主な務めは、バックグラウンドから著しく異
なる図の一部を見つけることである。言葉を換えれば、
集団の範囲を定めるピークの囲りの境界を定義すること
が必要とされる。敷居値が決められたならば、集団の集
団の輪郭は、敷居値の転移を含む領域をマークすること
により、作られる。最初のデータセットから集団内の粒
子を識別するために、領域の輪郭を見つけることは重要
である。最初のデータから集団を形成する事例を取り戻
す能力があれば、そのアルゴリズムは残りの２つのパラ
メーターを用い集団同定において最大の感度を達成する
ことができる。
２つから２次元ヒストグラムを作ることを包含する。こ
れは最初の測定に存在する最大の可能な分離能より低い
分離能である。より低い分離能は最初の集団の重要な特
性を保持するが、次のステップに課されるコンピュータ
ー的、メモリー的要求を減少する。より低い分離能では
、大きい集団に接近している小さい集団は検出できない
であろう。２次元ヒストグラム以上のピーク検出器を用
いれば、興味のある領域が見い出韻るかもしれない。そ
して、その領域のみが次の分析に保持される必要がある
。ここでの主な務めは、バックグラウンドから著しく異
なる図の一部を見つけることである。言葉を換えれば、
集団の範囲を定めるピークの囲りの境界を定義すること
が必要とされる。敷居値が決められたならば、集団の集
団の輪郭は、敷居値の転移を含む領域をマークすること
により、作られる。最初のデータセットから集団内の粒
子を識別するために、領域の輪郭を見つけることは重要
である。最初のデータから集団を形成する事例を取り戻
す能力があれば、そのアルゴリズムは残りの２つのパラ
メーターを用い集団同定において最大の感度を達成する
ことができる。
第１０ｂ図は、第１０α図に示した最初のデータセット
に集団検索アルゴリズムを適用した結果得られた集団を
示す。明らかに、いくつかのバライブラウンドの重要で
ない集団は除外され、主要な集団のみが保持されている
。
に集団検索アルゴリズムを適用した結果得られた集団を
示す。明らかに、いくつかのバライブラウンドの重要で
ない集団は除外され、主要な集団のみが保持されている
。
（効果）
バクテリアの分類のための集団分析において、２つのク
ラス間の差異の重要性を証明することが望まれる。これ
は、観察嘔れた差異の重要性の評価に関して極めて敏感
である統計的試験を用いることに基づく。多変数分析に
おいて一般に使用される種々のテスト統計をこれらの差
異の重要性を評価するために用いることができる。例え
ば、２つの多変数分布の平均ベクトル間の差の重要性を
決定するために多変数分析を使用することができる。更
に、２つのサンプルの分散−共分散構造における小きい
差を検出するために他のテストを用いることもできる。
ラス間の差異の重要性を証明することが望まれる。これ
は、観察嘔れた差異の重要性の評価に関して極めて敏感
である統計的試験を用いることに基づく。多変数分析に
おいて一般に使用される種々のテスト統計をこれらの差
異の重要性を評価するために用いることができる。例え
ば、２つの多変数分布の平均ベクトル間の差の重要性を
決定するために多変数分析を使用することができる。更
に、２つのサンプルの分散−共分散構造における小きい
差を検出するために他のテストを用いることもできる。
これまでの項においては、管理した学習は基礎となる密
度関数はおよそ正常であるとの仮定のもとに処理された
。バクテリアのデータの強度の単一様相の集団化および
満足のできる結果からして、この仮定は妥当であるけれ
ども、一般のパラメーター形は密度と正確に一致するこ
とはほとんどない。従ってパターン認識の非パラメータ
ー的方法もまた本発明の範囲に含まれる。そのような非
パラメーター的パターン認識法のひとつはニヤリストネ
イバールールであり、これは確率推定をバイパスし、直
接判定関数に行きつく。
度関数はおよそ正常であるとの仮定のもとに処理された
。バクテリアのデータの強度の単一様相の集団化および
満足のできる結果からして、この仮定は妥当であるけれ
ども、一般のパラメーター形は密度と正確に一致するこ
とはほとんどない。従ってパターン認識の非パラメータ
ー的方法もまた本発明の範囲に含まれる。そのような非
パラメーター的パターン認識法のひとつはニヤリストネ
イバールールであり、これは確率推定をバイパスし、直
接判定関数に行きつく。
犬ざつばに言えば、ニヤリストネイバールールは基礎と
なる分布を知る必要性を多くのパターンを知る必要性に
置きかえる。この方法の基本となる考え方は、特性空間
に互いに接近しであるポイントは同じクラスに所属する
か、またはそれらの対応するクラスに同じ確率で存在す
る可能性が大きいということである。これらの考えの最
初は１つのナヤリストネイバールール（１−ＮＮＲ）の
公式化をもたらし、次に、ｋ−ニヤリスト不一バールー
ルＣｋ−ｐｔｕＲ）の公式化を与える。
なる分布を知る必要性を多くのパターンを知る必要性に
置きかえる。この方法の基本となる考え方は、特性空間
に互いに接近しであるポイントは同じクラスに所属する
か、またはそれらの対応するクラスに同じ確率で存在す
る可能性が大きいということである。これらの考えの最
初は１つのナヤリストネイバールール（１−ＮＮＲ）の
公式化をもたらし、次に、ｋ−ニヤリスト不一バールー
ルＣｋ−ｐｔｕＲ）の公式化を与える。
分類装置にに−Ｎｕルールを組み込むことは以前に述べ
た方法はど複雑でない。各々の未知の事例に対して、ニ
ャリスト不イバールールはすべての対のポイント間の距
離を計算し、その値を大きくなる順に分類する。最も近
いにポイントとそれらのメンバーを次に決定する。これ
らのにポイントの中から、大部分の事例を含むクラスを
未知の粒子に選択する。しかしながら、もし、選択され
たクラス中の事例の合計数が敷居値りを越えないならば
、その未知の粒子はバックグラウンドとして分類される
。敷居値の値は、このような拒否オプ／ヨ７の助けを借
りることにより、分類装置を過度の分類に対して保護す
る。
た方法はど複雑でない。各々の未知の事例に対して、ニ
ャリスト不イバールールはすべての対のポイント間の距
離を計算し、その値を大きくなる順に分類する。最も近
いにポイントとそれらのメンバーを次に決定する。これ
らのにポイントの中から、大部分の事例を含むクラスを
未知の粒子に選択する。しかしながら、もし、選択され
たクラス中の事例の合計数が敷居値りを越えないならば
、その未知の粒子はバックグラウンドとして分類される
。敷居値の値は、このような拒否オプ／ヨ７の助けを借
りることにより、分類装置を過度の分類に対して保護す
る。
非パラメーター的分類アルゴリズムとして、に−ＮＮル
ールはクラスのメンバーに対する基礎として最大の可能
性よりもむしろ特性空間での類似性や近接性に依ってい
る。これは、すべてのクラスにおいてすべての対の対象
に定義された類似性の尺度を検討することにより未知の
粒子をクラスに割り当てる。この類似性の尺度は好まし
くはコークリッド距離が用いられる。
ールはクラスのメンバーに対する基礎として最大の可能
性よりもむしろ特性空間での類似性や近接性に依ってい
る。これは、すべてのクラスにおいてすべての対の対象
に定義された類似性の尺度を検討することにより未知の
粒子をクラスに割り当てる。この類似性の尺度は好まし
くはコークリッド距離が用いられる。
ｋ−ＮＮルール法を支持する理論的正当化は、無限のサ
ンプルサイズ、これは実際にはほとんど起こり得ない状
態であるが、に基づいている。従っテｓ ｋ−ＮＮル
ールは、極めて大キいトレーニングセット〔キャリプレ
ーシフ／ファイル〕が得られる場合にだけ使用されるべ
きである。
ンプルサイズ、これは実際にはほとんど起こり得ない状
態であるが、に基づいている。従っテｓ ｋ−ＮＮル
ールは、極めて大キいトレーニングセット〔キャリプレ
ーシフ／ファイル〕が得られる場合にだけ使用されるべ
きである。
以上、本発明は生物学的粒子の検出と分類のためのフロ
ーサイトメトリー装置および方法を提供する。本発明の
原理によれば、生物学的粒子の検出および分類の遂行を
著しく向上させた、パターン認識法が開発された。フロ
ーサイトメトリーを用いる粒子の分類が、調べたい粒子
のすべての測定した特性を同時に用いる分析により、質
的に高められることが本発明では明らかＫされた。
ーサイトメトリー装置および方法を提供する。本発明の
原理によれば、生物学的粒子の検出および分類の遂行を
著しく向上させた、パターン認識法が開発された。フロ
ーサイトメトリーを用いる粒子の分類が、調べたい粒子
のすべての測定した特性を同時に用いる分析により、質
的に高められることが本発明では明らかＫされた。
第１図は本発明の原理に従って、問題とする生物学的粒
子の検出および分類を行うための典型的な光学要素およ
び好ましいフローサイトメトリー装置の模式図である。 第２図はエンエリキア・コーリ（Ｅ、ｃｏｌｉ）および
プロテウス・ミラビリス（Ｐ、ｍ１ｒａｂｉｌｉｓ ）
の検量ファイルの２つのパラメーター（赤色ケイ光の対
数および緑色ケイ光の対ｆｉ）をプロットしたグラフで
あり、図中のウィンドウは長方形ゲーティング法により
決定した検出領域を示している。 第３図けＥ、ｃｏｌｉおよびＰ、ｒｎｉｒａｂｉ ｌ
ｉｓの検啜ファイルの２つのパラメーター（赤色ケイ光
の対数と緑色ケイ光の対数）をプロットしたグラフであ
り、図中の惰円形の境界は主成分法により決定された検
出領域を示している。 第４Ａ図と第４Ｂ図は血液中のスタフィロコッカス・ア
ウレウス（ｓ、αｕｒｇｕｓ ）の検出における、直線
的（第４Ａ図）および対数的（第４Ｂ図）主成分法（ｐ
ｃｕ）と長方形ウィンドウゲート法との比較を示すグラ
フであり、図中の清円形および不規則形の領域は前向き
散乱および緑色ケイ光を用いＰＣＭ分析により求めたも
のであり、長方形の領域はウィンドウゲート処理により
求めたものである。 第５図は細胞および試料の分類のフローダイアダラムを
示す模式図である。 ａａ図ｎカーヒュネ７−ａニブエキスパンジョン（Ｋａ
ｒｈｕｎｅｎ−Ｌｏｇｖｅ ｅｒ、ｐａｎｓｉｏｎ ）
の２つの主要な特性ベクトルの空間における５種のバク
テリアの分散ダイアダラムである。 第７図はＫａｒｈｌＬｎｇｎ−Ｌｏｇｖｅ ｅｘｐａｎ
ｓｉｏｎの２つの主要な特性ベクトルの空間において５
種のバクテリアの主成分法ＣＰＣＭ）により決定された
集団の境界を示すグラフである。 第８図はＫａｒｈｕｎｅｎ−Ｌｏｇｖｅ ｅｘｐａｎｓ
ｉｏｎの２つの主要な特性ベクトルの空間において７種
のバクテリアの分類の境界を示すグラフであり、図中の
境界は４次元特性空間からこの２次元特性空間に変換し
たデータを用い、主成分法ＣＰＣＭ’）により決定され
ている。 第９図は粒子の３つのクラスおよびペイニジアン判定境
界（Ｂａｙｇｓｉａｎ ｄｅｃｉｓｉｏｎ ｂｏｕｎｄ
ａｒｉ−ｇｓ）により決定したそれらの対応する分類領
域を示すグラフである。 第１Ｏα図と第１０ｂ図は敷居値をもうけることによる
集団の決定を示すグラフであり、この場合、雑音を含む
データから集団の主要部分を選び出すために集団追跡ア
ルゴリズムを適用しており、第１Ｏａ図はもとのデータ
の等高純プロットを示し、第１０ｂ図は集団追跡アルゴ
リズムを適用後に得た集団の等高純プロットを示す。 ］１・・フローサイトメトリー装置％ １２ ・光源、
１５・・焦点レンズ、 １６・・流体流、１７・・
・細胞又は粒子、 １８・ノズル、１９・・・／−ス
流、 ２１．２２・・・光検知器、２６．２７・
ケイ光検知器。 （外５名） ７口 ■ ｂ Ｃ０ ＝１ ■ 喜 〉 〇 〉
子の検出および分類を行うための典型的な光学要素およ
び好ましいフローサイトメトリー装置の模式図である。 第２図はエンエリキア・コーリ（Ｅ、ｃｏｌｉ）および
プロテウス・ミラビリス（Ｐ、ｍ１ｒａｂｉｌｉｓ ）
の検量ファイルの２つのパラメーター（赤色ケイ光の対
数および緑色ケイ光の対ｆｉ）をプロットしたグラフで
あり、図中のウィンドウは長方形ゲーティング法により
決定した検出領域を示している。 第３図けＥ、ｃｏｌｉおよびＰ、ｒｎｉｒａｂｉ ｌ
ｉｓの検啜ファイルの２つのパラメーター（赤色ケイ光
の対数と緑色ケイ光の対数）をプロットしたグラフであ
り、図中の惰円形の境界は主成分法により決定された検
出領域を示している。 第４Ａ図と第４Ｂ図は血液中のスタフィロコッカス・ア
ウレウス（ｓ、αｕｒｇｕｓ ）の検出における、直線
的（第４Ａ図）および対数的（第４Ｂ図）主成分法（ｐ
ｃｕ）と長方形ウィンドウゲート法との比較を示すグラ
フであり、図中の清円形および不規則形の領域は前向き
散乱および緑色ケイ光を用いＰＣＭ分析により求めたも
のであり、長方形の領域はウィンドウゲート処理により
求めたものである。 第５図は細胞および試料の分類のフローダイアダラムを
示す模式図である。 ａａ図ｎカーヒュネ７−ａニブエキスパンジョン（Ｋａ
ｒｈｕｎｅｎ−Ｌｏｇｖｅ ｅｒ、ｐａｎｓｉｏｎ ）
の２つの主要な特性ベクトルの空間における５種のバク
テリアの分散ダイアダラムである。 第７図はＫａｒｈｌＬｎｇｎ−Ｌｏｇｖｅ ｅｘｐａｎ
ｓｉｏｎの２つの主要な特性ベクトルの空間において５
種のバクテリアの主成分法ＣＰＣＭ）により決定された
集団の境界を示すグラフである。 第８図はＫａｒｈｕｎｅｎ−Ｌｏｇｖｅ ｅｘｐａｎｓ
ｉｏｎの２つの主要な特性ベクトルの空間において７種
のバクテリアの分類の境界を示すグラフであり、図中の
境界は４次元特性空間からこの２次元特性空間に変換し
たデータを用い、主成分法ＣＰＣＭ’）により決定され
ている。 第９図は粒子の３つのクラスおよびペイニジアン判定境
界（Ｂａｙｇｓｉａｎ ｄｅｃｉｓｉｏｎ ｂｏｕｎｄ
ａｒｉ−ｇｓ）により決定したそれらの対応する分類領
域を示すグラフである。 第１Ｏα図と第１０ｂ図は敷居値をもうけることによる
集団の決定を示すグラフであり、この場合、雑音を含む
データから集団の主要部分を選び出すために集団追跡ア
ルゴリズムを適用しており、第１Ｏａ図はもとのデータ
の等高純プロットを示し、第１０ｂ図は集団追跡アルゴ
リズムを適用後に得た集団の等高純プロットを示す。 ］１・・フローサイトメトリー装置％ １２ ・光源、
１５・・焦点レンズ、 １６・・流体流、１７・・
・細胞又は粒子、 １８・ノズル、１９・・・／−ス
流、 ２１．２２・・・光検知器、２６．２７・
ケイ光検知器。 （外５名） ７口 ■ ｂ Ｃ０ ＝１ ■ 喜 〉 〇 〉
Claims (69)
- （１）実質的に一度に一個の粒子を流体の流れの中に流
す手段、 上記の流れの中の粒子に向けられた照射の入射ビームを
供する手段、 各々の流れている粒子に関する光学的なデータを、その
粒子が上記の光のビーム中を通過するときに、検出する
手段、 共通した特性を有する粒子のクラスを、そのようなクラ
スの粒子について得られた上記の光データに基づいて確
立し、またそのような光に関連したデータを保存する手
段、 未知のクラスの試料粒子から得られた光データと、その
ような保存したデータとを比較する手段、各々の光に関
連したデータが合致する結果として、上記の未知のクラ
スの粒子が上記の確立したクラスに属することを決定す
る手段、から構成されることを特徴とする未知の生物学
的粒子のサンプルから問題とする生物学的粒子を検出す
るためのフローサイトメトリー装置。 - （２）上記の光に関連したデータを検出する手段が、複
数の異なる光シグナルを検出する手段を包含す特許請求
の範囲第１項に記載の装置。 - （３）上記の検出手段が、粒子により散乱された光およ
び上記の照射のビームを通過するとき光から放出される
ケイ光を検出する手段を包含する特許請求の範囲第２項
に記載の装置。 - （４）上記の検出手段が、上記の光散乱およびケイ光シ
グナルを同時に検出する特許請求の範囲第３項に記載の
装置。 - （５）上記の検出手段が、少なくとも２つの異なる方向
に散乱した光を検出する手段および最低でも２つの異な
る波長において粒子により放出されたケイ光を検出する
手段を包含する特許請求の範囲第３項に記載の装置。 - （６）上記の、粒子のクラスの確立およびデータ保存の
手段が、メモリー装置を有する電気的回路を有し、この
回路は光信号を電気的信号に変換する手段を包含する特
許請求の範囲第１項に記載の装置。 - （７）上記のデータ比較の手段が、光データを測定する
ための空間を上記の確立したクラスに属するサンプル粒
子データポイントを含む領域に分割するように作動する
判定関数手段を包含する特許請求の範囲第１項に記載の
装置。 - （８）上記の判定関数手段が、上記のクラスの要素を表
わすデータポイントを集団化するために、上記測定空間
のデータを変換する手段を包含する特許請求の範囲第７
項に記載の装置。 - （９）上記の集団化変換手段が、下記の式 ＠Ｘ＠′＝＠Ｗ＠＠Ｘ＠ （式中、＠Ｘ＠は測定空間の最初のベクトル、Ｘ′は変
換されたベクトル、 ＠Ｗ＠は可変の重み係数Ｗｉｊから成る変換マトリクス
である） により上記の測定空間のパターンデータに関するベクト
ルを新しい空間に変換することができる特許請求の範囲
第８項に記載の装置。 - （１０）上記の集団化変換手段が、確立されたクラスの
データポイント間のセット内距離を最小限にすることが
できる特許請求の範囲第９項に記載の装置。 - （１１）変換手段が、変換された空間におけるデータポ
イントのセット内距離の最小化に下記の関係式に依るこ
とができる特許請求の範囲第１０項に記載の装置； Ｄ＾２＝２Σ＾ｎ＿ｋ＿＝＿１（Ｗ＿ｋ＿ｋσ＿ｋ）＾
２式中、Ｄ＾２は多次元空間における２つのポイント間
の平均平方セット内距離であり、σ＿ｋはＸ方向に沿う
不偏標本分散であり、 Ｗ＿ｋ＿ｋは可変の重み関数であり、Ｄ＾２の最小化の
ためには Ｗ＿ｋ＿ｋ＝１／σ＿ｋ（π＾ｎ＿ｊ＿＝＿１σ＿ｊ）
＾１＾／＾ｎである。 - （１２）上記判定関数手段が、上記未知粒子に関するデ
ータの識別のために、上記の保存したデータから特性を
抽出する手段を更に包含する特許請求の範囲第７項に記
載の装置。 - （１３）上記の抽出手段が、上記の保存したデータの複
数の特性（各々の特性は最初に保存したデータ測定のす
べての一次結合である）を抽出することができる特許請
求の範囲第１２項に記載の装置。 - （１４）上記の抽出手段が、上記特性の測定が本来相関
しているとき、特性間の相関を測定する関数の数学的形
式が共分散マトリクスであるやり方で、上記の保存した
データの相関のない特性を抽出することができる特許請
求の範囲第１３項に記載の装置。 - （１５）上記の抽出手段が、下記の数学的関係に従い、
最初の測定空間の保存したデータを他の表示空間に変換
することができ、最初の測定空間において得られるデー
タを実質的に保持するクラスに対するサブ空間を決定す
ることができる特許請求の範囲第１４項に記載の装置： ＠Ｃ＠′＝＠Ｗ＠＠Ｃ＠＠Ｗ＠＾Ｔ 式中、Ｃ′は変換された共分散マトリクス、＠Ｃ＠は最
初の共分散マトリクス、 ＠Ｗ＠は可変の重み係数Ｗｉｊからなる変換マトリクス
、 ＠Ｗ＠＾Ｔは変換マトリクス＠Ｗ＠の転置形である。 - （１６）上記の抽出手段が、最初の測定空間を分散マト
リクスが対角であり新しい空間の座標軸が相関でない新
しい空間に変換する様相マトリクスに依って、成分の特
性の共分散を緩和することのできる特許請求の範囲第１
５項に記載の装置。 - （１７）上記決定の手段が、新しい空間に特定の半径を
もった超球として上記の確立したクラスの領域を画成す
る手段を包含し、上記の決定の手段が更に、もし集団中
心からその距離が上記の超球の半径より小さいならば、
未知の粒子が上記の確立したクラスに属することを示す
ことのできる特許請求の範囲第１６項に記載の装置。 - （１８）粒子の特徴ある性質を検出するための検出ゾー
ン、 上記の検出ゾーンを通る流体の流れの中に、実質的に一
度に一個の粒子を流す手段、 各々の流れている粒子の特徴ある性質に関するデータを
、各粒子が上記の検出ゾーンを通過するときに、検出す
る手段、 共通する特性をもつ粒子のクラスをそのようなクラスの
粒子から検出したデータのパターンに従い、確立する手
段、 および、未知のクラスからのサンプル粒子が上記の確立
したクラスに属することを、上記のサンプル粒子から検
出したデータによって上記のパターンの認識に従って、
決定する手段、を備えて成るサンプル中の粒子の検出装
置。 - （１９）流体の流れの中に実質的に一度に一個の粒子を
流す手段、 上記流れの中の粒子に向けられる照射の入射ビームを供
する手段、 各々の流れている粒子から散乱された光および放出され
たケイ光を、粒子が上記の照射ビームを通過するときに
、同時に検出する手段、 共通の特性を有する粒子のクラスを、そのようなクラス
の粒子から検出した散乱光およびケイ光のデータに基づ
いて確立し、そのようなデータを保存する手段、 未知のクラスのサンプル粒子から検出した光データを変
換し、このように変換されたデータポイントを集団化す
る手段、 上記の未知の粒子に関するデータの識別のために、上記
の保存したデータから特性を抽出する手段、 および、上記の未知クラスからの粒子が、それぞれの光
に関するデータのマッチングの結果として、上記の確立
したクラスに属することを決定するために、上記の変換
および上記の抽出手段に関連した手段を備えて成る生物
学的粒子の均一でないポピュレーションから問題とする
生物学的粒子を検出するためのフローサイトメトリー装
置。 - （２０）流体の流れの中に実質的に一度に一個の粒子を
流す手段、 上記の流れの中の粒子に向けられる照射の入射ビームを
供する手段、 各々の流れている粒子についての光に関するデータを、
粒子が上記の照射ビームを通過するときに、検出する手
段、 共通の特性を有する粒子のクラスを、そのようなクラス
の粒子から検出した上記の光データに基づいて確立し、
そのような光に関するデータを保存する手段、 上記のクラスを別々に保存された光関連データを有して
いる複数のサブクラスに分離する手段、そのような保存
されたデータを未知のクラスのサンプル粒子から検出さ
れた光データと比較する手段、 および、上記の未知のクラスからの粒子が、それぞれの
光に関するデータのマッチングの結果として、上記の確
立したクラスに属することを決定し、未知の粒子が属す
るサブクラスを同定するための手段を備えて成る未知の
生物学的粒子のサンプルから問題とする生物学的粒子を
検出および分類するためのフローサイトメトリー装置。 - （２１）上記の検出の手段が空間におけるベクトル表示
により上記のサブクラスを数値的に特徴づけることがで
きる特許請求の範囲第２０項に記載の装置。 - （２２）上記の決定手段が、限定された次元の空間にお
いて、粒子を点状に配列し、粒子のサブクラスを集団に
図示することができる特許請求の範囲第２１項に記載の
装置。 - （２３）上記の決定手段が４次元データの２次元表示を
供することにより上記の図示を行う特許請求の範囲第２
２項に記載の装置。 - （２４）上記の決定手段が、上記の保存された４次元デ
ータから分類の目的に最も重要な特性を抽出することが
でき、座標変数が互いに相関していない、最初の集団か
らのデータが新しい座標系の初めの２、３の軸に集約さ
れる新しい座標軸系に最初の集団の表示ベクトルを一次
的に変換することができる特許請求の範囲第２４項に記
載の装置。 - （２５）上記の決定手段が、上記の最初の集団のデータ
に関する共分散マトリクスの固有ベクトル分析を行うこ
とにより、また、新しい２次元空間の基礎として共分散
マトリクスの２つの最大の固有値を利用することにより
上記の特性を抽出する特許請求の範囲第２４項に記載の
装置。 - （２６）上記の決定手段が統計的判定手段の利用により
サブクラスを同定することができる特許請求の範囲第２
０項に記載の装置。 - （２７）上記の統計的判定手段が、最初のデータ保存領
域をサブクラスの数に対応する複数の互いに排他的かつ
余す所のないサブ領域に分割することができ、もしその
光に関するデータが相当するサブ領域に最大の確率を与
えるならば、粒子を上記のサブクラスの１つに帰属する
ことができる特許請求の範囲第２６項に記載の装置。 - （２８）上記の決定手段が、シグナルとノイズの間の境
界を定め、粒子の構造を表わすデータに基づきバックグ
ラウンド粒子から問題とする粒子を識別することにより
サブクラスを同定することができる特許請求の範囲第２
０項に記載の装置。 - （２９）２つの数学的変換により生成する粒子の各々の
サブクラスに対して１セットの数（このセットは、もし
、そのデータベクトルが特定の記号化されたセットの数
に入いるならば、未知の粒子がサブクラスに属するもの
として同定される変換された空間に中心と半径により、
それぞれ更に関数的に表示される）を記号化することに
より粒子のサブクラスを表示するデータを集団化するた
めの手段を包含する特許請求の範囲第２８項に記載の装
置。 - （３０）上記の決定手段が、集団間に境界を定めるため
に粒子の構造を表わすデータに依って、他の集団やバッ
クグラウンド粒子から問題とする粒子の集団を識別する
ことによりサブクラスを同定することができる特許請求
の範囲第２０項に記載の方法。 - （３１）ヒストグラムにおいてデータのポイントは頻度
軸の大きい数により特徴づけられる新しい形式に図示さ
れ、残りのポイントは頻度数の小さい値をもった囲りの
領域に帰属される、データ表示のためのヒストグラムを
利用することにより集団を区別する手段を包含する特許
請求の範囲第３０項の装置。 - （３２）上記のヒストグラムが、敷居値より大きいすべ
ての頻度数は集団に位置づけられ、すべての他の頻度数
はバックグラウンド領域に位置づけられるように、ヒス
トグラムに頻度敷居値を適用することにより、問題とす
る集団を同定することができる特許請求の範囲第３１項
に記載の装置。 - （３３）上記の決定の手段が、すべてのサブクラスにお
けるすべての対のポイントに対して定められた類似性の
尺度を検討することによりサブクラスを同定することが
できる特許請求の範囲第２０項に記載の装置。 - （３４）上記の類似性の尺度がすべての対のポイント間
のユークリッド距離である特許請求の範囲第３０項の装
置。 - （３５）上記の決定手段が、すべてのポイントの最も近
接した隣を決定するために、すべての対のデータポイン
ト間の距離を計算し、この計算値を大きくなる順に分類
し、未知の粒子を大部分の隣のポイントが存在するサブ
クラスに帰属させる特許請求の範囲第３４項に記載の装
置。 - （３６）未知の粒子がサブクラスに帰属される前に、ポ
イントの敷居値の数を越えなければならず、もしそうで
ない場合は、その粒子はバックグラウンド粒子として分
類されるような特許請求の範囲第３５項に記載の装置。 - （３７）粒子に固有の特徴を検出するための検出ゾーン
、 上記の検出ゾーンを通る流体の流れの中に、実質的に一
度に一個の粒子を流す手段、 各々の流れている粒子の固有の特徴に関するデータを、
各粒子が上記の検出ゾーンを通過するときに、検出する
手段、 それぞれが共通する特性をもつ複数の粒子のサブクラス
を、そのような粒子のサブクラスから検出されたデータ
のパターンに従い確立する手段、および、未知のクラス
からのサンプル粒子が上記の確立したサブクラスに属す
ることを、上記のサンプル粒子から検出したデータによ
って上記のパターンの認識に照らして決定する手段を備
えて成るサンプル中の粒子の検出および分類装置。 - （３８）流体の流れの中に実質的に一度に一個の粒子を
流し、 上記の流れの中に粒子に向けられる照射の入射ビームを
供し、 各々の流れている粒子についての光に関するデータを、
粒子が上記の照射ビームを通過するときに、検出し、 共通の特性を有する粒子のクラスを、そのようなクラス
の粒子から検出した上記の光データに基づき確立し、そ
のような光に関するデータを保存し、 そのような保存したデータを未知のクラスのサンプル粒
子から検出した光データと比較し、上記の未知クラスか
らの粒子が、それぞれの光に関するデータのマッチング
の結果として、上記の確立したクラスに属することを決
定する段階から成る未知の生物学的粒子のサンプルから
問題とする生物学的粒子を検出する方法。 - （３９）上記の検出の段階が複数の異なった光シグナル
の検出を包含する特許請求の範囲第３８項に記載の方法
。 - （４０）上記の検出の段階が光散乱およびケイ光シグナ
ルを同時に検出することを包含する特許請求の範囲第３
９項に記載の方法。 - （４１）上記の検出の段階が少なくとも２つの異なった
方向に散乱された光の検出および最低２つの異なった波
長での粒子により放出されたケイ光の検出を包含する特
許請求の範囲第４０項に記載の方法。 - （４２）上記の比較の段階が、光データを測定する空間
を上記の確立した粒子に属するサンプル粒子のデータポ
イントを含む領域に分割することを包含する特許請求の
範囲第３８項に記載の方法。 - （４３）上記の分割の段階が、上記のクラスの要素を表
わすデータポイントを集団化するために、上記の測定空
間のデータを変換することを更に包含する特許請求の範
囲第４２項に記載の方法。 - （４４）上記の変換の段階が、下記の関係式に従い上記
の測定空間のパターンデータに関するベクトルを新しい
空間に変換する特許請求の範囲第４３項に記載の方法： ＠Ｘ＠′＝＠Ｗ＠＠Ｘ＠ （式中、Ｘは測定空間の最初のベクトル、 Ｘ′は変換されたベクトル、 Ｗは可変の重み係数Ｗｉｊから成る変換マトリクスであ
る）。 - （４５）上記の変換段階が、確立されたクラスのデータ
ポイント間のセット内の距離を最小にすることを包含す
る特許請求の範囲第４４項に記載の方法。 - （４６）上記の分割の段階が、上記の未知の粒子に関す
るデータの識別のために上記の保存したデータから特性
を抽出することを包含する特許請求の範囲第４２項に記
載の方法。 - （４７）上記の抽出のステップが、上記の保存したデー
タの複数の特性（各々の特性は最初に保存したデータ測
定のすべての一次結合である）を抽出することを包含す
る特許請求の範囲第４６項に記載の方法。 - （４８）上記の抽出ステップが、上記特性の測定が本来
相関しているとき、特性間の相関を測定する関数の数学
的形式が共分散マトリクスであるやり方で、上記の保存
したデータの相関のない特性を抽出することを包含する
特許請求の範囲第４７項に記載の方法。 - （４９）上記の抽出ステップが、下記の数学的関係に従
い、最初の測定空間の保存したデータを他の表示空間に
変換すること、および、最初の測定空間において得られ
るデータを実質的に保持するクラスに対するサブ空間を
決定することを包含する特許請求の範囲第４８項に記載
の方法： ＠Ｃ＠′＝＠Ｗ＠＠Ｃ＠＠Ｗ＠＾Ｔ 式中、Ｃ′は変換された共分散マトリクス、＠Ｃ＠は最
初の共分散マトリクス、 ＠Ｗ＠は可変の重み係数Ｗｉｊからなる変換マトリクス
、 ＠Ｗ＠＾Ｔは変換マトリクス＠Ｗ＠の転置形である。 - （５０）検出ゾーンを通る流体の流れの中に実質的に一
度に一個の粒子を流し、 各々の流れている粒子の固有の特徴についてのデータを
、粒子が上記の検出ゾーンを通過するときに、検出し、 共通の特性を有する粒子のクラスを、そのようなクラス
の粒子から検出したデータのパターンに従って確立し、 未知のクラスからのサンプル粒子が上記の確立したクラ
スに属することを、上記のサンプル粒子から検出したデ
ータにより上記のパターンの認識に照らして決定する段
階から成るサンプル中の粒子を検出するための方法。 - （５１）既知の共通の特徴を有する粒子のクラスを、そ
のようなクラスの既知の粒子から検出されたデータのパ
ターンに従い確立し、 未知のクラスからのサンプル粒子を、上記サンプル粒子
から検出したデータにより上記のパターンの認識に従い
、上記の確立したクラスに帰属させることを決定する段
階から成るサンプル中の粒子を検出する方法。 - （５２）流体の流れの中に、実質的に一度に一個の粒子
を流し、 上記の流れの中の粒子に向けられる照射の入射ビームを
供し、 各々の流れている粒子についての光に関するデータを、
粒子が上記の照射ビームを通過するときに、検出し、 そのようなクラスの粒子から検出した上記の光データに
基づき、共通の特徴を有する粒子のクラスを確立しかつ
光データを保存し、 上記のクラスを別々に保存されたその光に関するデータ
を有している複数のサブクラスに分離し、そのような保
存したデータを未知のクラスのサンプル粒子から検出し
た光データと比較し、上記の未知クラスからの粒子が、
それぞれの光に関するデータのマッチングの結果として
、上記の確立したクラスに属することを決定しかつ未知
の粒子の属するサブクラスを同定する段階を包含する未
知の生物学的粒子のサンプルからの問題とする生物学的
粒子の検出および分類方法。 - （５３）上記の決定の段階が、空間におけるベクトル表
示により上記のサブクラスを数値的に特徴づけることを
包含する特許請求の範囲第５２項に記載の方法。 - （５４）上記の決定の段階が、限定された次元の空間に
おいて、粒子を点状に、粒子のサブクラスを集団に図示
することを包含する特許請求の範囲第５３項に記載の方
法。 - （５５）上記の図示が４次元データの２次元表示を行う
ことにより達成される特許請求の範囲第５４項に記載の
方法。 - （５６）上記の決定の段階が、上記の保存された４次元
データから分類の目的に最も重要な特性を抽出し、座標
変数が互いに相関していない、最初の集団からのデータ
が新しい座標系の初めの２、３の軸に集約される新しい
座標軸系に、最初の集団の表示ベクトルを変換すること
を包含する特許請求の範囲第５５項に記載の方法。 - （５７）上記の決定の段階が、最初のデータ保存領域を
サブクラスの数に対応する複数の互いに排他的で余す所
のないサブ領域に分割し、もし、その光に関するデータ
が相当するサブ領域に最大の確率を与えるならば、粒子
を上記のサブクラスの１つに帰属することを含む統計的
判定手順によりサブクラスを同定する特許請求の範囲第
５２項に記載の方法。 - （５８）上記分割の段階が、２つの数学的変換により生
成する粒子の各々のサブクラスに対して１セットの数（
このセットは、もし、そのデータベクトルが特定の記号
化されたセットの数に入いるならば、未知の粒子がサブ
クラスに属するものとして同定される変換された空間に
中心と半径により、それぞれ更に関数的に表示される）
を記号化することにより粒子のサブクラスを表示するデ
ータを集団化することを包含する特許請求の範囲第５７
項に記載の方法。 - （５９）上記のサブクラスを同定するための決定の段階
が、集団間に境界を定めるために、粒子の構造を表わす
データに依って、問題とする粒子の集団を他の集団やバ
ックグラウンドの粒子から区別することを包含する特許
請求の範囲第５２項に記載の方法。 - （６０）上記のサブクラスを同定するための決定の段階
が、すべてのサブクラスにおけるすべての対のポイント
に対して定められた類似性の尺度を検討することを包含
する特許請求の範囲第５２項に記載の方法。 - （６１）上記の検討の段階が、すべてのポイントの最も
近接した隣を決定するために、すべての対のデータ間の
距離を計算し、この計算値を大きくなる順に分類し、未
知の粒子を大部分の隣のポイントが存在するサブクラス
に帰属させることを包含する特許請求の範囲第６０項に
記載の方法。 - （６２）検出され、分類される粒子が細胞である特許請
求の範囲第５２項に記載の方法。 - （６３）検出され、分類される粒子がバクテリアの複数
のサブクラスである特許請求の範囲第５２項に記載の方
法。 - （６４）検出され、分類されるバクテリアが生物学的流
体のサンプルに由来する特許請求の範囲第６３項に記載
の方法。 - （６５）生物学的流体が尿である特許請求の範囲第６４
項に記載の方法。 - （６６）検出され、分類される粒子が白血球の異なった
サブクラスである特許請求の範囲第５２項に記載の方法
。 - （６７）上記の確立の段階が、共通の特徴を有する既知
のタイプの粒子の高濃度の液体サンプルを調製し、デー
タポイントの認識しうるパターンを有する領域を確立す
るために、そのような既知のクラスの粒子からの光デー
タを検出することを包含する特許請求の範囲第５２項に
記載の方法。 - （６８）検出ゾーンを通る流体の流れの中に実質的に一
度に一個の粒子を流し、 各々の流れている粒子の固有の特徴についてのデータを
、粒子が上記の検出ゾーンを通過するときに、検出し、 各々が既知の共通の特性を有する粒子の複数のサブクラ
スを、そのような粒子のサブクラスに関するデータのパ
ターンに従って確立し、 未知のクラスからのサンプル粒子が上記の確立したサブ
クラスに属することを、上記のサンプル粒子に関するデ
ータにより上記のパターンの認識に従つて決定する段階
から成るサンプル中の粒子を検出し分類する方法。 - （６９）各々が既知の共通の特徴を有する粒子の複数の
サブクラスをそのような粒子のサブクラスに関するデー
タのパターンに従って確立し、 未知のクラスからのサンプル粒子が上記の確立したサブ
クラスに属することを、上記のサンプル粒子に関するデ
ータの上記のパターンの認識に従い決定する段階から成
るサンプル中の粒子を検出し分類する方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US06/649,449 US4661913A (en) | 1984-09-11 | 1984-09-11 | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
| US649449 | 1984-09-11 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS6171337A true JPS6171337A (ja) | 1986-04-12 |
Family
ID=24604834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP60201465A Pending JPS6171337A (ja) | 1984-09-11 | 1985-09-11 | フローサイトメトリー法を用いる粒子の検出および分類のための装置および方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US4661913A (ja) |
| JP (1) | JPS6171337A (ja) |
| DE (1) | DE3531969A1 (ja) |
| FR (1) | FR2570192A1 (ja) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63118638A (ja) * | 1986-08-21 | 1988-05-23 | ベクトン・ディッキンソン・アンド・カンパニー | 多螢光分析を用いた細胞・粒子等の特性を決定するための方法および装置 |
| JPS63191043A (ja) * | 1987-02-03 | 1988-08-08 | Omron Tateisi Electronics Co | 細胞分析装置 |
| JPS63191044A (ja) * | 1987-02-03 | 1988-08-08 | Omron Tateisi Electronics Co | 細胞分析装置 |
| JPH01199161A (ja) * | 1987-04-13 | 1989-08-10 | Ortho Pharmaceut Corp | 白血球を定量且つ識別する方法 |
| JPH0222537A (ja) * | 1988-07-11 | 1990-01-25 | Omron Tateisi Electron Co | 細胞分折装置 |
| US5325168A (en) * | 1991-05-14 | 1994-06-28 | Toa Medical Electronics Co., Ltd. | Apparatus and method for analyzing cells in urine |
| US5325169A (en) * | 1991-05-14 | 1994-06-28 | Toa Medical Electronics Co., Ltd. | Apparatus and method for analyzing cells in urine |
| US5684584A (en) * | 1991-05-14 | 1997-11-04 | Toa Medical Electronics Co., Ltd. | Apparatus for analyzing cells in urine |
| JPH1038798A (ja) * | 1996-04-16 | 1998-02-13 | Perstorp Analytical Inc | ライブラリ安定演算法を用いた吸収スペクトル判定方法 |
| JPH1048128A (ja) * | 1996-05-13 | 1998-02-20 | Perstorp Analytical Inc | Ｎｉｒ分光法によって物質を同定する方法 |
| JP2002107287A (ja) * | 2000-07-24 | 2002-04-10 | Sysmex Corp | 粒子分析装置とその粒子分画方法 |
| JP2002139433A (ja) * | 2000-11-02 | 2002-05-17 | Kansai Tlo Kk | 青果物の内部品質の判別方法 |
| JP2003042936A (ja) * | 2001-07-26 | 2003-02-13 | Sysmex Corp | ２次元分布図の分画方法とそれを用いた血液分析装置 |
| JP2007518106A (ja) * | 2004-01-14 | 2007-07-05 | ルミネックス・コーポレーション | 測定システムの１つ以上のパラメータを変更するための方法 |
| JP2008111810A (ja) * | 2006-10-31 | 2008-05-15 | Shimadzu Corp | 回折・散乱光の光強度分布データの比較方法、および粒度分布測定装置 |
| JP2011117748A (ja) * | 2009-12-01 | 2011-06-16 | Horiba Advanced Techno Co Ltd | シリカ濃度測定方法及びシリカ濃度測定装置 |
| JP2011528443A (ja) * | 2008-07-17 | 2011-11-17 | ルミネックス コーポレーション | 分析システムの分類マトリックス内に分類領域を構成するための、及びアッセイの粒子を分類するための方法、記憶媒体及びシステム |
| JP2012502266A (ja) * | 2008-09-05 | 2012-01-26 | ホリバ アベイクス エスアーエス | 生体データの分類、可視化並びに探索の方法及び装置 |
| JP2012505470A (ja) * | 2008-10-08 | 2012-03-01 | ベックマン コールター， インコーポレイテッド | 血液学機器のための形状パラメータ |
Families Citing this family (180)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6273391A (ja) * | 1985-09-27 | 1987-04-04 | Toshiba Corp | パタ−ン認識学習装置 |
| NL8601000A (nl) * | 1986-04-21 | 1987-11-16 | Jan Greve T H Twente Afdeling | Het gebruik van gepolariseerd licht in stromingscytometrie. |
| US4802103A (en) * | 1986-06-03 | 1989-01-31 | Synaptics, Inc. | Brain learning and recognition emulation circuitry and method of recognizing events |
| US4732157A (en) * | 1986-08-18 | 1988-03-22 | Massachusetts Institute Of Technology | Method and apparatus for quantifying beat-to-beat variability in physiologic waveforms |
| JPH073419B2 (ja) * | 1986-10-07 | 1995-01-18 | 東亜医用電子株式会社 | 流体中の細胞分析方法および装置 |
| DE3708511A1 (de) * | 1987-03-16 | 1988-09-29 | Kratzer Michael | Einrichtung zur selektiven zerstoerung von zellen |
| US4845653A (en) * | 1987-05-07 | 1989-07-04 | Becton, Dickinson And Company | Method of displaying multi-parameter data sets to aid in the analysis of data characteristics |
| US4847206A (en) * | 1987-07-28 | 1989-07-11 | Heinz Spagyrik Institut Ag | Method for the crystal morphological analysis of blood and urine, for early diagnosis and for the production of medicaments |
| US4987539A (en) * | 1987-08-05 | 1991-01-22 | Stanford University | Apparatus and method for multidimensional characterization of objects in real time |
| US5740270A (en) * | 1988-04-08 | 1998-04-14 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
| KR900018366A (ko) * | 1988-05-06 | 1990-12-21 | 미다 가쓰시게 | 동물 세포의 배양장치, 배양방법 및 배양진단 방법 |
| JP2674704B2 (ja) * | 1988-06-07 | 1997-11-12 | 東亜医用電子株式会社 | 二次元分布分画方法 |
| US5057413A (en) * | 1988-06-13 | 1991-10-15 | Becton, Dickinson And Company | Method for discriminating between intact and damaged cells in a sample |
| US5047321A (en) * | 1988-06-15 | 1991-09-10 | Becton Dickinson & Co. | Method for analysis of cellular components of a fluid |
| US5408307A (en) * | 1988-07-11 | 1995-04-18 | Omron Tateisi Electronics Co. | Cell analyzer |
| US5098849A (en) * | 1988-07-13 | 1992-03-24 | Becton Dickinson And Company | Material and method to reduce non-specific binding of a labelled material |
| GB8817348D0 (en) * | 1988-07-21 | 1988-08-24 | Imperial College | Gas/liquid flow measurement |
| JP2635126B2 (ja) * | 1988-09-30 | 1997-07-30 | 東亜医用電子株式会社 | 核の分葉指数を求めるための粒子分析装置及び方法 |
| JPH02170053A (ja) * | 1988-12-23 | 1990-06-29 | Meiji Seika Kaisha Ltd | 微生物の検出方法及び装置 |
| US5156951A (en) * | 1989-07-13 | 1992-10-20 | Becton Dickinson And Company | Detecting immunological changes in HIV infected patient samples |
| US5268966A (en) * | 1989-08-10 | 1993-12-07 | International Remote Imaging Systems, Inc. | Method of differentiating particles based upon a dynamically changing threshold |
| WO1991002330A1 (en) * | 1989-08-10 | 1991-02-21 | International Remote Imaging Systems, Inc. | A method of differentiating particles based upon a dynamically changing threshold |
| US5275787A (en) * | 1989-10-04 | 1994-01-04 | Canon Kabushiki Kaisha | Apparatus for separating or measuring particles to be examined in a sample fluid |
| US5100627A (en) * | 1989-11-30 | 1992-03-31 | The Regents Of The University Of California | Chamber for the optical manipulation of microscopic particles |
| US5040133A (en) * | 1990-01-12 | 1991-08-13 | Hughes Aircraft Company | Adaptive clusterer |
| US5108904A (en) * | 1990-03-26 | 1992-04-28 | Alan Landay | CD44 as a marker for HIV infection |
| US5224058A (en) * | 1990-05-01 | 1993-06-29 | Becton, Dickinson And Company | Method for data transformation |
| US5204884A (en) * | 1991-03-18 | 1993-04-20 | University Of Rochester | System for high-speed measurement and sorting of particles |
| US5235522A (en) * | 1990-10-10 | 1993-08-10 | Cell Analysis Systems, Inc. | Method and apparatus for automated analysis of biological specimens |
| US5546323A (en) * | 1990-10-10 | 1996-08-13 | Cell Analysis Systems, Inc. | Methods and apparatus for measuring tissue section thickness |
| US5199576A (en) * | 1991-04-05 | 1993-04-06 | University Of Rochester | System for flexibly sorting particles |
| US5117466A (en) * | 1991-04-30 | 1992-05-26 | The United States Of America As Represented By The United States Department Of Energy | Integrated fluorescence analysis system |
| JP3070968B2 (ja) * | 1991-05-14 | 2000-07-31 | シスメックス株式会社 | 尿中の細胞分析用試薬及び方法 |
| US5627040A (en) * | 1991-08-28 | 1997-05-06 | Becton Dickinson And Company | Flow cytometric method for autoclustering cells |
| US5739000A (en) * | 1991-08-28 | 1998-04-14 | Becton Dickinson And Company | Algorithmic engine for automated N-dimensional subset analysis |
| JP3076118B2 (ja) * | 1991-11-27 | 2000-08-14 | シスメックス株式会社 | 粒子計数方法 |
| JP3130628B2 (ja) * | 1992-01-30 | 2001-01-31 | シスメックス株式会社 | 粒子判定装置 |
| US5451525A (en) * | 1992-02-14 | 1995-09-19 | Coulter Corporation | Method and materials for determining particle count in a flow cytometer |
| EP0628186B1 (en) * | 1992-02-18 | 1998-12-09 | Neopath, Inc. | Method for identifying normal biomedical specimens |
| JP3165247B2 (ja) * | 1992-06-19 | 2001-05-14 | シスメックス株式会社 | 粒子分析方法及び装置 |
| EP1333274B1 (en) | 1992-09-14 | 2010-04-07 | Sri International | Up-converting reporters for biological and other assays using laser excitation techniques |
| US5469369A (en) * | 1992-11-02 | 1995-11-21 | The United States Of America As Represented By The Secretary Of The Navy | Smart sensor system and method using a surface acoustic wave vapor sensor array and pattern recognition for selective trace organic vapor detection |
| JP3213097B2 (ja) * | 1992-12-28 | 2001-09-25 | シスメックス株式会社 | 粒子分析装置及び方法 |
| EP0610774B1 (en) * | 1993-02-09 | 2001-03-28 | Becton, Dickinson and Company | Automatic lineage assignment of acute leukemias by flow cytometry |
| JP3129015B2 (ja) * | 1993-02-16 | 2001-01-29 | 株式会社日立製作所 | 染色された粒子の検査方法及びその装置 |
| GR940100272A (en) * | 1993-06-08 | 1995-11-29 | Ortho Diagnostic Systems Inc | Three-colour flow cytometry with automatic gating function. |
| US5745385A (en) * | 1994-04-25 | 1998-04-28 | International Business Machines Corproation | Method for stochastic and deterministic timebase control in stochastic simulations |
| US5625579A (en) * | 1994-05-10 | 1997-04-29 | International Business Machines Corporation | Stochastic simulation method for processes containing equilibrium steps |
| US5625705A (en) * | 1994-06-03 | 1997-04-29 | Neuromedical Systems, Inc. | Intensity texture based classification system and method |
| US5656499A (en) * | 1994-08-01 | 1997-08-12 | Abbott Laboratories | Method for performing automated hematology and cytometry analysis |
| US5891734A (en) * | 1994-08-01 | 1999-04-06 | Abbott Laboratories | Method for performing automated analysis |
| US5631165A (en) * | 1994-08-01 | 1997-05-20 | Abbott Laboratories | Method for performing automated hematology and cytometry analysis |
| JP3347495B2 (ja) * | 1994-11-14 | 2002-11-20 | シスメックス株式会社 | 粒子分析装置 |
| US5879900A (en) * | 1994-12-15 | 1999-03-09 | Abbott Laboratories | Method for simultaneous analysis of cell viability, nucleated red blood cells and white blood cell differentials |
| US5675517A (en) * | 1995-04-25 | 1997-10-07 | Systemix | Fluorescence spectral overlap compensation for high speed flow cytometry systems |
| US6137909A (en) * | 1995-06-30 | 2000-10-24 | The United States Of America As Represented By The Secretary Of The Navy | System and method for feature set reduction |
| US5774576A (en) * | 1995-07-17 | 1998-06-30 | Nec Research Institute, Inc. | Pattern recognition by unsupervised metric learning |
| US5606164A (en) * | 1996-01-16 | 1997-02-25 | Boehringer Mannheim Corporation | Method and apparatus for biological fluid analyte concentration measurement using generalized distance outlier detection |
| US5736330A (en) * | 1995-10-11 | 1998-04-07 | Luminex Corporation | Method and compositions for flow cytometric determination of DNA sequences |
| WO1997014028A2 (en) | 1995-10-11 | 1997-04-17 | Luminex Corporation | Multiplexed analysis of clinical specimens apparatus and method |
| US5981180A (en) * | 1995-10-11 | 1999-11-09 | Luminex Corporation | Multiplexed analysis of clinical specimens apparatus and methods |
| US5837547A (en) * | 1995-12-27 | 1998-11-17 | Caribbean Microparticles Corporation | Flow cytometer calibration method |
| US5610836A (en) * | 1996-01-31 | 1997-03-11 | Eastman Chemical Company | Process to use multivariate signal responses to analyze a sample |
| US5848977A (en) * | 1996-02-16 | 1998-12-15 | Inphocyte, Inc. | Sample holder for cells |
| US6014904A (en) * | 1996-05-09 | 2000-01-18 | Becton, Dickinson And Company | Method for classifying multi-parameter data |
| GB2316081B (en) * | 1996-08-12 | 2001-05-09 | Bio Dot Ltd | Dispensing of particles |
| EP0829726B1 (de) * | 1996-09-05 | 2003-04-16 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erfassen 3-dimensionaler Strömungsstrukturen |
| JP4136017B2 (ja) * | 1996-09-19 | 2008-08-20 | シスメックス株式会社 | 粒子分析装置 |
| US6449562B1 (en) | 1996-10-10 | 2002-09-10 | Luminex Corporation | Multiplexed analysis of clinical specimens apparatus and method |
| US5826065A (en) * | 1997-01-13 | 1998-10-20 | International Business Machines Corporation | Software architecture for stochastic simulation of non-homogeneous systems |
| EP2264428B1 (en) | 1997-01-31 | 2017-05-03 | Xy, Llc | Optical apparatus with focussing reflector for converging radiation onto a flow of particles |
| US6134344A (en) * | 1997-06-26 | 2000-10-17 | Lucent Technologies Inc. | Method and apparatus for improving the efficiency of support vector machines |
| US6149867A (en) | 1997-12-31 | 2000-11-21 | Xy, Inc. | Sheath fluids and collection systems for sex-specific cytometer sorting of sperm |
| WO1999036564A1 (en) * | 1998-01-16 | 1999-07-22 | Luminex Corporation | Multiplexed analysis of clinical specimens apparatus and methods |
| GB9803368D0 (en) * | 1998-02-17 | 1998-04-15 | Cambridge Consultants | Measurement system |
| AU4184099A (en) | 1998-05-14 | 1999-11-29 | Luminex Corporation | Zero dead time architecture and method for flow cytometer |
| US6592822B1 (en) | 1998-05-14 | 2003-07-15 | Luminex Corporation | Multi-analyte diagnostic system and computer implemented process for same |
| EP3093649B1 (en) | 1998-05-16 | 2019-05-08 | Life Technologies Corporation | A combination of a reaction apparatus and an optical instrument monitoring dna polymerase chain reactions |
| US6818437B1 (en) | 1998-05-16 | 2004-11-16 | Applera Corporation | Instrument for monitoring polymerase chain reaction of DNA |
| US7498164B2 (en) | 1998-05-16 | 2009-03-03 | Applied Biosystems, Llc | Instrument for monitoring nucleic acid sequence amplification reaction |
| US6178382B1 (en) * | 1998-06-23 | 2001-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for analysis of large sets of multiparameter data |
| US6051395A (en) * | 1998-08-25 | 2000-04-18 | Biometric Imaging, Inc. | Method and compound for detecting low levels of microorganisms |
| US6315952B1 (en) | 1998-10-05 | 2001-11-13 | The University Of New Mexico | Plug flow cytometry for high throughput screening and drug discovery |
| US6473171B1 (en) | 1999-01-15 | 2002-10-29 | Coors Brewing Company | Biocompatible apparatus for ultrasensitive and rapid detection of contaminants in liquids |
| US6372895B1 (en) | 2000-07-07 | 2002-04-16 | 3M Innovative Properties Company | Fluorogenic compounds |
| US7416903B2 (en) * | 1999-09-30 | 2008-08-26 | Stc.Unm | Wavy interface mixer |
| US6890487B1 (en) | 1999-09-30 | 2005-05-10 | Science & Technology Corporation ©UNM | Flow cytometry for high throughput screening |
| US7208265B1 (en) | 1999-11-24 | 2007-04-24 | Xy, Inc. | Method of cryopreserving selected sperm cells |
| WO2001085914A2 (en) | 2000-05-11 | 2001-11-15 | Becton, Dickinson And Company | System for identifying clusters in scatter plots using smoothed polygons with optimal boundaries |
| AU2002237689B2 (en) | 2000-11-29 | 2008-01-10 | Xy, Llc. | System to separate frozen-thawed spermatozoa into X-chromosome bearing and Y-chromosome bearing populations |
| US7713687B2 (en) | 2000-11-29 | 2010-05-11 | Xy, Inc. | System to separate frozen-thawed spermatozoa into x-chromosome bearing and y-chromosome bearing populations |
| US7280207B2 (en) * | 2001-07-25 | 2007-10-09 | Applera Corporation | Time-delay integration in a flow cytometry system |
| US6519033B1 (en) * | 2001-11-19 | 2003-02-11 | Point Source Technologies, Llc | Identification of particles in fluid |
| WO2003039600A1 (en) * | 2001-11-09 | 2003-05-15 | Neopharm, Inc. | Selective treatment of il-13 expressing tumors |
| US6838289B2 (en) * | 2001-11-14 | 2005-01-04 | Beckman Coulter, Inc. | Analyte detection system |
| US20040024543A1 (en) * | 2001-11-21 | 2004-02-05 | Weiwen Zhang | Methods and systems for analyzing complex biological systems |
| US20030175687A1 (en) * | 2002-03-12 | 2003-09-18 | Tippet Janet Mary | Methods for the detection and identification of microorganisms |
| US7224825B2 (en) * | 2002-04-18 | 2007-05-29 | Lockheed Martin Corporation | Detecting and identifying hazardous substances contained in mail articles |
| US7385694B2 (en) * | 2002-06-04 | 2008-06-10 | Lockheed Martin Corporation | Tribological debris analysis system |
| ATE497774T1 (de) | 2002-07-15 | 2011-02-15 | Univ Texas | Screening kombinatorischer proteinbibliotheken mittels periplasmatischer expression |
| CA2531176C (en) * | 2002-07-22 | 2018-04-24 | Xy, Inc. | Sperm cell process system |
| US8486618B2 (en) | 2002-08-01 | 2013-07-16 | Xy, Llc | Heterogeneous inseminate system |
| US8211629B2 (en) | 2002-08-01 | 2012-07-03 | Xy, Llc | Low pressure sperm cell separation system |
| MXPA05001654A (es) | 2002-08-15 | 2005-10-18 | Xy Inc | Citometro de flujo de alta resolucion. |
| US7169548B2 (en) | 2002-09-13 | 2007-01-30 | Xy, Inc. | Sperm cell processing and preservation systems |
| US7421418B2 (en) * | 2003-02-19 | 2008-09-02 | Nahava Inc. | Method and apparatus for fundamental operations on token sequences: computing similarity, extracting term values, and searching efficiently |
| WO2004087758A2 (en) * | 2003-03-26 | 2004-10-14 | Neopharm, Inc. | Il 13 receptor alpha 2 antibody and methods of use |
| EP1608963B1 (en) | 2003-03-28 | 2009-12-30 | Inguran, LLC | Apparatus and methods for providing sex-sorted animal sperm |
| WO2004102201A1 (en) * | 2003-05-07 | 2004-11-25 | Novasite Pharmaceuticals, Inc. | Gain of function sorting for drug discovery and development |
| EP1625385A1 (en) * | 2003-05-07 | 2006-02-15 | Novasite Pharmaceuticals, Inc. | Multiplexed multitarget screening method |
| NZ544103A (en) * | 2003-05-15 | 2010-10-29 | Xy Llc | Efficient haploid cell sorting for flow cytometer systems |
| WO2004106535A2 (en) * | 2003-05-27 | 2004-12-09 | Pointcare Technologies, Inc. | Enhanced cellular assay method for use in flow cytometry or similar instruments using optically resonant particles |
| US20120077206A1 (en) | 2003-07-12 | 2012-03-29 | Accelr8 Technology Corporation | Rapid Microbial Detection and Antimicrobial Susceptibility Testing |
| WO2005027714A2 (en) | 2003-07-12 | 2005-03-31 | Accelr8 Technology Corporation | Sensitive and rapid biodetection |
| EP1664784A1 (en) * | 2003-09-17 | 2006-06-07 | Guava Technologies, Inc. | Compositions and methods for analysis of target analytes |
| US7365835B2 (en) * | 2003-12-02 | 2008-04-29 | California Institute Of Technology | Dark-field laser-scattering microscope for analyzing single macromolecules |
| EP1730266A2 (en) | 2004-03-29 | 2006-12-13 | Monsanto Technology, LLC | Sperm suspensions for sorting into x or y chromosome-bearing enriched populations |
| BRPI0513685A (pt) | 2004-07-22 | 2008-05-13 | Monsanto Technology Llc | processo para enriquecimento de uma população de células de esperma |
| US7612871B2 (en) * | 2004-09-01 | 2009-11-03 | Honeywell International Inc | Frequency-multiplexed detection of multiple wavelength light for flow cytometry |
| CA2617678A1 (en) * | 2005-08-02 | 2007-02-08 | Luminex Corporation | Methods, data structures, and systems for classifying microparticles |
| EP1951742A4 (en) * | 2005-10-27 | 2011-06-01 | Life Technologies Corp | OPTOELECTRONIC SEPARATION OF BIOMOLECULES |
| US8379197B2 (en) * | 2006-01-05 | 2013-02-19 | Chemimage Corporation | Spectroscopic systems and methods for classifying and pharmaceutically treating cells |
| WO2007081874A2 (en) * | 2006-01-05 | 2007-07-19 | Chemimage Corporation | System and method for clasifying cells and the pharmaceutical treatment of such cells using raman spectroscopy |
| US9042606B2 (en) * | 2006-06-16 | 2015-05-26 | Board Of Regents Of The Nevada System Of Higher Education | Hand-based biometric analysis |
| US8067179B2 (en) | 2006-11-30 | 2011-11-29 | Research Development Foundation | Immunoglobulin libraries |
| US8787633B2 (en) * | 2007-01-16 | 2014-07-22 | Purdue Research Foundation | System and method of organism identification |
| DE102007014413B4 (de) * | 2007-03-17 | 2016-02-04 | DüRR DENTAL AG | Verfahren zum Auswerten von Fluoreszenzbildsätzen und Vorrichtung zu seiner Durchführung |
| EP2155789B1 (en) | 2007-05-01 | 2013-07-24 | Research Development Foundation | Immunoglobulin fc libraries |
| CA2691793A1 (en) | 2007-06-29 | 2009-01-08 | Cellular Dynamics International, Inc. | Automated method and apparatus for embryonic stem cell culture |
| WO2009032827A2 (en) * | 2007-09-04 | 2009-03-12 | Purdue Research Foundation | Electroporative flow cytometry |
| JP4509163B2 (ja) * | 2007-10-26 | 2010-07-21 | ソニー株式会社 | 微小粒子の測定方法 |
| JP5478501B2 (ja) | 2007-12-04 | 2014-04-23 | パーティクル・メージャーリング・システムズ・インコーポレーテッド | 粒子検出用の２次元光学画像化方法及びシステム |
| JP4948379B2 (ja) * | 2007-12-18 | 2012-06-06 | キヤノン株式会社 | パターン識別器生成方法、情報処理装置、プログラム及び記憶媒体 |
| EP2105863B1 (en) * | 2008-03-28 | 2017-09-13 | Cytognos, S.L. | Method and system for the automatic classification of events acquired by a flow cytometer |
| WO2009135271A1 (en) * | 2008-05-08 | 2009-11-12 | Inivai Technologies Pty Ltd | A system and method for processing flow cytometry data |
| US8417012B2 (en) * | 2008-11-04 | 2013-04-09 | Beckman Coulter, Inc. | Non-linear histogram segmentation for particle analysis |
| DE102008059788B4 (de) | 2008-12-01 | 2018-03-08 | Olympus Soft Imaging Solutions Gmbh | Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie |
| EP2432869B1 (en) | 2009-05-21 | 2020-08-12 | Essen Instruments, Inc. d/b/a Essen BioScience, Inc. | System and method for separating samples in a continuous flow |
| US9752964B1 (en) | 2009-06-22 | 2017-09-05 | Stc.Unm | Flow cytometry apparatus pulling sample stream through observation chamber |
| US8655084B2 (en) * | 2009-06-23 | 2014-02-18 | Board Of Regents Of The Nevada System Of Higher Education, On Behalf Of The University Of Nevada, Reno | Hand-based gender classification |
| JP5785942B2 (ja) | 2009-06-29 | 2015-09-30 | ルミネックス コーポレーション | ヘアピンコンフォメーションを有するキメラプライマーおよびその使用法 |
| US8610085B2 (en) * | 2009-08-20 | 2013-12-17 | Bio-Rad Laboratories, Inc. | High-speed cellular cross sectional imaging |
| US8589851B2 (en) * | 2009-12-15 | 2013-11-19 | Memoir Systems, Inc. | Intelligent memory system compiler |
| WO2012109133A1 (en) | 2011-02-07 | 2012-08-16 | Research Development Foundation | Engineered immunoglobulin fc polypeptides |
| US10254204B2 (en) | 2011-03-07 | 2019-04-09 | Accelerate Diagnostics, Inc. | Membrane-assisted purification |
| ES2551922T3 (es) | 2011-03-07 | 2015-11-24 | Accelerate Diagnostics, Inc. | Sistemas rápidos de purificación celular |
| US8990047B2 (en) * | 2011-03-21 | 2015-03-24 | Becton, Dickinson And Company | Neighborhood thresholding in mixed model density gating |
| WO2012149525A2 (en) | 2011-04-29 | 2012-11-01 | Baylor College Of Medicine | Ureaplasma vaccine and antibody for prevention and treatment of human, animal and cell culture infection |
| ES2927316T3 (es) | 2011-05-04 | 2022-11-04 | Abbott Lab | Sistema y método de análisis de glóbulos blancos |
| WO2012151103A2 (en) | 2011-05-04 | 2012-11-08 | Abbott Laboratories | Nucleated red blood cell analysis system and method |
| JP6166716B2 (ja) * | 2011-05-04 | 2017-07-19 | アボット・ラボラトリーズＡｂｂｏｔｔ Ｌａｂｏｒａｔｏｒｉｅｓ | 好塩基球分析システムおよび方法 |
| CN102305758B (zh) * | 2011-05-19 | 2014-01-08 | 长春迪瑞医疗科技股份有限公司 | 一种粒子快速自动分类方法及其实现装置 |
| EP2723761B1 (en) | 2011-06-23 | 2017-11-08 | The Regents of The University of Michigan | Compound and method for modulating opioid receptor activity |
| KR20140066782A (ko) | 2011-09-29 | 2014-06-02 | 루미넥스 코포레이션 | 가수분해 프로브 |
| CN102507417B (zh) * | 2011-11-29 | 2014-04-09 | 长春迪瑞医疗科技股份有限公司 | 一种粒子自动分类方法 |
| US9701959B2 (en) | 2012-02-02 | 2017-07-11 | Invenra Inc. | High throughput screen for biologically active polypeptides |
| EP3730927A1 (en) * | 2013-03-15 | 2020-10-28 | Beckman Coulter Inc. | Systems, methods and user interface for panel design in flow cytometry |
| US9677109B2 (en) | 2013-03-15 | 2017-06-13 | Accelerate Diagnostics, Inc. | Rapid determination of microbial growth and antimicrobial susceptibility |
| EP3521452B1 (en) | 2013-06-19 | 2021-08-04 | Luminex Corporation | Real-time multiplexed hydrolysis probe assay |
| KR102398399B1 (ko) | 2013-08-09 | 2022-05-16 | 루미넥스 코포레이션 | 핵산 에세이에서의 향상된 용융 식별 및 복합화를 위한 프로브 |
| US10444304B2 (en) * | 2014-03-26 | 2019-10-15 | General Electric Company | Particle event recordation |
| CA2956812C (en) | 2014-08-11 | 2023-04-11 | Luminex Corporation | Probes for improved melt discrimination and multiplexing in nucleic acid assays |
| EP3207150B1 (en) | 2014-10-14 | 2021-04-28 | Research Development Foundation | Methods for generating engineered enzymes |
| US10048192B2 (en) * | 2014-12-18 | 2018-08-14 | Palo Alto Research Center Incorporated | Obtaining spectral information from moving objects |
| US10302494B2 (en) | 2014-12-18 | 2019-05-28 | Palo Alto Research Center Incorporated | Obtaining spectral information from a moving object |
| WO2016130516A1 (en) | 2015-02-09 | 2016-08-18 | Research Development Foundation | Engineered immunoglobulin fc polypeptides displaying improved complement activation |
| EP3278115A2 (en) | 2015-03-30 | 2018-02-07 | Accelerate Diagnostics, Inc. | Instrument and system for rapid microorganism identification and antimicrobial agent susceptibility testing |
| US10253355B2 (en) | 2015-03-30 | 2019-04-09 | Accelerate Diagnostics, Inc. | Instrument and system for rapid microorganism identification and antimicrobial agent susceptibility testing |
| EP3335194A4 (en) * | 2015-08-12 | 2019-04-24 | Molecular Devices, LLC | SYSTEM AND METHOD FOR AUTOMATICALLY ANALYZING PHENOTYPIC RESPONSES OF CELLS |
| WO2017040380A2 (en) | 2015-08-28 | 2017-03-09 | Research Development Foundation | Engineered antibody fc variants |
| US10421785B2 (en) | 2016-04-11 | 2019-09-24 | Bar-Ilan University | Delta receptor agonist peptides and use thereof |
| US10416067B2 (en) | 2016-06-07 | 2019-09-17 | Essen Instruments, Inc. | Method for air bubble detection between samples using flow cytometry scatter waveform analysis |
| WO2018053240A1 (en) | 2016-09-15 | 2018-03-22 | The Regents Of The University Of Michigan | Peptidomimetics and methods of using the same |
| DE102017107348B4 (de) | 2017-04-05 | 2019-03-14 | Olympus Soft Imaging Solutions Gmbh | Verfahren zur zytometrischen Analyse von Zellproben |
| CN113811754A (zh) * | 2018-08-30 | 2021-12-17 | 贝克顿·迪金森公司 | 颗粒分析仪的表征和分选 |
| CN114127537A (zh) | 2019-08-19 | 2022-03-01 | 埃森仪器公司Dba埃森生物科学公司 | 用于样品间分离气体检测的系统和方法 |
| US11376320B2 (en) | 2020-03-05 | 2022-07-05 | Iowa State University Research Foundation, Inc. | Immunogenic and vaccine compositions against SARS-CoV-2 |
| CN114136868B (zh) * | 2021-12-03 | 2022-07-15 | 浙江博真生物科技有限公司 | 一种基于密度和非参数聚类的流式细胞术全自动分群方法 |
| WO2023239940A1 (en) | 2022-06-10 | 2023-12-14 | Research Development Foundation | Engineered fcriib selective igg1 fc variants and uses thereof |
| CN115728276B (zh) * | 2022-11-14 | 2024-01-23 | 中船重工安谱（湖北）仪器有限公司 | 爆炸物检测方法和检测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5230493A (en) * | 1975-09-03 | 1977-03-08 | Hitachi Ltd | White blood-corpuscle classifying apparatus |
| JPS5326199A (en) * | 1976-08-20 | 1978-03-10 | Science Spectrum | Method and apparatus for rapid determination and distinction of large cell |
| JPS5981537A (ja) * | 1982-11-01 | 1984-05-11 | Japan Spectroscopic Co | 微小粒子分析装置 |
| JPS59102139A (ja) * | 1982-12-03 | 1984-06-13 | Toshiba Corp | 血球カウンタ |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2134937C2 (de) * | 1971-07-13 | 1982-08-05 | Bio-Physics Systems, Inc., Baldwin Place, N.Y. | Verfahren und Vorrichtung zum Erfassen von in einer Flüssigkeit suspendierten Teilchen |
| BE793185A (fr) * | 1971-12-23 | 1973-04-16 | Atomic Energy Commission | Appareil pour analyser et trier rapidement des particules telles que des cellules biologiques |
| US3883247A (en) * | 1973-10-30 | 1975-05-13 | Bio Physics Systems Inc | Method for fluorescence analysis of white blood cells |
| DE2709399C3 (de) * | 1977-03-04 | 1980-07-24 | Goehde, Wolfgang, Dr., 4400 Muenster | Einrichtung zum Messen von Zelleigenschaften |
| DE2732272C2 (de) * | 1977-07-16 | 1979-07-05 | Deutsches Krebsforschungszentrum Stiftung Des Oeffentlichen Rechts, 6900 Heidelberg | Verfahren und Vorrichtung zur Fluoreszenzanalyse von gefärbten Partikeln, insbesondere biologischen Zellen |
| US4293221A (en) * | 1979-04-17 | 1981-10-06 | Research Corporation | Multidimensional slit-scan flow system |
| US4235706A (en) * | 1979-04-18 | 1980-11-25 | Shell Oil Company | Multistage condensation process |
| US4284412A (en) * | 1979-07-13 | 1981-08-18 | Ortho Diagnostics, Inc. | Method and apparatus for automated identification and enumeration of specified blood cell subclasses |
| FI67043C (fi) * | 1979-08-22 | 1985-01-10 | Partek Ab | Foerfarande och anordning foer klassificering av styckegods so befinner sig i roerelse |
| US4295199A (en) * | 1979-10-22 | 1981-10-13 | Bio-Rad Laboratories, Inc. | Automatic fluorometer and data processor for performing fluorescent immunoassays |
| DE2943116C2 (de) * | 1979-10-25 | 1986-06-19 | Gesellschaft für Strahlen- und Umweltforschung mbH, 8000 München | Einrichtung zur durchflußcytometrischen Reaktions- und/oder Diffusionsmessung |
| US4284355A (en) * | 1979-10-29 | 1981-08-18 | Ortho Diagnostics, Inc. | Automated method for cell volume determination |
| JPS5663255A (en) * | 1979-10-30 | 1981-05-29 | Hitachi Ltd | Disease state diagnosing device |
| US4338024A (en) * | 1980-05-02 | 1982-07-06 | International Remote Imaging Systems, Inc. | Flow analyzer and system for analysis of fluids with particles |
| US4468742A (en) * | 1981-03-17 | 1984-08-28 | The Regents Of University Of California | Microprocessor system for quantitative chromatographic data analysis |
| US4541719A (en) * | 1982-07-20 | 1985-09-17 | Wyatt Philip J | Method and apparatus for characterizing microparticles and measuring their response to their environment |
| US4581334A (en) * | 1983-04-25 | 1986-04-08 | Ortho Diagnostics Systems, Inc. | Simultaneous detection of leukocyte phagocytic and killing ability |
| US4538733A (en) * | 1983-10-14 | 1985-09-03 | Becton, Dickinson And Company | Particle sorter with neutralized collection wells and method of using same |
-
1984
- 1984-09-11 US US06/649,449 patent/US4661913A/en not_active Expired - Lifetime
-
1985
- 1985-07-01 FR FR8510004A patent/FR2570192A1/fr not_active Withdrawn
- 1985-09-07 DE DE19853531969 patent/DE3531969A1/de not_active Withdrawn
- 1985-09-11 JP JP60201465A patent/JPS6171337A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5230493A (en) * | 1975-09-03 | 1977-03-08 | Hitachi Ltd | White blood-corpuscle classifying apparatus |
| JPS5326199A (en) * | 1976-08-20 | 1978-03-10 | Science Spectrum | Method and apparatus for rapid determination and distinction of large cell |
| JPS5981537A (ja) * | 1982-11-01 | 1984-05-11 | Japan Spectroscopic Co | 微小粒子分析装置 |
| JPS59102139A (ja) * | 1982-12-03 | 1984-06-13 | Toshiba Corp | 血球カウンタ |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63118638A (ja) * | 1986-08-21 | 1988-05-23 | ベクトン・ディッキンソン・アンド・カンパニー | 多螢光分析を用いた細胞・粒子等の特性を決定するための方法および装置 |
| JPS63191043A (ja) * | 1987-02-03 | 1988-08-08 | Omron Tateisi Electronics Co | 細胞分析装置 |
| JPS63191044A (ja) * | 1987-02-03 | 1988-08-08 | Omron Tateisi Electronics Co | 細胞分析装置 |
| JPH01199161A (ja) * | 1987-04-13 | 1989-08-10 | Ortho Pharmaceut Corp | 白血球を定量且つ識別する方法 |
| JPH0222537A (ja) * | 1988-07-11 | 1990-01-25 | Omron Tateisi Electron Co | 細胞分折装置 |
| US5325168A (en) * | 1991-05-14 | 1994-06-28 | Toa Medical Electronics Co., Ltd. | Apparatus and method for analyzing cells in urine |
| US5325169A (en) * | 1991-05-14 | 1994-06-28 | Toa Medical Electronics Co., Ltd. | Apparatus and method for analyzing cells in urine |
| US5684584A (en) * | 1991-05-14 | 1997-11-04 | Toa Medical Electronics Co., Ltd. | Apparatus for analyzing cells in urine |
| JPH1038798A (ja) * | 1996-04-16 | 1998-02-13 | Perstorp Analytical Inc | ライブラリ安定演算法を用いた吸収スペクトル判定方法 |
| JPH1048128A (ja) * | 1996-05-13 | 1998-02-20 | Perstorp Analytical Inc | Ｎｉｒ分光法によって物質を同定する方法 |
| JP2002107287A (ja) * | 2000-07-24 | 2002-04-10 | Sysmex Corp | 粒子分析装置とその粒子分画方法 |
| JP4708605B2 (ja) * | 2000-07-24 | 2011-06-22 | シスメックス株式会社 | 粒子分析装置とその粒子分画方法 |
| JP2002139433A (ja) * | 2000-11-02 | 2002-05-17 | Kansai Tlo Kk | 青果物の内部品質の判別方法 |
| JP2003042936A (ja) * | 2001-07-26 | 2003-02-13 | Sysmex Corp | ２次元分布図の分画方法とそれを用いた血液分析装置 |
| JP2007518106A (ja) * | 2004-01-14 | 2007-07-05 | ルミネックス・コーポレーション | 測定システムの１つ以上のパラメータを変更するための方法 |
| JP2008111810A (ja) * | 2006-10-31 | 2008-05-15 | Shimadzu Corp | 回折・散乱光の光強度分布データの比較方法、および粒度分布測定装置 |
| JP2011528443A (ja) * | 2008-07-17 | 2011-11-17 | ルミネックス コーポレーション | 分析システムの分類マトリックス内に分類領域を構成するための、及びアッセイの粒子を分類するための方法、記憶媒体及びシステム |
| JP2012502266A (ja) * | 2008-09-05 | 2012-01-26 | ホリバ アベイクス エスアーエス | 生体データの分類、可視化並びに探索の方法及び装置 |
| JP2012505470A (ja) * | 2008-10-08 | 2012-03-01 | ベックマン コールター， インコーポレイテッド | 血液学機器のための形状パラメータ |
| JP2011117748A (ja) * | 2009-12-01 | 2011-06-16 | Horiba Advanced Techno Co Ltd | シリカ濃度測定方法及びシリカ濃度測定装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US4661913A (en) | 1987-04-28 |
| DE3531969A1 (de) | 1986-03-20 |
| FR2570192A1 (fr) | 1986-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPS6171337A (ja) | フローサイトメトリー法を用いる粒子の検出および分類のための装置および方法 | |
| Saraswat et al. | Automated microscopic image analysis for leukocytes identification: A survey | |
| CN109952614B (zh) | 生物粒子的分类系统和方法 | |
| Imran Razzak et al. | Microscopic blood smear segmentation and classification using deep contour aware CNN and extreme machine learning | |
| US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
| Sarrafzadeh et al. | Selection of the best features for leukocytes classification in blood smear microscopic images | |
| Orlov et al. | Automatic classification of lymphoma images with transform-based global features | |
| US4199748A (en) | Automated method and apparatus for classification of cells with application to the diagnosis of anemia | |
| Huang et al. | A computer assisted method for leukocyte nucleus segmentation and recognition in blood smear images | |
| US20120215487A1 (en) | Methods and apparatus related to gate boundaries within a data space | |
| Rawat et al. | Review of leukocyte classification techniques for microscopic blood images | |
| Shirazi et al. | Extreme learning machine based microscopic red blood cells classification | |
| WO2005050479A1 (ja) | 類似パターン検索装置、類似パターン検索方法、類似パターン検索プログラム、および分画分離装置 | |
| Baghel et al. | WBCs-Net: Type identification of white blood cells using convolutional neural network | |
| Lopez-Puigdollers et al. | Recognizing white blood cells with local image descriptors | |
| Malkawi et al. | White blood cells classification using convolutional neural network hybrid system | |
| Wijesinghe et al. | Fully automated detection and classification of white blood cells | |
| Muthumayil et al. | Diagnosis of leukemia disease based on enhanced virtual neural network | |
| Johnsson | Structures in high-dimensional data: Intrinsic dimension and cluster analysis | |
| CN115270874A (zh) | 一种基于密度估计的流式细胞分类和计数的方法和系统 | |
| CA2377602C (en) | Multi-neural net imaging apparatus and method | |
| EP1301894B1 (en) | Multi-neural net imaging apparatus and method | |
| Laosai et al. | Deep-Learning-based Acute Leukemia classification using imaging flow cytometry and morphology | |
| Alqudah et al. | Automatic Segmentation and Classification of White Blood Cells in Peripheral Blood Samples. | |
| de Oliveira Martins et al. | Classification of breast masses in mammogram images using Ripley’s K function and support vector machine |