JPWO2019073666A1 - 判定装置、判定方法、および判定プログラム - Google Patents

Abstract

判定装置であって、未知の生体試料の分光スペクトルを測定する測定部と、既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成された学習済みモデルを参照し、測定部が測定した生体試料の分光スペクトルに基づく入力データから、生体試料に含まれるがん組織を判定する判定部とを備える。上記判定装置において、教師データは、がん組織の原発巣に関する情報を含んでもよい。また、上記判定装置において、教師データは、正常組織から測定した分光スペクトルを含んでもよい。

Description

本発明は、判定装置、判定方法、および判定プログラムに関する。

転移がんの標本から原発巣を特定することが望まれており、標本から胃がん由来であることを判定する方法が提案されている（例えば、特許文献１参照）。
特許文献１ 特開２００４−３２１１０２号公報

既知の判定方法は、胃がん由来のものであるか否かを調べる方法であって、複数の原発巣の候補から標本の原発巣を特定することはできない。

本発明の第１の態様においては、未知の生体試料の分光スペクトルを測定する測定部と、既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成された学習済みモデルを参照し、測定部が測定した生体試料の分光スペクトルに基づく入力データから、生体試料に含まれるがん組織を判定する判定部とを備える判定装置が提供される。

本発明の第２の態様においては、未知の生体試料の分光スペクトルを測定する工程と、既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成した学習済みモデルを参照し、生体試料から測定した分光スペクトルに基づく入力データから、生体試料に含まれるがん組織を判定する工程とを含む判定方法が提供される。

本発明の第３の態様においては、既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成した学習済みモデルを参照しつつ、生体試料から測定した分光スペクトルに対応する入力データに基づいて生体試料に含まれるがん組織を判定するステップを電子計算機に実行させる判定プログラムが提供される。

上記の発明の概要は、本発明の特徴の全てを列挙したものではない。これらの特徴群のサブコンビネーションも発明となり得る。

判定装置１００の構造を示す模式図である。 学習済みモデルを生成する手順を示す流れ図である。 関心領域３１０を示す模式図である。 ニューラルネットワークのモデルを例示する図である。 生体試料を判定する手順を示す流れ図である。 判定部２１０の構造を示す模式図である。 生体試料から測定した分光スペクトルを例示する図である。 測定分光スペクトルを学習する場合に次元を削減した状態を示す図である。 自家蛍光の光強度の積算値を示すグラフである。 生体試料から測定した分光スペクトルの積算値を示すグラフである。 他の生体試料について、自家蛍光の光強度の積算値を示すグラフである。 関心領域３１０を示す模式図である。 分光スペクトルのクラスタリングの過程を示す図である。 分光スペクトルをクラスタリングした結果を示すヒストグラムである。

以下、発明の実施の形態を通じて本発明を説明する。以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、判定装置１００の構造を示す模式図である。判定装置１００は、ステージ１１０、対物光学系１２０、光源装置１３０、照射光学系１４０、前部検出部１５０、後部検出部１６０、制御部１７０、および格納部１８０を備える。なお、以降の記載においては、「分光スペクトル」を、単に「スペクトル」と記載する。

判定装置１００において、ステージ１１０、対物光学系１２０、光源装置１３０、照射光学系１４０、前部検出部１５０、および後部検出部１６０は、サンプル１０１のスペクトルを測定する測定部を形成する。格納部１８０は後述する学習済みモデルを格納する。制御部１７０の処理装置１７１は、格納部１８０と共に、がん組織の原発巣を判定する判定部を形成する。また、処理装置１７１は、学習済みモデルを生成するための機械学習も実行する。

なお、図示の例では、格納部１８０を判定装置１００に付属して設けた。しかしながら、格納部１８０に格納された学習済みモデルを処理装置１７１が参照することができるならば、格納部１８０は、例えば、通信回線を通じて他の場所に配したオンラインストレージあるいはクラウドストレージであってもよい。

判定装置１００のステージ１１０は、判定装置１００の判定対象となるサンプル１０１を支持する。サンプル１０１は、容器または支持体と生体試料とを含む。サンプル１０１における容器または支持体は、励起光およびラマン散乱光に対して透明なガラス等の材料で形成された容器、板材等である。生体試料は、ヒト又は動物から採取された臓器、組織または細胞を含む小片である試料を意味する。

ステージ１１０は、容器を周縁部で支持する。また、ステージ１１０は、容器を支持していない部分に開口を有して、ステージ１１０側にも容器を露出させている。これにより、ステージ１１０に置かれたサンプル１０１に対してステージ１１０側からも励起光を照射することができ、且つ、サンプル１０１で発生した散乱光をステージ１１０側からも観察できる。

また、ステージ１１０は、ステージスキャナ１１１を有する。ステージスキャナ１１１は、図中に矢印ｘ−ｙ−ｚで示すように、サンプル１０１が置かれた面と平行なｘ−ｙ方向および垂直なｚ方向に、サンプル１０１を駆動する。これにより、判定装置１００においては、光学系の光軸および励起光の光路を固定したまま、サンプル１０１における立体的な領域を観察または判定の対象領域にすることができる。なお、以降の説明においては、サンプル１０１で判定装置１００による観察または判定の対象となる領域を関心領域と記載する。

対物光学系１２０は、ステージ１１０に対して互いに反対側に配された前側対物レンズ１２１および後側対物レンズ１２２を有する。前側対物レンズ１２１は、サンプル１０１に対して照射される励起光および照明光等を集光する役割を担う。

光源装置１３０は、複数の光源１３１、１３２と、コンバイナ１３９とを有する。光源１３１、１３２は、互いに異なる照射光を発生する。コンバイナ１３９は、光源１３１、１３２が発生した光を合波する。よって、光源１３１、１３２から射出された照射光は、コンバイナ１３９により単一の光路を通過するビームとなり、サンプル１０１の同じ位置に照射される。

光源１３１は、サンプル１０１のラマン分光を測定する場合に使用する励起光、例えば、波長５３２ｎｍのレーザ光を発生する。また、光源１３２は、サンプル１０１の顕微像を観察する場合に使用する可視光帯域の照明光を発生してもよい。更に、光源１３１、１３２をポンプ光とストークス光の光源にして、ＣＡＲＳ過程によりラマン散乱光を発生させてもよい。なお、サンプル１０１に照射する照射光は、励起光であっても、照明光であっても、生体細胞を侵襲しにくい長めの波長を有することが好ましい。

照射光学系１４０は、ガルバノスキャナ１４１およびスキャンレンズ１４２を有する。ガルバノスキャナ１４１は、互いに平行ではない２つの揺動軸の周りを揺動する一対の反射鏡を備える。これにより、ガルバノスキャナ１４１に入射した光の光路は、光軸と交差する方向に二次元的に変位する。

スキャンレンズ１４２は、ガルバノスキャナ１４１から射出された励起光を、予め定められた一次像面１４３に合焦させる。更に、励起光の光路を曲げる反射鏡１４４を挟んで配されたコリメートレンズ１４５によりコリメートされた励起光は、前側対物レンズ１２１によりサンプル１０１に集光される。こうして、光源装置１３０から射出された励起光は、サンプル１０１に設定された任意の関心領域に照射される。

前部検出部１５０は、ダイクロイックミラー１５１、リレーレンズ１５２、１５３、帯域通過フィルタ１５４、および分光器１５５を有する。ダイクロイックミラー１５１は、コリメートレンズ１４５からサンプル１０１に向かって照射した励起光を高効率に透過させる。また、ダイクロイックミラー１５１は、サンプル１０１から発生した散乱光を高効率に反射する。

ダイクロイックミラー１５１は、励起光を照射されたサンプル１０１において発生したラマン散乱光を反射してリレーレンズ１５２、１５３に導く。帯域通過フィルタ１５４は、励起光およびレイリー散乱光を吸収または反射しつつ、サンプル１０１から発生したラマン散乱光を透過させて分光器１５５に入射させる。これにより、分光器１５５は、サンプル１０１から反射方向に発生したラマン散乱光を効率よく検出して分光像を出力する。

分光器１５５としては、ポリクロメータ等を用いることができる。なお、前部検出部１５０において、分光器１５５に換えてイメージセンサを配することにより、判定装置１００を顕微鏡として使用することもできる。

後部検出部１６０は、反射鏡１６１、リレーレンズ１６２、１６３、帯域通過フィルタ１６４、および分光器１６５を有する。反射鏡１６１は、サンプル１０１において発生したラマン散乱光を反射して、リレーレンズ１６２、１６３、帯域通過フィルタ１６４、および分光器１６５に導く。なお、反射鏡１６１に換えて、ラマン散乱光の波長を選択的に反射するダイクロイックミラーを設けてもよい。

帯域通過フィルタ１６４は、レイリー散乱光および励起光を吸収または反射しつつ、サンプル１０１から発生したラマン散乱光を透過させて分光器１６５に入射させる。これにより、分光器１６５は、サンプル１０１の透過光によるラマン分光を効率よく検出する。

分光器１６５としては、ポリクロメータ等を用いることができる。なお、後部検出部１６０において、分光器１６５に換えて、可視光帯域の光を検出するイメージセンサを配することにより、判定装置１００を顕微鏡として使用することもできる。

判定装置１００において、サンプル１０１に対して照射光学系１４０と同じ側に配置された前部検出部１５０により検出されるラマン散乱光は、サンプル１０１により反射された後方ラマン散乱光である。一方、サンプル１０１に対して照射光学系１４０と反対側に配置された後部検出部１６０により検出されるラマン散乱光は、恰もサンプル１０１を透過した前方ラマン散乱光である。

制御部１７０は、処理装置１７１、マウス１７２、キーボード１７３、おび表示部１７４を有する。マウス１７２およびキーボード１７３は、処理装置１７１に接続され、処理装置１７１にユーザの指示を入力する場合に操作される。

表示部１７４は、マウス１７２およびキーボード１７３によるユーザの操作に対してフィードバックを返すと共に、処理装置１７１が生成した画像または文字列をユーザに向かって表示する。更に、判定装置１００において、表示部１７４は、サンプル１０１を光学的に観察した観察像、判定結果を表す文字または画像等も表示する。

格納部１８０は、判定装置１００が判定動作を実行する場合に参照する学習済みモデル１９０（図６参照）を格納する。学習済みモデル１９０としては、判定装置１００自体の機械学習により生成された学習済みモデル１９０であってもよいし、通信回線または記憶媒体を通じて取得した学習済みモデル１９０であってもよい。

図２は、判定装置１００の格納部１８０に格納する学習済みモデルを作成する手順を示す流れ図である。学習済みモデルを作成する場合は、まず、判定すべき属性が既知の生体試料を用意する（ステップＳ１０１）。

判定すべき属性が既知の生体試料の例としては、既知のがん組織が用いられる。既知のがん組織の例として、原発巣が判明している転移がん組織や、がん組織を含むことが判明している組織が挙げられる。すなわち、判定装置１００により判定する属性が、未知の転移がんの生体試料の原発巣の種類である場合は、原発巣が既知であるがん組織の生体試料を用意する。また、判定装置１００による判定の属性が、がん組織が存在するか否かである場合は、がん組織を含むことが既知である生体試料と、がん組織を含まないことが既知である生体試料とを用意する。

次に、判定装置１００でスペクトルを測定できるように、ステップＳ１０１で用意した生体試料のサンプル１０１を調製する（ステップＳ１０２）。サンプル１０１は、病理組織検査の生体試料を調製する公知の各種方法で調製できる。

例えば、内視鏡等で採取した生検組織をホルマリンで固定し、パラフィンで包埋した後、ミクロトームで薄切する。更に、得られた切片をスライドグラス（支持体）に置いて、キシレンで脱パラフィンした後乾燥させると、サンプル１０１が完成する。脱パラフィンした後、カバーガラスを置いてプレパラートにしてもよい。

次に、調製したサンプル１０１の各々について、判定装置１００を用いて全スペクトルを測定する（ステップＳ１０３）。すなわち、判定装置１００において、ステージ１１０に置いたサンプル１０１に励起光を照射して、発生したラマン散乱光から、分光器１５５、１６５の少なくとも一方により全スペクトルを測定する。こうして、既知のがん組織から分光スペクトルが測定される。

ここで、全スペクトルとは、サンプル１０１における関心領域の全域に対応したスペクトルを意味する。ここでいう関心領域は、判定を目的として生体試料からラマンスペクトルを測定する対象となる領域であり、判定装置１００のユーザにより設定される。

判定装置１００による判定の対象が生体試料のがん組織である場合、細胞の大きさのレベルで生体試料を識別する必要がある。このため、判定の対象となる関心領域は、がん細胞の大きさと同等の大きさ、例えば、５μｍ^２以上且つ３０μｍ^２以下、または、１０μｍ^２以上且つ２０μｍ^２以下を包含することが望ましい。また、関心領域は、がん組織が含まれる可能性の高い生体試料上の領域に設定される。

図３は、サンプル１０１の関心領域３１０における全スペクトルの測定方法の一例を示す図である。関心領域３１０は、更に小さな領域である複数の単位領域３２０に分割され、単位領域３２０毎に励起光を照射してラマン散乱光の光強度が測定される。

ここでは、単位領域３２０は、生体試料に含まれる細胞３００、または、生体試料に含まれていた細胞３００の細胞核３０１よりは広い領域に設定されている。より具体的には、例えば、１０μｍ×１０μｍの関心領域３１０を、ひとつひとつが４μｍ^２以下の単位領域３２０に分割して、複数の単位領域３２０の各々について少なくとも１回ずつ励起光を照射してラマンスペクトルを測定する。これにより、最終的に、関心領域３１０全体のスペクトル、すなわち全スペクトルが測定される。

また、例えば、１μｍ^２の矩形の関心領域を設定し、各辺を１０本の分割線で分割して形成した格子状の１２１点に、波長５３２ｎｍの励起光を照射し、１２１本のスペクトルを測定する。このようにしても、関心領域３１０の全スペクトルが測定される。

なお、ある生体試料ががん細胞を含むことが既に判っている場合であってどの臓器のがんであるか判定する場合、すなわち生体試料の原発巣が存在する臓器を判定する場合や、転移がん細胞を含むことがわかっている場合であって原発巣を判定する場合は、組織・臓器レベルで識別できればよい。よって、ひとつの関心領域をより広い領域に設定してもよい。

また、ラマンスペクトルを測定する場合に、フォトブリーチにより自家蛍光を減少させた後に、ラマンスペクトル測定用の励起光を照射してもよい。これにより、生体試料の自家蛍光が大幅に低下して、測定されるスペクトルのＳ／Ｎ比を向上できる。更に、関心領域の形状は矩形に限られず、円形、楕円形等の幾何図形の他、細胞膜等の輪郭に沿った不定形の形状であってもよい。

再び図２を参照すると、次に、上記のようにして測定されたスペクトルに対応する情報を含む教師データが生成される（スペクトル１０４）。判定装置１００による判定の対象を、生体試料に含まれるがん組織の原発巣にする場合は、測定したスペクトルとがん組織の原発巣に関する情報とを含む教師データを生成する。また、判定装置１００による判定の対象を生体試料におけるがん組織の有無とする場合は、測定したスペクトルとがん組織の有無に関する情報とを含む教師データを生成する。次に、判定装置１００の処理装置１７１は、生成された教師データを学習して、学習済みモデル１９０を生成する（ステップＳ１０５）。

図４は、格納部１８０に格納する学習済みモデル１９０を生成する場合に使用できるニューラルネットワーク２００の一例を示す図である。人の脳神経回路を模したニューラルネットワーク２００は、例えば、処理装置１７１内に形成され、入力層２０１、隠れ層２０２、および出力層２０３を有する。

入力層２０１は、隠れ層２０２に入力信号を受け渡す場合に、活性化関数による重みづけを調整する。次いで、隠れ層２０２の層数に応じて、重みづけの調整を繰り返した後、最終的な出力層２０３に受け渡された信号が出力される。出力層２０３は、例えば、予め用意された選択肢のいずれに入力信号が該当するかの確率を出力する。

出力された確率は検証され、妥当な出力信号が出力されるまで重みづけの調整が繰り返さる。こうして、最終的に調整された重みづけされた活性化関数を具備した学習済みモデル１９０が生成される。こうして生成された学習済みモデル１９０は、判定装置１００の格納部１８０に格納される（ステップＳ１０６）。また、学習済みモデル１９０は、格納部１８０に格納されたことにより、処理装置１７１から参照できる状態になる。よって、判定装置１００は、学習済みモデルを参照して判定処理を実行できる状態になる。

なお、学習済みモデルの生成には、ニューラルネットワークの他、サポートベクターマシン、決定木、ベイジアンネットワーク、線形回帰、多変量解析、ロジスティック回帰分析、及び判定分析からなる群より選択された少なくとも一つの機械学習の手法を実行してもよい。また、隠れ層２０２の層数にも特に制限はない。

更に、学習済みモデルを生成する場合に使用する教師データは、全スペクトルから、機械学習に適した状態に加工した代表スペクトル用いてもよい。代表スペクトルは、個々の関心領域を代表する単一のスペクトルであり、例えば、サンプル１０１における関心領域の全スペクトルの和、または、当該和をスペクトル数で除して算出した相加平均であってもよい。

また更に、上記の例では、教師データの生成に判定装置１００自体を使用したが、教師データの生成に他の装置を用いてもよい。また、複数の判定装置１００が存在する場合に、１台の判定装置１００で生成した教師データを、他の判定装置１００で使用してもよい。また更に、格納部１８０に格納する学習済みモデル１９０も、一代の判定装置１００で生成した学習済みモデル１９０を、他の複数の判定装置で使用してもよい。

図５は、判定装置１００による生体試料の判定手順を示す流れ図である。判定装置１００により未知の生体試料を判定する場合は、まず、判定対象となる生体試料を用意する（ステップＳ２０１）。次に、図２に示した学習済みモデル１９０を生成する過程のステップＳ１０２と同様に、用意した生体試料をサンプル１０１に加工した上で（ステップＳ２０２）、上記過程と同様に、生体試料のスペクトルを測定する（ステップＳ２０３）。

こうして生体試料からスペクトルを測定して、サンプル１０１のスペクトルに基づく入力データを生成した判定装置１００は、学習済みモデル１９０を参照して、未知の生体試料について判定を下す判定処理を実行する（ステップＳ２０４）。ここで判定装置１００が下す判定は、例えば、教師データを学習した学習済みモデル１９０により判定された、生体試料にがん組織が含まれるか否かである。または、判定装置１００が下す判定は、例えば、教師データを学習した学習済みモデル１９０が学習により判定された、生体試料に含まれるがん組織の原発巣の種類である。

図６は、判定装置１００内に形成されて判定処理を実行する判定部２１０の構成を示すブロック図である。判定部２１０は、前部検出部１５０および後部検出部１６０の少なくとも一方を含む測定部から入力データを取得する処理装置１７１と、学習済みモデル１９０を格納した格納部１８０を含んで形成される。

前部検出部１５０および後部検出部１６０の少なくとも一方は、測定部として、サンプル１０１としてステージ１１０に置かれた生体試料からスペクトルを測定する。処理装置１７１は、測定されたスペクトルデータに、ノイズ成分の除去、信号の規格化等の処理をしたデータを入力データとして判定処理を実行する。

格納部１８０に格納された学習済みモデル１９０は、判定部２１０としての処理装置１７１が判定処理を実行する場合に参照される。格納部１８０は、処理装置１７１に内蔵してもよいし、処理装置１７１に接続された記憶媒体であってもよい。あるいは、格納部１８０は、処理装置１７１が通信回線を通じて参照する外部に配置された記憶媒体であってもよい。

判定部２１０において、学習済みモデル１９０は、処理装置１７１を通じて生体試料から測定された入力データが入力された場合に、当該情報に対応する確率が高い判定結果を処理装置１７１に返す。学習済みモデル１９０による判定処理の結果は、入力データに対するがん組織の判定結果として、処理装置１７１を通じてユーザに出力される。

次に、教師データを生成する場合に、また、未知の生体試料に基づく入力データ判定する場合に、前部検出部１５０および後部検出部１６０の少なくとも一方において測定されたスペクトルに対して実行する処理について説明する。

図７は、サンプル１０１から計測されたスペクトルの一例を示す図である。図示のスペクトルを代表スペクトルとして学習する場合は７５６次元になる。しかしながら、このデータを機械学習および学習済みモデルによる判定に用いる場合は、次元を削減することが望ましい。

換言すれば、上記の代表スペクトルから不必要なデータ、生体試料のスペクトルを反映していない成分等を除いた上で、判定処理に附すスペクトルデータの次元を削減して、機械学習等の処理に適した状態にすることにより、最終的な判定精度を向上できる。これらの処理を実行する場合には、代表スペクトルの積分値（スペクトルと横軸に囲まれる領域の面積）が所定値（例えば１）になるような規格化処理を予め実行してもよい。

代表スペクトルに対する処理のひとつとして、サンプル１０１に含まれる生体試料以外のものに由来するスペクトルを除去してもよい。この場合、生体試料以外のものとは、例えば、サンプル１０１を調製する場合に使用した薬品等のスペクトル、サンプル１０１において生体試料を支持する容器を形成するガラスのスペクトル、生体試料において発生する自家蛍光のスペクトル等を含む。

上記の例では、代表スペクトルのうち、測定領域の両端の代表スペクトルを除去しても判定に影響がないと考えられる。そこで、例えば、５００〜６００ｃｍ^−１、又は１７５０〜１７９８ｃｍ^−１の領域を除くことにより、スペクトルデータの次元を削減できる。このように、学習済みモデル１９０は、波長１７５０ｃｍ^−１以上、且つ、６００ｃｍ^−１以下の帯域のスペクトルを機械学習して生成してもよい。同様に、判定装置１００が判定の対象とするスペクトルも、波長１７５０ｃｍ^−１以上、且つ、６００ｃｍ^−１以下に限ってもよい。

明らかに生体試料のものではないスペクトルの一例として、生体試料の調製過程でパラフィンのスペクトルがあげられる。代表スペクトルからパラフィンのピーク領域を除く処理によりスペクトルデータのＳ／Ｎ比を向上できると共に、学習する場合の次元を削減できる。

図７に示したスペクトルを例にあげると、スペクトルの両端に位置する８７本のスペクトルと、サンプル１０１の調製に使用したパラフィンのピーク領域に相当する下記の２８本のスペクトルとを除去することにより、当初７５６次元あったスペクトルデータを６４１次元まで削減できる。

８８８ｃｍ^−１として、 ８８６〜 ８９１ｃｍ^−１に位置する４本
１０６１ｃｍ^−１として、１０５７〜１０６４ｃｍ^−１に位置する５本
１１３１ｃｍ^−１として、１１２８〜１１３５ｃｍ^−１に位置する５本
１２９３ｃｍ^−１として、１２８７〜１３０１ｃｍ^−１に位置する９本
１３６６ｃｍ^−１として、１３６３〜１３７０ｃｍ^−１に位置する５本

このように、生体試料以外のスペクトルを除去することにより、最終的な判定精度を向上できる。また、判定の対象となるスペクトルデータの次元を削減することにより、判定に対する処理装置１７１の処理負荷を軽減すると共に、処理速度を向上できる。

図８は、図７に示した代表スペクトルを波数方向に１０本ずつ平均化することにより、次元を１０分の１にした例を示す。図示のように、上記の段階で６４１次元まで削減されたスペクトルは、更に６４次元まで削減される。

更に、上記のようにして得られた代表スペクトルには、判定するには不適切なデータが含まれる場合がある。不適切なスペクトルの例としては、自家蛍光強度のスペクトルが大きすぎるデータがあげられる。また、不適切なスペクトルの他の例として、生体試料由来のスペクトルが小さすぎるデータもあげられる。

図９は、自家発光強度のスペクトルが大きすぎる場合の例を示す図である。図示の例では、乳がん、肺がん１、肺がん２、結腸がん１、結腸がん２の５種類の生体試料について１２５本のスペクトルを測定した。５００〜１８００ｃｍ^−１の領域について自家蛍光のスペクトルの積分値を求め、点線Ａで示すように、積分値１８００００を境界として、それ以上となる代表スペクトルを除去した。

図１０は、生体試料から発生したラマン散乱光のスペクトルが小さすぎる場合の例を示す図である。図示の例では、乳がん、肺がん１、肺がん２、結腸がん１、結腸がん２の５種類の生体試料について１２５本のスペクトルを測定した。５００〜１８００ｃｍ^−１の領域について、生体試料由来のスペクトルの積分値を求め、点線Ｂで示すように、積分値１００００を境界として、それ以下になる代表スペクトルを除去した。この処理により、代表スペクトルデータの次元は３３３まで削減された。

上記の処理により、生体試料由来のスペクトルとノイズとの分離が難しく、判定精度の向上に寄与しない測定データが削除される。なお、削除したスペクトルに替えて、他の関心領域を設定して全スペクトルを測定し直してもよい。

上記のような測定スペクトルに対する処理は、学習済みモデルを生成する場合に使用する教師データを作成する場合にも、生体試料を含むサンプル１０１を判定する場合にも、同様に実行される。よって、がんであることが既知のがん組織、あるいは、原発巣が既知であるがん組織を用いて学習済みモデルを生成して、判定装置１００の格納部１８０に格納しておくことにより、生体試料を含むサンプル１０１が判定に供された場合に、判定装置１００は、当該サンプル１０１に含まれる生体試料ががんであるか否か、あるいは、当該がん組織の原発巣は何かを判定する。
［実験例１］

図８に示したように、１０本ずつ平均化することにより次元を削減したスペクトルデータと、次元を削減する前のスペクトルデータとを用いて、結腸がんを原発巣とする生体試料の判定結果を２つの生体試料について比較した。下記の通り、次元の削減による判定率の変化は僅かであることが判った。なお、判定率は、全判定件数に対して判定結果が正しかった割合を示す。

生体試料１；
平均化前：８４．５％
（Ｐｅａｋｓ：１６６５ｃｍ^−１、１４０６ｃｍ^−１、１５８１ｃｍ^−１、１００４ｃｍ^−１）
平均化後：８５．５％
（Ｐｅａｋｓ：１３５０ｃｍ^−１、１６１４ｃｍ^−１、１３６７ｃｍ^−１、１５９８ｃｍ^−１）
生体試料２；
平均化前：９４％
（Ｐｅａｋｓ：１０３６ｃｍ^−１、１２８２ｃｍ^−１、１４３０ｃｍ^−１、８７８ｃｍ^−１）
平均化後：９５％
（Ｐｅａｋｓ：１４５０ｃｍ^−１、１２６６ｃｍ^−１、７２１ｃｍ^−１、１４３４ｃｍ^−１）
なお、上記の「Ｐｅａｋｓ」は、各スペクトルの位置における強度の値を示す。上記の例では、１６６５ｃｍ^−１、１４０６ｃｍ^−１、１５８１ｃｍ^−１、１００４ｃｍ^−１の４つのスペクトルの強度を使用して２つの強度比を作り、２次元の散布図を作成して線形判別分析を行った。

［実験例２］
乳がん、肺がん１、肺がん２、結腸がん１、結腸がん２の５種類の生体試料を含むことが既知であるサンプル１０１について、関心領域の代表スペクトルを合計１２５本取得した。個々の関心領域は１０μｍ×１０μｍとし、関心領域内を１μｍ間隔で１２１点のスポットに励起光を５秒ずつ照射して、関心領域ごとに１２１のスペクトルを得た。更に、各関心領域について、スペクトルの和を１２１で除して、当該関心領域の代表スペクトルとした。こうして、図９、１０に示したように、１２５本の代表スペクトルを得た。

更に、各代表スペクトルの積分値が１になるように規格化した後、先に説明した通り、スペクトルの両端に位置する５００〜６００ｃｍ^−１、および、１７５０〜１７９８ｃｍ^−１の領域と、パラフィンのピーク領域とを除いて、スペクトルデータの次元を７５６次元から６４１次元まで次元を削減した。更に、データを１０本ずつ平均化することにより、次元を６４次元まで削減した。

続いて、図９に示したように、１２５本の代表スペクトルのそれぞれについて、自家蛍光のスペクトルの５００〜１８００ｃｍ^−１の領域について積分値を求め、１８００００以上となる代表スペクトルを除去した。更に、図１０に示したように、生体試料由来のスペクトルの５００〜１８００ｃｍ^−１の領域について積分値を求め、１００００以下となる代表スペクトルを除去した。これらの処理により、代表スペクトルは３３３本まで削減された。

これら３３３本の代表スペクトルのうちの２８３本を、原発巣に関する情報を含む教師データとして、図４に示したニューラルネットワークに学習させ、学習済みモデル１９０を生成した。生成した学習済みモデル１９０を格納部１８０に格納して、残りの５０本の代表スペクトルに対する判定を、判定装置１００に実行させた。その結果、原発巣の判定率は、９２％であった。

［実験例３］
結腸がんを含む生体試料と、当該生体試料の作成にために切り出した切片のうち、がん細胞が含まれた領域に隣接した正常組織の生体試料とを使用して、実験例２と同様の手順で訓練用データとテスト用データを準備した。図１１は、図９に示した場合と同様に、５００本の代表スペクトルのそれぞれについて、自家蛍光のスペクトルの５００〜１８００ｃｍ^−１の領域について積分値を求めた結果を示す図である。図示のデータから、積分値が１８００００以上となる代表スペクトルを除去した。更に、図１０に示した場合と同様に、生体試料由来のスペクトルの５００〜１８００ｃｍ^−１の領域について積分値を求め、１００００以下となる代表スペクトルを除去した。

こうして削減したデータから５０本をテスト用データとして判定したところ、判定率は９０．２％であった。このように、判定装置１００は、生体試料にがん組織が含まれるか否かも判定できる。

図１２は、サンプル１０１から全スペクトルを測定する他の方法を例示する図である。この方法では、関心領域全域に対して強度が均一な励起光を照射してラマンスペクトルを測定する方法である。「照射領域が均一に分散する」とは、照射領域が実質的に偏りなく分布することを意味し、均一に分散しているか否かは、分散の均一性を評価する公知の方法で確認できる。

例えば、関心領域を、面積の等しいｎ個の領域（ｎは２以上の任意の整数）に分割したとき、分割された各領域に含まれる照射領域の数又は面積が実質的に等しい状態をいう。全スペクトルは、関心領域の面積にもよるが、例えば、関心領域あたり５０本以上、６０本以上、７０本以上、８０本以上、９０本以上、又は１００本以上取得してもよい。また、測定結果は、関心領域内のすべての測定結果を合計してもよいし、更に、それを照射本数で除した平均スペクトルを用いてもよい。

また、スペクトルデータの次元を削減する方法としては、クラスタリング等の公知の他の方法を用いることもできる。図１３および図１４は、クラスタリングによる代表スペクトルデータの次元の削減を示す。図１３には、代表スペクトルにおける７５６本のピークが示される。これを、５０個のクラスタに分類して、各クラスタを１のピークに置き換えることにより、図１４に示すように、スペクトルを５０次元まで削減できた。クラスタリングは、同じ性質のピークをクラスタとして平均化するので、単純な平均化よりも、生体試料の特性を反映しつつスペクトルを削減できる。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、請求の範囲の記載から明らかである。

請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１００ 判定装置、１０１ サンプル、１１０ ステージ、１１１ ステージスキャナ、１２０ 対物光学系、１２１ 前側対物レンズ、１２２ 後側対物レンズ、１３０ 光源装置、１３１、１３２ 光源、１３９ コンバイナ、１４０ 照射光学系、１４１ ガルバノスキャナ、１４２ スキャンレンズ、１４３ 一次像面、１４４ 反射鏡、１４５ コリメートレンズ、１５０ 前部検出部、１５１ ダイクロイックミラー、１５２、１５３、１６２、１６３ リレーレンズ、１５４、１６４ 帯域通過フィルタ、１５５、１６５ 分光器、１６０ 後部検出部、１６１ 反射鏡、１７０ 制御部、１７１ 処理装置、１７２ マウス、１７３ キーボード、１７４ 表示部、１８０ 格納部、１９０ 学習済みモデル、２００ ニューラルネットワーク、２０１ 入力層、２０２ 隠れ層、２０３ 出力層、２１０ 判定部、３００ 細胞、３０１ 細胞核、３１０ 関心領域、３２０ 単位領域

Claims (16)

1. 未知の生体試料の分光スペクトルを測定する測定部と、
   既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成された学習済みモデルを参照し、前記測定部が測定した生体試料の分光スペクトルに基づく入力データから、前記生体試料に含まれるがん組織を判定する判定部と、
   を備える判定装置。
2. 前記教師データは、前記がん組織の原発巣に関する情報を含む請求項１に記載の判定装置。
3. 前記教師データは、正常組織から測定した分光スペクトルを更に含む請求項１または２に記載の判定装置。
4. 前記学習済みモデルは、波長１７５０ｃｍ^−１以上、且つ、６００ｃｍ^−１以下の帯域の分光スペクトルを機械学習して生成される請求項１から３のいずれか一項に記載の判定装置。
5. 前記学習済みモデルは、分光スペクトルを測定する対象である関心領域の一部である複数の単位領域毎に励起光を少なくとも１回照射して測定された分光スペクトルの、前記関心領域における総和に対応する情報を含む請求項１から４のいずれか一項に記載の判定装置。
6. 前記学習済みモデルは、分光スペクトルを測定する対象である関心領域の一部である複数の単位領域毎に励起光を少なくとも１回照射して測定された分光スペクトルの、前記関心領域における相加平均に対応する情報を含む請求項１から４のいずれか一項に記載の判定装置。
7. 前記学習済みモデルは、分光スペクトルを測定する対象である関心領域全体に均一に分散して照射した励起光により得られる全スペクトルの和に対応する情報を含む請求項１から４のいずれか一項に記載の判定装置。
8. 前記学習済みモデルは、分光スペクトルを測定する対象である関心領域全体に均一に分散して照射した励起光により得られる全スペクトルの和を、分光スペクトルの数で除した平均スペクトルに対応する情報を含む請求項１から４のいずれか一項に記載の判定装置。
9. 前記学習済みモデルは、前記既知のがん組織から測定した分光スペクトルから、前記がん組織を収容した容器の分光スペクトルおよび前記がん組織の自家蛍光スペクトルを除去した分光スペクトルから機械学習して生成される請求項１から８のいずれか一項に記載の判定装置。
10. 前記教師データは、フォトブリーチにより自家蛍光を減少させた後に測定した分光スペクトルから機械学習して生成される請求項９に記載の判定装置。
11. 前記教師データおよび前記入力データは、分光スペクトルの積分値が予め定めた値になるように規格化されている請求項１から１０のいずれか一項に記載の判定装置。
12. 前記学習済みモデルは、次元を削減した前記分光スペクトルのデータから機械学習して生成される請求項１から１１のいずれか一項に記載の判定装置。
13. 前記学習済みモデルは、ニューラルネットワーク、サポートベクターマシン、決定木、ベイジアンネットワーク、線形回帰、多変量解析、ロジスティック回帰分析、および判定分析の少なくとも一つの手法により機械学習して生成される請求項１から１２のいずれか一項に記載の判定装置。
14. 前記判定部は、自家蛍光スペクトルの積分値が予め定めた上限値よりも高い分光スペクトル、および、自家蛍光スペクトルの積分値が予め定めた下限値よりも低い分光スペクトルを除いた分光スペクトルを前記学習済みモデルとして参照する請求項１から１３のいずれか一項に記載の判定装置。
15. 未知の生体試料の分光スペクトルを測定する工程と、
    既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成した学習済みモデルを参照し、前記生体試料から測定した分光スペクトルに基づく入力データから、前記生体試料に含まれるがん組織を判定する工程と、
    を含む判定方法。
16. 既知のがん組織から測定した分光スペクトルを含む教師データを学習して生成した学習済みモデルを参照しつつ、未知の生体試料から測定した分光スペクトルに対応する入力データに基づいて前記生体試料に含まれるがん組織を判定するステップを電子計算機に実行させる判定プログラム。

Images