JPWO2020152953A1 - 判別装置、細胞塊の判別方法、及びコンピュータプログラム - Google Patents

Abstract

細胞塊を判別する判別装置は、細胞塊の特徴を示す少なくとも１つの指標からなる所定の指標についての第１の細胞塊に係る指標と、前記第１の細胞塊の状態が第１の状態であるか又は前記第１の状態とは異なる第２の状態であるかを示す情報と、が対応付けられた学習用データに基づいて機械学習がなされた学習済みモデルを記憶する記憶部と、前記所定の指標についての第２の細胞塊に係る指標を取得する画像解析部と、前記第２の細胞塊に係る指標を前記学習済みモデルに基づいて、前記第２の細胞塊の状態が前記第１の状態であるか又は前記第２の状態であるかを判別する判別処理部と、を備える。

Description

本発明は、判別装置、細胞塊の判別方法、及びコンピュータプログラムに関する。
本願は、２０１９年１月２３日に、日本に出願された特願２０１９−００９３８４号に基づき優先権を主張し、その内容をここに援用する。

昨今、生体内の組織あるいは臓器に極めて似た立体構造体であるオルガノイドの培養に関する研究が進んでいる。例えば非特許文献１には、培養されたオルガノイドの画像から特徴量を抽出して解析を行うことにより、フェノタイプを分類する技術が記載されている。培養されたオルガノイドを解析することによって、例えば、組織再生、幹細胞、幹細胞ニッチの機能、薬剤に対する組織反応、及び突然変異や組織損傷等の様々な生理病理学的な状態についての検討をより正確に行うことが可能になる。

ところで、オルガノイドの解析においては、正常に成長したオルガノイドのみを用いなければならない。正常なオルガノイドを効率よく培養するためには、成育する段階において、細胞塊がオルガノイドになる前駆体であるか否かについての判別を精度よく行い、オルガノイドになると見込まれる前駆体のみを予め選別することが望ましい。

M. A. Borten, at el., "Automated brightfield morphometry of 3D organoid populations by OrganoSeg," Scientific Reports, s41598-017-18815-8, Nature, 28 March 2018.

しかしながら、従来、例えば腸管オルガノイドの培養においては、細胞塊がオルガノイドになる前駆体であるか否かについての判別は、専門家による目視での判断に基づく場合が多かった。そのため、専門家がいなければこの判別を行うことができないという課題があった。さらには、専門家による定性的な判断に基づく判別であることによって、判別結果にバラつきが生じる場合があるという課題があった。ところで、オルガノイドを用いたドラッグスクリーニングを実施する場合には、オルガノイドが大量に使用されることが考えられる。また、ドラッグスクリーニングに使用する場合には、特定の薬剤への結果の再現性や感度の安定性が求められることから、均質なオルガノイドが必要となる。このため、ドラッグスクリーニングに用いるオルガノイドには安定した品質のオルガノイドが必要であり、そのためには専門家等の手技による差なくオルガノイド前駆体であるか否かについての判別を定量的に行うことができる技術が必要とされている。

本発明は、上記のような技術的背景に鑑みてなされたものであり、細胞塊がオルガノイドになる前駆体であるか否かについての判別を定量的に行うことができる技術を提供することを目的とする。

本発明の一態様は、上記の判別装置であって、前記第１の状態はバディングの状態であり、前記第２の状態はシストの状態である。

本発明の一態様は、上記の判別装置であって、前記所定の指標は、前記細胞塊の色の濃さを表す指標を含む。

本発明の一態様は、上記の判別装置であって、前記所定の指標は、前記細胞塊の形状の複雑さを表す指標を含む。

本発明の一態様は、上記の判別装置であって、前記機械学習は、前記所定の指標を説明変数としたロジスティック関数の偏回帰係数を決定するための学習である。

本発明の一態様は、上記の判別装置であって、前記画像解析部に、前記第２の細胞塊が撮像された画像を送達する画像取得部
をさらに備える。

本発明の一態様は、上記の判別装置であって、前記画像解析部は、前記画像に対してＣａｎｎｙ法により前記第２の細胞塊のエッジを検出し、検出された前記エッジの数に基づいて前記細胞塊の形状の複雑さを表す指標を計測する。

本発明の一態様は、コンピュータにより実行させる細胞塊の判別方法であって、細胞塊の特徴を示す少なくとも１つの指標からなる所定の指標についての第１の細胞塊に係る指標と、前記第１の細胞塊の状態が第１の状態であるか又は前記第１の状態とは異なる第２の状態であるかを示す情報と、が対応付けられた学習用データに基づいて機械学習がなされた学習済みモデルを取得するステップと、前記所定の指標についての第２の細胞塊に係る指標値を取得するステップと、取得した前記第２の細胞塊に係る指標を前記学習済みモデルに基づいて、前記第２の細胞塊の状態が前記第１の状態であるか又は前記第２の状態であるかを判別するステップと、を有する細胞塊の判別方法である。

本発明の一態様は、コンピュータによる実行時、請求項８の細胞塊の判別方法をコンピュータに実行させる指示を備えるコンピュータプログラムである。

本発明の一態様である判別装置は、細胞塊がオルガノイドになる前駆体であるか否かについての判別を定量的に行うことができる。

図１は、オルガノイドの培養の流れを示す模式図である。 図２は、本発明の実施形態に係る判別装置によって用いられる５つの指標を説明するための図である。 図３は、本発明の実施形態に係る判別装置の機能構成を示すブロック図である。 図４は、本発明の実施形態に係る判別装置によって出力される指標の一例を示す図である。 図５は、本発明の実施形態に係る判別装置によって出力される指標のその他の例を示す図である。 図６は、図３に係る判別装置１の学習部１０の動作を示すフローチャートである。 図７は、図３に係る判別装置１の判別部２０の動作を示すフローチャートである。

以下、本発明の実施形態（以下、「本実施形態」ともいう）について、図面を参照しながら説明するが、本発明は以下の実施形態に何ら限定されるものではない。

以下に説明する本実施形態に係る判別装置は、オルガノイドを培養するための細胞塊の成育状態に基づいて、当該細胞塊がオルガノイドになる前駆体であるか否かを判別するための装置である。まず、本実施形態におけるオルガノイドの培養、及び上記判別の流れについて説明する。

図１は、オルガノイドの培養の流れを示す模式図である。まず、ウェルプレートｗｐが有する複数の（図１に示す例においては１２個の）ウェルｗ内には、ニッチ因子を含む培地が予め用意される。次に、細胞塊（例えば、腸管上皮幹細胞を含む細胞塊）が、ウェルｗ内に格納される。これにより、各ウェルｗ内において細胞塊がそれぞれ成育され、オルガノイドの培養が行われる。１つのウェルｗにはオルガノイドになりうる細胞塊を複数存在することができる。

各ウェルｗ内は、撮像装置（図示せず）によって撮像することができる。撮像された画像は、細胞塊の単位で分割され、分割された画像はそれぞれ解析対象の画像（以下、「解析対象画像」という。）になる。具体的な画像の分割方法の一例としては、例えば次のとおりである。まず、撮像された各ウェルｗ内の画像において、オルガノイドになりうる細胞塊に相当する複数の範囲が複数のＲＯＩ（Region of Interest；関心領域）として認識される。これは、例えば、ＯｐｅｎＣＶ−Ｐｙｔｈｏｎライブラリを用い、適切な閾値が設定されることによって行われる。そして、認識されたＲＯＩごとに画像を分割することにより、複数の解析対象画像が生成される。

判別装置は、解析対象画像を取得し、当該解析対象画像に対して画像解析部にて画像解析を行う。画像解析としては、解析対象画像に対して、例えば、図２に示す５つの指標の測定を行う。

図２は、画像解析に用いられる指標の一例を示す。図２では、画像解析は、取得した解析対象画像に写っている細胞塊に対して、サイズ（Ｓｉｚｅ）、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）、色の濃さ（Ｄａｒｋｎｅｓｓ）、アスペクト（Ａｓｐｅｃｔ）、及び凹凸度（Ｒｏｕｇｈｎｅｓｓ）の５つの指標を測定して解析する。そして、画像解析部は、測定された指標に基づいて、解析対象画像に写る細胞塊が、オルガノイドになる前駆体であるか否かを判別する。

一般的に、オルガノイドは、バディング（Ｂｕｄｄｉｎｇ；出芽）が発生していること（以下、「バディングの状態」という。）に基づいて、細胞塊がオルガノイドになる前駆体であると判別することが可能であることが知られている。細胞塊がオルガノイドになる前駆体である場合には、ひだ状の構造の組織が成長して形状が複雑化していくという特徴があるため、これにより判別を行うことができる。上記の５つの指標は、例えば、このような腸管オルガノイドの特徴に基づいて選定された指標である。

画像解析部は、測定された５つの指標に基づいて、バディングの状態であるか、あるいは、バディングの状態とは逆の状態に相当するシスト（Ｃｙｓｔ；嚢胞）の状態であるか（すなわち、解析対象画像に写る細胞塊がオルガノイドになる前駆体であるか否か）についての画像解析を行う。

具体的には、画像解析部は、予め機械学習によって生成した学習済みモデルに対して上記の５つの指標を入力することにより、バディングの状態である確率を示すバディングレート（Ｂｕｄｄｉｎｇ Ｒａｔｅ）の値を算出する。判別処理部は、バディングレートの値に基づいてバディングの状態であるか、あるいはシストの状態であるかを判別する。なお、判別処理部は、例えば、バディングレートの値が所定の閾値を超えている否かに基づいて、バディングの状態であるか、あるいはシストの状態であるかを判別する。

上記５つの指標の具体的な測定方法として、例えば、以下のような測定方法が用いられる。

サイズ（Ｓｉｚｅ）の測定は、例えば、解析対象画像のＲＯＩにあたる領域の画素数を計測することによって行われる。すなわち、サイズ（Ｓｉｚｅ）は、細胞塊の大きさを表す指標である。一般に、オルガノイドになる前駆体は大きさが大きくなっていくことから、サイズ（Ｓｉｚｅ）の値が大きいほど、よりバディングの状態であると判別されやすくなる。

円形度（Ｃｉｒｃｕｌａｒｉｔｙ）の測定は、例えば、以下に示す（１）式を計算することによって行われる。

円形度＝４πＳ／（Ｐｅｒ）２ ・・・（１）

ここで、Ｓは、解析対象画像のＲＯＩの直径（又は半径）を表す。また、Ｐｅｒは、解析対象画像のＲＯＩの円周長を表す。すなわち、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）は、細胞塊の形状がどの程度、円形に近似しているかを表すパラメータである。（１）式によって、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）は、０から１までの間の値によって表される。例えば、細胞塊の外周の形状が真円であるならば、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）の値は１になる。一方、オルガノイドの外周の形状が複雑であるほど、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）の値はより０に近くなる。一般に、オルガノイドになる前駆体は外周の形状が複雑に成長していくことから、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）の値が小さいほど、よりバディングの状態であると判別されやすくなる。

色の濃さ（Ｄａｒｋｎｅｓｓ）の測定は、例えば、以下に示す（２）式を計算することによって行われる。

色の濃さ＝Ｂｏ−Ｂｉ ・・・（２）

ここで、Ｂｏは、ＲＯＩの周辺の（例えば２５６階調の）輝度の平均値を表す。また、Ｂｉは、ＲＯＩの内部（すなわち、細胞塊の内部）の（例えば２５６階調の）輝度の平均値を表す。すなわち、色の濃さ（Ｄａｒｋｎｅｓｓ）は、ＲＯＩの内部の輝度とＲＯＩの周辺の輝度との差によって表される。一般に、オルガノイドになる前駆体は３次元に厚みが増すように成長する。これにより、ＲＯＩの内部において光の透過率が減少することから、色の濃さ（Ｄａｒｋｎｅｓｓ）の値が大きいほど、よりバディングの状態であると判別されやすくなる。

アスペクト（Ａｓｐｅｃｔ）の測定は、例えば、解析対象画像に含まれるＲＯＩにおいて、最も長い軸（最長軸）と最も短い軸（最短軸）とを計測し、最長軸の長さを最短軸の長さで除算することによって行われる。すなわち、アスペクト（Ａｓｐｅｃｔ）の値は、例えば、アスペクト＝最長軸長／最短軸長、の式によって算出される。一般に、オルガノイドの前駆体は形状が複雑に成長していくことから、腸管オルガノイドの場合、アスペクト（Ａｓｐｅｃｔ）の値が大きいほど、よりバディングの状態であると判別されやすくなる。

凹凸度（Ｒｏｕｇｈｎｅｓｓ）の測定は、例えば、ＲＯＩのエッジ（Ｅｄｇｅ）を検出し、検出されたエッジの数を計測することによって行われる。エッジの検出には、例えばＣａｎｎｙ法等の手法を用いることができる。一般に、オルガノイドになる前駆体は形状が複雑に成長していくことから、凹凸度（Ｒｏｕｇｈｎｅｓｓ）の値が大きいほど、よりバディングの状態であると判別されやすくなる。

なお、図２においては、上記５つの指標を用いるものとしたが、これに限られるものではなく、用いられる指標の数は任意である。用いられる指標の数が多いほど、より正確に、解析対象画像に写る前駆体が、正常なオルガノイドに成長する前駆体であるか否かを判別することが可能になることが予想されるが、その一方で、指標の測定等に係るコストがより増大することが予想される。

なお、図２に示す指標は、細胞塊が腸管オルガノイドになる前駆体であるか否かを判別するために有効な指標として選定されたものである。そのため、オルガノイドの培養の対象となる臓器が腸管ではなく他の臓器等である場合には、培養の対象となる臓器等に対して適切なパ指標を選定すればよい。なお、細胞塊が腸管オルガノイドになる前駆体であるか否かを判別する場合においては、特に、色の濃さ（Ｄａｒｋｎｅｓｓ）及び凹凸度（Ｒｏｕｇｈｎｅｓｓ）の指標を重視することが好ましい。

［判別装置の機能構成］
以下、本実施形態の判別装置の機能構成について説明する。
図３は、本実施形態の判別装置１の機能構成を示すブロック図である。

図３に示すように、判別装置１は、学習部１０と、判別部２０と、を含んで構成される。なお、本実施形態においては、学習部１０と判別部２０とがともに判別装置１が備える機能部であるものとしたが、この構成に限られるものではなく、学習部１０と判別部２０とは別々の装置にそれぞれ含まれる機能部であっても構わない。

図３に示すように、学習部１０は、教師データ取得部１０１と、画像解析部１０２と、学習処理部１０３と、学習済みモデル出力部１０４と、を含んで構成される。

教師データ取得部１０１は、機械学習を行うために予め用意された複数の（例えば、数百から数千程度の）教師データを外部の装置から取得する。本実施形態における教師データとは、細胞塊の画像（以下、「教師画像」という。）と、当該細胞塊がオルガノイドになる前駆体であるか否かについての判別結果と、が対応付けられたデータである。すなわち、教師画像とは、オルガノイドになる前駆体であるか否かについて既知である細胞塊の画像である。

各教師データは、例えば、専門家が、画像に写っている細胞塊を見て、オルガノイドになる前駆体であるか否かを目視で判別し、画像に対して判別結果を対応付けることによって生成される。教師データ取得部１０１は、取得した教師データを画像解析部１０２へ出力する。

画像解析部１０２は、教師データ取得部１０１から出力された教師データを取得する。
画像解析部１０２は、教師データに含まれる教師画像に対して画像解析を行う。本実施形態においては、画像解析部１０２が行う画像解析とは、上述した５つのパラメータ（サイズ（Ｓｉｚｅ）、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）、色の濃さ（Ｄａｒｋｎｅｓｓ）、アスペクト（Ａｓｐｅｃｔ）、及び凹凸度（Ｒｏｕｇｈｎｅｓｓ））等のパラメータ値をそれぞれ測定することである。画像解析部１０２は、教師画像に対して測定された５つのパラメータ値と、当該教師画像に対応付けられた判別結果と、を対応付けたデータ（以下、「解析済み教師データ」という。）を学習処理部１０３へ入力する。

画像解析部１０２は、取得した教師画像を、予め機械学習がなされたＣＮＮ（Convolution Neural Network；畳み込みニューラルネットワーク）に入力し、当該ＣＮＮによって出力されたデータ（例えば、特徴マップ、特徴量等）に対して解析を行うことで、上記のパラメータ値を得ることができる。

学習処理部１０３は、画像解析部１０２から出力された、解析済み教師データを取得する。学習処理部１０３は、解析済み教師データを用いて機械学習を行うことにより、学習済みモデルを生成する。学習処理部１０３は、学習済みモデル出力部１０４を介して、生成した学習済みモデルを判別部２０の後述する記憶部２０１に記憶させる。

学習処理部１０３によって行われる機械学習とは、具体的には、ロジスティック回帰において、例えば上記の５つの指標を説明変数としたロジスティック関数の偏回帰係数を決定するための学習である。ロジスティック関数σ（ｔ）は、以下の（３）式によって表される。

σ（ｔ）＝１／（１＋ｅ−ｔ） ・・・（３）

ここで、ｔは、以下の（４）式によって表される。

ｔ＝ｗ１ｘ１＋ｗ２ｘ２＋ｗ３ｘ３＋ｗ４ｘ４＋ｗ５ｘ５＋ｂ ・・・（４）

ここで、ｘ１、ｘ２、ｘ３、ｘ４、ｘ５は、説明変数であり、測定された上記の５つのパラメータ値が代入される。また、ｗ１、ｗ２、ｗ３、ｗ４、ｗ５、及びｂは、機械学習の対象となる偏回帰係数を表す。

次に、判別部２０について説明する。図３に示すように、判別部２０は、記憶部２０１と、解析対象画像取得部２０２と、画像解析部２０３と、判別処理部２０４と、を含んで構成される。

記憶部２０１は、学習済みモデル出力部１０４によって生成された学習済みモデルを記憶する。当該学習済みモデルは、上述したように、解析対象画像のＲＯＩの特徴（すなわち、細胞塊の特徴）を表す少なくとも１つの指標からなる所定のパラメータ（例えば、サイズ（Ｓｉｚｅ）、円形度（Ｃｉｒｃｕｌａｒｉｔｙ）、色の濃さ（Ｄａｒｋｎｅｓｓ）、アスペクト（Ａｓｐｅｃｔ）、及び凹凸度（Ｒｏｕｇｈｎｅｓｓ）の５つのパラメータ）についての、教師画像に写った細胞塊（第１の細胞塊）に係る指標と、教師画像に写った細胞塊の状態が、バディングの状態（第１の状態）であるか又はシストの状態（第２の状態）であるかを示す情報と、が対応付けられた解析済み教師データ（学習用データ）に基づいて機械学習がなされている。

記憶部２０１は、例えば、ＲＡＭ（Random Access Memory；読み書き可能なメモリ）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、及びＨＤＤ（Hard Disk Drive）等の記憶媒体、又はこれらの記憶媒体の任意の組み合わせによって構成される。

なお、図３では、判別部２０が記憶部２０１を備える構成であるものとしたが、これに限られるものではなく、学習部１０が記憶部２０１を備える構成であってもよい。あるいは、判別装置１とは異なる外部の装置が記憶部２０１を備え、外部の装置に学習済みモデルが記憶される構成であってもよい。

解析対象画像取得部２０２は、少なくとも１つの解析対象画像を外部の装置から取得する。解析対象画像取得部２０２は、例えば、図１に示したウェルプレートｗｐの各ウェルｗ内が撮像されたそれぞれの画像がＲＯＩごとにそれぞれ分割されることによって生成された、全ての解析対象画像を取得する。解析対象画像取得部２０２は、取得した解析対象画像を画像解析部２０３へ出力する。

図３では、解析対象画像取得部２０２は解析対象画像を外部の装置から取得する構成であるものとしたが、これに限られるものではなく、例えば、ウェルｗ内が撮像された画像を複数の解析対象画像に分割することができる機能部（図示せず）を備える構成であってもよい。さらには、判別装置１が、ウェルｗ内を撮像することができる例えばカメラ等の撮像装置（図示せず）、及び顕微鏡（図示せず）等を備える構成であってもよい。

画像解析部２０３は、解析対象画像取得部２０２から出力された解析対象画像を取得する。画像解析部２０３は、取得した解析対象画像に対して画像解析を行う。本実施形態においては、画像解析部２０３が行う画像解析とは、上述した画像解析部１０２が行う画像解析と同様に、上述した５つの指標を測定することである。画像解析部２０３は、それぞれの解析対象画像に対して測定された５つの指標を、判別処理部２０４へ入力する。

なお、画像解析部２０３は、取得した教師画像を、予め機械学習がなされたＣＮＮに入力し、当該ＣＮＮによって出力されたデータ（例えば、特徴マップ、特徴量等）に対して解析を行うことで、上記の指標を得るようにしてもよい。

なお、本実施形態においては、画像解析部１０２と画像解析部２０３とは、学習部１０と判別部２０とにそれぞれ備えられる別々の機能部であるものとしたが、これに限られるものではない。画像解析部１０２と画像解析部２０３とは、例えば、判別装置１が備える共通の機能部として構成されてもよい。

判別処理部２０４は、画像解析部２０３から出力された指標を取得する。

判別処理部２０４は、当該指標を取得すると、記憶部２０１に記憶された学習済みモデルを読み出す。そして、判別処理部２０４は、上記取得した、解析対象画像に写る細胞塊（第２の細胞塊）に係る指標を、上記読み出した学習済みモデルに入力する。判別処理部２０４は、この入力に応じて当該学習済みモデルから出力されるバディングレートを取得する。判別処理部２０４は、取得したバディングレートに基づいて、解析対象画像に写る細胞塊の状態が、バディングの状態（第１の状態）であるか、又はシストの状態（第２の状態）であるかを判別する。判別処理部２０４は、判別結果を示す情報を外部の装置へ出力する。

判別処理部２０４は、判別結果を示す情報として、バディングの状態であるか又はシストの状態であるかを判別した結果を示す情報に代えて、例えば上記５つの指標、及びバディングレートの値を出力するようにしてもよい。あるいは、判別処理部２０４は、バディングの状態であるか又はシストの状態であるかを判別した結果を示す情報、例えば上記５つの指標、及びバディングレートの値を併せて出力するようにしてもよい。なお、判別処理部２０４は、判別装置１が備える、例えばディスプレイ等の表示部（図示せず）に、判別結果を示す情報を出力するようにしてもよい。

［判別結果の出力例］
以下、判別処理部２０４による判別結果の出力例について説明する。
図４は、本実施形態の判別装置によって出力される情報の一例を示す図である。判別処理部２０４は、例えば、図４に示す出力テーブルＴ１のようなデータ形式で判別結果を示す情報を出力することができる。

図４に示すように、出力テーブルＴ１は、解析対象画像の画像ファイル名（Ｆｉｌｅ Ｎａｍｅ）と、当該解析対象画像が含まれるウェルｗの画像（親画像）の画像ファイル名（Ｐａｒｅｎｔ Ｆｉｌｅ Ｎａｍｅ）と、当該解析対象画像に写っている細胞塊に関する５つの指標と、これら５つの指標を学習済みモデルに入力することによって得られるバディングレート（Ｂｕｄｄｉｎｇ Ｒａｔｅ）の値と、が対応付けられたテーブルである。

図４に示す出力テーブルＴ１は、解析対象画像に含まれるＲＯＩごとの（すなわち、細胞塊ごとの）判別結果を表すテーブルである。また、判別処理部２０４は、例えば、ウェルｗの画像の単位（すなわち、ウェルｗの単位）での判別結果を示す情報を出力することができる。

図５は、本発明の一実施形態に係る判別装置１によって出力される情報のその他の例を示す図である。判別処理部２０４は、例えば、図５に示す出力テーブルＴ２のようなデータ形式で判別結果を示す情報を出力することができる。

図５に示す出力テーブルＴ２は、ウェルｗの画像の画像ファイル名（Ｆｉｌｅ Ｎａｍｅ）と、当該ウェルｗの画像に含まれる複数のＲＯＩの領域それぞれの大きさ（画素数）の平均値（Ｓｉｚｅ）及び標準偏差（Ｓｉｇｍａ）と、当該ウェルｗの画像に含まれる複数の細胞塊の個数（Ｎｕｍｂｅｒ）と、当該ウェルｗの画像に含まれる複数の細胞塊についてそれぞれ得られたバディングレートの平均値（Ｂｕｄｄｉｎｇ Ｒａｔｅ）の値と、が対応付けられたテーブルである。

図５に示す出力テーブルＴ１は、ウェルｗの画像（親画像）の単位（すなわち、ウェルｗの単位）での判別結果を表すテーブルである。なお、判別処理部２０４は、例えば、図１に示したウェルプレートｗｐの単位で、判別結果を示す情報を出力することができる。

［学習部の動作］
以下、学習部１０の動作について説明する。
図６は、図３に係る判別装置１の学習部１０の動作を示すフローチャートである。本フローチャートが示す学習部１０の動作は、機械学習を行うために予め用意された教師データが、教師データ取得部１０１へ入力された際に開始する。

教師データ取得部１０１は、入力された、教師画像と、細胞塊がオルガノイドになる前駆体であるか否かについての判別結果と、が対応付けられたデータである教師データを入力する（ステップＳ１０１）。教師データ取得部１０１は、入力した教師データを画像解析部１０２へ出力する。

画像解析部１０２は、教師データ取得部１０１から出力された教師データを入力する。画像解析部１０２は、教師データに含まれる教師画像に対して画像解析を行い、上述した５つの指標を測定する（ステップＳ１０２）。画像解析部１０２は、教師画像に写る細胞塊に対して測定された５つの指標と、当該教師画像に対応付けられた判別結果と、を対応付けたデータである解析済み教師データを、学習処理部１０３へ出力する。

学習処理部１０３は、画像解析部１０２から出力された解析済み教師データを入力する。学習処理部１０３は、解析済み教師データを用いて機械学習を実行する（ステップＳ１０３）。これにより、学習済みモデルが生成される。学習処理部１０３は、生成された学習済みモデルを、判別部２０の記憶部２０１に出力する（ステップＳ１０４）。以上で図６のフローチャートが示す学習部１０の動作が終了する。

［判別部の動作］
以下、判別部２０の動作について説明する。
図７は、図３に係る判別装置１の判別部２０の動作を示すフローチャートである。本フローチャートが示す判別部２０の動作は、少なくとも１つの解析対象画像が、判別部２０の解析対象画像取得部２０２へ入力された際に開始する。

解析対象画像取得部２０２は、解析対象画像を入力する（ステップＳ２０１）。解析対象画像取得部２０２は、解析対象画像を画像解析部２０３へ出力する。

画像解析部２０３は、解析対象画像取得部２０２から出力された解析対象画像を入力する。画像解析部２０３は、取得した解析対象画像を解析し、上述した５つの指標を測定する（ステップＳ２０２）。画像解析部２０３は、解析対象画像に写る細胞塊に対して測定された指標を、判別処理部２０４へ出力する。

判別処理部２０４は、画像解析部２０３から出力された指標を入力する。判別処理部２０４は、当該指標を入力すると、記憶部２０１に記憶された学習済みモデルを読み出す。そして、判別処理部２０４は、上記取得した、解析対象画像に写る細胞塊に係る指標を、上記読み出した学習済みモデルに入力する。判別処理部２０４は、当該パラメータ値の入力に応じて当該学習済みモデルから出力されるバディングレートの値を取得する。判別処理部２０４は、取得したバディングレートの値に基づいて、解析対象画像に写る細胞塊の状態がバディングの状態であるか又はシストの状態であるか（すなわち、解析対象画像に写る細胞塊がオルガノイドになる前駆体であるか否か）についての判別を実行する（ステップＳ２０３）。

判別処理部２０４は、判別結果を示す情報を、外部の装置へ出力する（ステップＳ２０４）。以上で図７のフローチャートが示す判別部２０の動作が終了する。

＜実施例＞
［実施例１］
以下に実施例を示す。但し、本発明は以下の実施例に何ら限定されるものではない。
１）４８Ｗｅｌｌプレートで腸管オルガノイドを培養した（培養方法については任意であるため、具体的な記載を省略する）。
２）ＫＥＹＥＮＣＥ社製の倒立顕微鏡（ＢＺ−Ｘ７１０）を用いて、４８Ｗｅｌｌプレート中で培養されたオルガノイドの明視野透過像を１ｗｅｌｌずつ撮影した。対物レンズはＣＦＩ Ｐｌａｎ Ａｐｏλ２ｘを使用し、クイックフルフォーカス機能を使用して解像度１９８０×１４４０の画像を取得した。
３）ＯｐｅｎＣＶ−Ｐｙｔｈｏｎライブラリを使用し、適切な閾値を設定することで、オルガノイドを一つずつ認識し、撮影したＷｅｌｌ内の画像からオルガノイド範囲を関心領域（ＲＯＩ）として一つずつ取り出した。
４）（特徴量抽出）取り出したＲＯＩに対して、５つの特徴量（サイズ、真円度、色の濃さ、アスペクト、凸凹度）を下記の通り計算した。

・サイズ（Ｓｉｚｅ）：ＯｐｅｎＣＶ−Ｐｙｔｈｏｎライブラリを使用し、ＲＯＩに含まれる画素の数をカウントした。
・円形度（Ｃｉｒｃｕｌａｒｉｔｙ）：ＲＯＩの直径（又は半径）Ｓ、及び円周長Ｐｅｒから、上記の（１）式に従って計算した。
・色の濃さ（Ｄａｒｋｎｅｓｓ）：ＲＯＩの周辺の輝度の平均値Ｂｏ（２５６諧調）、及びＲＯＩ内部の輝度の平均値Ｂｉ（２５６諧調）から、上記の（２）式に従って計算した。
・アスペクト（Ａｓｐｅｃｔ）：ＲＯＩの長軸及び短軸の中から、最長軸及び最短軸を選択し、（長軸長／短軸長）によって計算した。
・凹凸度（Ｒｏｕｇｈｎｅｓｓ）：ＲＯＩのエッジをＣａｎｎｙ法により検出し、検出されたエッジの数を計算した。

［学習］
５）細胞塊から抽出した５つの特徴量と、当該細胞塊についてのオルガノイドの培養の成否（成を”１”とし、否を”０”とした。）を示す情報とが対応付けられた、細胞塊１０００個分のデータを作成した。そして、当該データに基づいて、上記の（３）式及び（４）式に基づくロジスティック回帰分析を行った。これにより、ロジスティック関数の各偏回帰係数に対して以下のように適切な重みが付与された回帰式を得た。
ｗ１＝０．００１９８
ｗ２＝−５．０３
ｗ３＝０．２６０
ｗ４＝０．１２４
ｗ５＝−０．００７２３
ｂ＝−４２．５

［予測］
６）新たな細胞塊の画像から上記５つの特徴量を抽出し、抽出された特徴量を上記（５）で得た回帰式に代入することで、当該細胞塊についてのオルガノイドの培養の成否の成功確率を算出した。
７）１つのＷｅｌｌに含まれるオルガノイドを集め、オルガノイドの培養の成否の成功確率の算術平均を計算することにより、１つのＷｅｌｌの成功確率として算出した。

［判別精度］
８）上記７）で算出された成功確率と、実際のオルガノイドの培養の成否とに基づいて、正解率を算出した。これにより、８１．１％の正解率を得た。

［実施例２］
９）上記４）に示した実施条件との比較を行うため、上記５つの変数のうち１〜４つの変数のみを用いて、細胞塊１０００個分のデータを用いて上記の（３）式及び（４）に基づくロジスティック回帰分析を行った。この結果、上記４）に示した５つの変数を使用した場合が最も判別精度が高いという結果を得た。

以上説明したように、図３に示しした実施形態に係る判別装置１の判別部２０は、記憶部２０１と、判別処理部２０４と、を含んで構成される。記憶部２０１は、細胞塊の特徴を示す少なくとも１つの指標からなる所定の指標についての、教師画像に写った細胞塊（第１の細胞塊）に係る指標値と、教師画像に写った細胞塊の状態が、バディングの状態（第１の状態）であるか又はシストの状態（第２の状態）であるかを示す情報と、が対応付けられた解析済み教師データ（学習用データ）に基づいて機械学習がなされた学習済みモデルを記憶する。

また、判別処理部２０４は、所定の指標についての、解析対象画像に写った細胞塊（第２の細胞塊）に係る指標を取得し、入力した解析対象画像に写った細胞塊に係るパラメータ値を記憶部２０１に記憶された学習済みモデルに入力することに応じて出力されるバディングレートに基づいて、解析対象画像に写った細胞塊の状態が、バディングの状態（第１の状態）であるか、又はシストの状態（第２の状態）であるかを判別する。

上記のような構成を備えることによって、上述した実施形態に係る判別装置１は、細胞塊がオルガノイドになる前駆体であるか否かについての判別を、定量的に行うことができる。

また、図３に示した実施形態に係る判別装置１は、専門家の目視による判別とは異なり、細胞塊がオルガノイドになると見込まれる前駆体であるか否かを、学習済みモデルを用いて自動的に判別することができる。これにより、本実施形態に係る判別装置によれば、上記の判別を行うことができる専門家がその場にいない状況であったとしても、細胞塊がオルガノイドになる前駆体であるか否かについての判別を容易に行わせることができる。また、本実施形態に係る判別装置は、上記の判別を学習済みモデルにより自動的に行うことができるため、より高速に、かつ、より低コストに判別を行うことができる。

また、図３に示した実施形態に係る判別装置１は、学習済みモデルを用いて自動的に判別を行うことができるため、例えば、ウェルｗ内に大量に含まれるオルガノイドに対して判別を行う場合であっても、より短時間に判別を行うことができる。

また、図３に示した実施形態に係る判別装置１は、細胞塊がオルガノイドになる前駆体であるか否かについての判別を定量的に行うことができるため、例えばバディングレートの値の平均値を算出することによって、ウェルｗの単位、あるいは、ウェルプレートｗｐの単位での判別を行うこともできる。

また、図３に示した実施形態に係る判別装置１は、細胞塊がオルガノイドになる前駆体であるか否かを学習済みモデルにて判別するため、例えば非特許文献１に記載の技術のように多種類の指標の測定を必要とする従来技術と比較して、より少ない指標を用いて判別を行うことができる。これにより、指標の測定に係るコスト及び時間を削減することができる。

なお、図３に示した実施形態においては、判別装置１は、細胞塊がオルガノイドになる前駆体であるか否かを判別する装置であるものとしたが、これに限られるものではない。図３に示した判別装置１は、例えば、培養されたオルガノイドを収穫するタイミングを判断するために行われる細胞塊の状態の判別、あるいは、収穫されたオルガノイドが正常に成長したオルガノイドであるか否かについての判別等に適用することもできる。

なお、図３に示した実施形態における判別装置１の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、判別装置１に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信回線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

また、図３に示した実施形態における判別装置１を、ＬＳＩ（Large Scale Integration）等の集積回路として実現してもよい。判別装置１の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

以上、図面を参照して本発明の実施形態を説明してきたが、上記実施形態は本発明の例示に過ぎず、本発明が上記実施形態に限定されるものではないことは明らかである。したがって、本発明の技術思想及び要旨を逸脱しない範囲で構成要素の追加、省略、置換、及びその他の変更を行ってもよい。

１…判別装置、１０…学習部、２０…判別部、１０１…教師データ取得部、１０２…画像解析部、１０３…学習処理部、１０４…学習済みモデル出力部、２０１…記憶部、２０２…解析対象画像取得部、２０３…画像解析部、２０４…判別処理部

Claims (9)

1. 細胞塊を判別する判別装置であって、
   細胞塊の特徴を示す少なくとも１つの指標からなる所定の指標についての第１の細胞塊に係る指標と、前記第１の細胞塊の状態が第１の状態であるか又は前記第１の状態とは異なる第２の状態であるかを示す情報と、が対応付けられた学習用データに基づいて機械学習がなされた学習済みモデルを記憶する記憶部と、
   前記所定の指標についての第２の細胞塊に係る指標を取得する画像解析部と、
   前記第２の細胞塊に係る指標を前記学習済みモデルに基づいて、前記第２の細胞塊の状態が前記第１の状態であるか又は前記第２の状態であるかを判別する判別処理部と、
   を備える判別装置。
2. 前記第１の状態はバディングの状態であり、前記第２の状態はシストの状態である
   請求項１に記載の判別装置。
3. 前記所定の指標は、前記細胞塊の色の濃さを表す指標を含む
   請求項１又は請求項２に記載の判別装置。
4. 前記所定の指標は、前記細胞塊の形状の複雑さを表す指標を含む
   請求項１から請求項３のうちいずれか一項に記載の判別装置。
5. 前記機械学習は、前記所定の指標を説明変数としたロジスティック関数の偏回帰係数を決定するための学習である
   請求項１から請求項４のうちいずれか一項に記載の判別装置。
6. 前記画像解析部に、前記第２の細胞塊が撮像された画像を送達する画像取得部
   をさらに備える請求項１から請求項５のうちいずれか一項に記載の判別装置。
7. 前記画像解析部は、前記画像に対してＣａｎｎｙ法により前記第２の細胞塊のエッジを検出し、検出された前記エッジの数に基づいて前記細胞塊の形状の複雑さを表す指標を計測する
   請求項６に記載の判別装置。
8. コンピュータにより実行させる細胞塊の判別方法であって、細胞塊の特徴を示す少なくとも１つの指標からなる所定の指標についての第１の細胞塊に係る指標と、前記第１の細胞塊の状態が第１の状態であるか又は前記第１の状態とは異なる第２の状態であるかを示す情報と、が対応付けられた学習用データに基づいて機械学習がなされた学習済みモデルを取得するステップと、
   前記所定の指標についての第２の細胞塊に係る指標値を取得するステップと、
   取得した前記第２の細胞塊に係る指標を前記学習済みモデルに基づいて、前記第２の細胞塊の状態が前記第１の状態であるか又は前記第２の状態であるかを判別するステップと、
   を有する細胞塊の判別方法。
9. コンピュータによる実行時、請求項８の細胞塊の判別方法をコンピュータに実行させる指示を備えるコンピュータプログラム。

Images