WO2022201881A1 - スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体 - Google Patents

スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体 Download PDF

Info

Publication number
WO2022201881A1
WO2022201881A1 PCT/JP2022/003854 JP2022003854W WO2022201881A1 WO 2022201881 A1 WO2022201881 A1 WO 2022201881A1 JP 2022003854 W JP2022003854 W JP 2022003854W WO 2022201881 A1 WO2022201881 A1 WO 2022201881A1
Authority
WO
WIPO (PCT)
Prior art keywords
slide
specimen
tumor cells
interest
region
Prior art date
Application number
PCT/JP2022/003854
Other languages
English (en)
French (fr)
Inventor
彩香 天川
真貴 佐野
佳奈子 畑中
豊 畑中
Original Assignee
日本電気株式会社
国立大学法人北海道大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社, 国立大学法人北海道大学 filed Critical 日本電気株式会社
Priority to US18/283,698 priority Critical patent/US20240161280A1/en
Priority to JP2023508737A priority patent/JPWO2022201881A5/ja
Publication of WO2022201881A1 publication Critical patent/WO2022201881A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Definitions

  • This disclosure relates to techniques for testing using specimens collected from animals.
  • Patent Literature 1 discloses a method of performing a genetic test on a fetus using blood of a pregnant woman containing cell fragments derived from the pregnant woman and cell fragments derived from the fetus.
  • a method for determining the number of slides to be used for examination the distribution, expected value, variance, etc. of the number of fetal-derived cells that may be collected from the slide, and the cost of creating the slide are fixed costs or A method of determining by including variable costs is disclosed.
  • Patent Document 1 discloses a test using blood. As such, US Pat. No. 6,330,000 does not mention how to determine the number of slides required for examination using tissue pieces such as tumor fragments.
  • the present invention has been made in view of this problem, and its object is to provide a technique for improving the efficiency of examinations using animal tissue pieces.
  • An apparatus for estimating the number of slides includes acquisition means for acquiring a slide image, which is an image of a specimen slide obtained from a tissue piece of a subject, and using the slide image, a tumor included in a region of interest of the specimen slide.
  • acquisition means for acquiring a slide image which is an image of a specimen slide obtained from a tissue piece of a subject, and using the slide image, a tumor included in a region of interest of the specimen slide.
  • first estimating means for estimating the number of cells second estimating means for estimating, based on the estimated number of tumor cells, the number of specimen slides to be obtained from the piece of tissue for performing a predetermined examination; have
  • the control method of the present disclosure is executed by a computer.
  • the control method includes an acquisition step of acquiring a slide image, which is an image of a specimen slide obtained from a tissue piece of a subject, and using the slide image to determine the number of tumor cells contained in a region of interest of the specimen slide. a first estimating step of estimating; and a second estimating step of estimating, based on the estimated number of tumor cells, the number of specimen slides to be obtained from the piece of tissue to perform a given examination.
  • the computer-readable medium of the present disclosure stores a program that causes a computer to execute the control method of the present disclosure.
  • FIG. 4 is a diagram illustrating an overview of the operation of the number-of-slides estimation device according to the first embodiment
  • FIG. 2 is a block diagram illustrating the functional configuration of the number-of-slides estimation device of Embodiment 1
  • FIG. 2 is a block diagram illustrating the hardware configuration of a computer that implements the number-of-slides estimation device
  • FIG. 4 is a flowchart illustrating the flow of processing executed by the number-of-slides estimation device according to the first embodiment
  • FIG. 4 is a diagram showing a first specific example of a tumor cell number estimation model
  • FIG. 4 is a diagram showing a first specific example of training data used for learning a tumor cell number estimation model
  • FIG. 10 is a diagram showing a second specific example of the tumor cell number estimation model
  • FIG. 10 is a diagram showing a second specific example of training data used for learning the tumor cell number estimation model;
  • predetermined values such as predetermined values and threshold values are stored in advance in a storage device or the like that can be accessed from a device that uses the values.
  • FIG. 1 is a diagram illustrating an overview of the operation of the number-of-slides estimation device 2000 of the first embodiment.
  • FIG. 1 is a diagram for facilitating an understanding of the outline of the number-of-slides estimation apparatus 2000, and the operation of the number-of-slides estimation apparatus 2000 is not limited to that shown in FIG.
  • the tissue piece 10 is a part of the tissue (for example, part of a tumor in the body) collected by any method from the body of a person or other animal undergoing a predetermined examination.
  • the predetermined examination will be referred to as a "target examination”
  • a person who undergoes the target examination will be referred to as a "subject”.
  • a tissue specimen slide (specimen slide 20) cut out from the tissue piece 10 is prepared, and the specimen slide 20 is used for examination.
  • sample slides 20, namely sample slides 20-1 to 20-n are made from the piece of tissue 10.
  • the piece of tissue 10 is preliminarily subjected to a treatment such as formalin fixation.
  • a predetermined amount or more of a predetermined substance (hereinafter referred to as the target substance) contained in the subject's tumor cells is required. Therefore, a sufficient number of sample slides 20 are required to obtain a predetermined amount or more of the target substance.
  • the target substance a predetermined substance contained in the subject's tumor cells. Therefore, a sufficient number of sample slides 20 are required to obtain a predetermined amount or more of the target substance.
  • gene panel testing requires a sufficient number of specimen slides to secure the required amount of DNA.
  • the number-of-slides estimation apparatus 2000 uses one or more slide images 30, which are images of specimen slides 20, to determine the number of specimen slides 20 to be obtained from the tissue piece 10 for the target examination (in other words, the required amount or more). Estimate the number of specimen slides 20 required to obtain the material of interest.
  • the number of specimen slides 20 to be obtained from the tissue piece 10 for the target examination is also referred to as "required number of specimen slides 20".
  • the slide image 30 is image data obtained by scanning the specimen slide 20 that has undergone predetermined staining by an arbitrary method.
  • a specimen slide 20 scanned to obtain a certain slide image 30 is hereinafter referred to as a "specimen slide 20 corresponding to the slide image 30".
  • a slide image 30 obtained by scanning a certain specimen slide 20 is called a "slide image 30 corresponding to the specimen slide 20".
  • the slide image 30 may be an image of the entire specimen slide 20 or an image of a part of the specimen slide 20 .
  • at least slide image 30 includes an image region representing region of interest 22 of specimen slide 20 .
  • a slide image 30 is generated by applying a mark representing a region of interest 22 to a sample slide 20 by an arbitrary method and then scanning the region including the mark.
  • the attention area 22 may be set after the slide image 30 is created. That is, a mark or the like representing the region of interest 22 may be applied to the slide image 30 obtained by scanning the specimen slide 20 using image processing software or the like.
  • An image area representing the attention area 22 among the image areas in the slide image 30 is hereinafter referred to as an attention area image 32 .
  • the entire slide image 30 becomes the attention area image 32 .
  • the slide number estimation device 2000 estimates the number of tumor cells contained in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 by analyzing the slide image 30 . Then, the slide number estimation device 2000 estimates the required number of specimen slides 20 based on the estimated number of tumor cells.
  • the slide image 30 obtained by scanning the specimen slide 20 is used to estimate the number of tumor cells contained in the region of interest 22 of the specimen slide 20. be. Then, based on the estimated number of tumor cells, the number of specimen slides 20 required for the subject examination is estimated. According to this method, it is not necessary to analyze the slide images 30 of all the specimen slides 20 obtained from the tissue piece 10. If the slide images 30 of some of the specimen slides 20 are analyzed, the specimens necessary for the target examination can be obtained. The number of slides 20 can be grasped. Therefore, the efficiency of inspection using the specimen slide 20 can be improved.
  • the specimen slide 20 used for examination it may be difficult to grasp the number of tumor cells using the slide image 30 corresponding to the specimen slide 20 . While it is preferable to stain the specimen slide 20 appropriately in order to estimate the number of cells contained in the specimen slide 20 by image analysis, the specimen slide 20 thus stained is used for inspection. This is because it may not be suitable as a slide to be played.
  • the slide number estimation apparatus 2000 it is sufficient to stain only a part of the specimen slides 20 obtained from the tissue piece 10, so that the specimen slides 20 to be used for examination can be secured without being stained. . Therefore, according to the slide number estimating apparatus 2000, it is possible to estimate the number of specimen slides 20 to be used for examination even for examinations in which it is difficult to use stained specimen slides 20.
  • FIG. 1 it is sufficient to stain only a part of the specimen slides 20 obtained from the tissue piece 10, so that the specimen slides 20 to be used for examination can be secured without being stained. . Therefore, according to the slide number estimating apparatus 2000, it is possible to estimate the number of specimen slides 20 to be used for examination even for examinations in which it is difficult to use stained specimen slides 20.
  • the number-of-slides estimation device 2000 of this embodiment will be described in more detail below.
  • FIG. 2 is a block diagram illustrating the functional configuration of the number-of-slides estimation device 2000 according to the first embodiment.
  • the number-of-slides estimation device 2000 has an acquisition unit 2020 , a first estimation unit 2040 and a second estimation unit 2060 .
  • Acquisition unit 2020 acquires slide image 30 .
  • a first estimation unit 2040 estimates the number of tumor cells contained in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 .
  • the second estimation unit 2060 estimates the required number of specimen slides 20 based on the estimated number of tumor cells.
  • Each functional component of the slide number estimation device 2000 may be realized by hardware (eg, hardwired electronic circuit, etc.) that implements each functional component, or may be realized by a combination of hardware and software (eg, : a combination of an electronic circuit and a program that controls it, etc.).
  • hardware e.g, hardwired electronic circuit, etc.
  • software e.g, : a combination of an electronic circuit and a program that controls it, etc.
  • FIG. 3 is a block diagram illustrating the hardware configuration of the computer 500 that implements the number-of-slides estimation device 2000.
  • Computer 500 is any computer.
  • the computer 500 is a stationary computer such as a PC (Personal Computer) or a server machine.
  • the computer 500 is a portable computer such as a smart phone or a tablet terminal.
  • Computer 500 may be a dedicated computer designed to implement slide number estimation apparatus 2000, or may be a general-purpose computer.
  • the functions of the number-of-slides estimation device 2000 are implemented on the computer 500.
  • the application is composed of a program for realizing each functional component of the number-of-slides estimation device 2000 .
  • the acquisition method of the above program is arbitrary.
  • the program can be acquired from a storage medium (DVD disc, USB memory, etc.) in which the program is stored.
  • the program can be obtained by downloading the program from a server device that manages the storage device in which the program is stored.
  • Computer 500 has bus 502 , processor 504 , memory 506 , storage device 508 , input/output interface 510 and network interface 512 .
  • the bus 502 is a data transmission path through which the processor 504, memory 506, storage device 508, input/output interface 510, and network interface 512 exchange data with each other.
  • the method of connecting the processors 504 and the like to each other is not limited to bus connection.
  • the processor 504 is various processors such as a CPU (Central Processing Unit), GPU (Graphics Processing Unit), or FPGA (Field-Programmable Gate Array).
  • the memory 506 is a main memory implemented using a RAM (Random Access Memory) or the like.
  • the storage device 508 is an auxiliary storage device implemented using a hard disk, SSD (Solid State Drive), memory card, ROM (Read Only Memory), or the like.
  • the input/output interface 510 is an interface for connecting the computer 500 and input/output devices.
  • the input/output interface 510 is connected to an input device such as a keyboard and an output device such as a display device.
  • a network interface 512 is an interface for connecting the computer 500 to a network.
  • This network may be a LAN (Local Area Network) or a WAN (Wide Area Network).
  • the storage device 508 stores a program that implements each functional component of the slide number estimation device 2000 (a program that implements the application described above).
  • the processor 504 reads this program into the memory 506 and executes it, thereby realizing each functional component of the slide number estimation apparatus 2000 .
  • the number-of-slides estimation device 2000 may be realized by one computer 500 or may be realized by a plurality of computers 500. In the latter case, the configuration of each computer 500 need not be the same, and can be different.
  • FIG. 4 is a flowchart illustrating the flow of processing executed by the number-of-slides estimation device 2000 of the first embodiment.
  • the acquisition unit 2020 acquires the slide image 30 (S102).
  • the first estimation unit 2040 estimates the number of tumor cells contained in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 (S104).
  • the second estimation unit 2060 estimates the required number of specimen slides 20 based on the estimated number of tumor cells (S106).
  • the acquisition unit 2020 acquires the slide image 30 (S102). There are various methods for the acquisition unit 2020 to acquire the slide image 30 .
  • the acquisition unit 2020 acquires the slide images 30 stored in a storage device accessible from the slide number estimation device 2000 .
  • a device that scans the specimen slide 20 to generate the slide image 30 (hereinafter referred to as a scanning device) stores the generated slide image 30 in a storage device.
  • the acquiring unit 2020 acquires the slide images 30 desired by the user of the slide number estimation apparatus 2000 from among the slide images 30 stored in the storage device.
  • the acquisition unit 2020 receives user input for selecting a desired slide image 30 from among the slide images 30 stored in the storage device, and acquires the slide image 30 selected by the user input.
  • the acquiring unit 2020 may acquire the slide image 30 by receiving the slide image 30 transmitted from another device (for example, the scanning device described above).
  • the first estimation unit 2040 analyzes the slide image 30 and estimates the number of tumor cells contained in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 (S104). For example, the first estimation unit 2040 detects cells from the region-of-interest image 32 in the slide image 30, and classifies the detected cells into tumor cells and normal cells. Then, the first estimation unit 2040 estimates the number of tumor cells by counting the number of cells classified as tumor cells.
  • the first estimation unit 2040 is a model trained to detect cells from the attention area image 32 (hereinafter referred to as a cell detection model), and a model trained to classify the cell image into either tumor cells or normal cells. It has a model (hereinafter referred to as a cell type discrimination model).
  • These models can be any kind of model, such as neural networks or SVMs (support vector machines).
  • an existing technique can be used as a technique for learning a model so as to detect a predetermined type of object from an image.
  • Existing techniques can also be used for the technique of learning a model so as to classify images of objects by object type.
  • the first estimation unit 2040 inputs the slide image 30 to the cell detection model, an image of each cell included in the attention area image 32 is obtained from the cell detection model. In addition, by inputting each cell image obtained from the cell detection model to the cell type discrimination model, it is discriminated whether each cell is a tumor cell or a normal cell. The first estimation unit 2040 calculates the number of tumor cells by counting the number of cells determined to be tumor cells.
  • the cell detection model and the cell type discrimination model instead of using two types of models, the cell detection model and the cell type discrimination model, one model that has been learned to detect tumor cells from the attention area image 32 may be used. Also, the estimation of the number of tumor cells may be performed without using a trained model.
  • the second estimation unit 2060 estimates the required number of specimen slides 20 based on the number of tumor cells estimated by the first estimation unit 2040 (S106).
  • the second estimation unit 2060 calculates the amount of the target substance contained in the tumor cells included in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 based on the number of tumor cells estimated by the first estimation unit 2040. to estimate In other words, the second estimation unit 2060 estimates the amount of the target substance contained in the tumor cells detected from the region-of-interest image 32 of the slide image 30 . Then, the second estimation unit 2060 estimates the required number of specimen slides 20 based on the estimated amount of the target substance and the amount of the target substance required for the target examination.
  • the target substance is DNA.
  • the second estimation unit 2060 estimates the amount of DNA obtained from the tumor cells from the number of tumor cells detected from the region-of-interest image 32 of the slide image 30 . Then, the second estimation unit 2060 estimates the required number of specimen slides 20 based on the estimated amount of DNA and the amount of DNA required for the target test.
  • Non-Patent Document 1 describes the relationship between the number of tumor cells and the amount of DNA: "The yield of DNA obtained from one nucleated cell is estimated to be about 6 pg.” Therefore, based on this relationship, the number of tumor cells can be converted to DNA content.
  • the method of converting the number of tumor cells into the amount of the target substance is not limited to the method using the relationship between the number of tumor cells and the amount of the target substance disclosed in the literature.
  • an experiment may be conducted before operation of the slide number estimation apparatus 2000 to create a conversion formula for converting the number of tumor cells to the amount of the target substance.
  • a model hereinafter referred to as , conversion model
  • Any regression model can be used for this conversion model.
  • the learning of the conversion model is performed using multiple sets of training data consisting of pairs of input data and correct data (output data to be output from the model in response to input of corresponding input data).
  • Input data indicates the number of tumor cells contained in the region of interest 22 .
  • Correct data indicates the amount of the target substance contained in the attention area 22 .
  • the second estimating unit 2060 calculates the number of target substances contained in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 from the number of tumor cells estimated by the first estimating unit 2040 using the conversion formula and conversion model described above. Calculate the amount of Further, the second estimation unit 2060 calculates the required number of specimen slides 20 based on the relationship between the calculated amount of the target substance and the amount of the target substance required for the target examination. Here, information indicating the amount of the target substance required for the target examination is stored in advance in a storage unit accessible from the slide number estimation device 2000 .
  • the second estimation unit 2060 calculates the required number of specimen slides 20 on the assumption that the same amount of target substance is obtained from the region of interest 22 in all the specimen slides 20 obtained from the tissue piece 10 .
  • the required number of specimen slides 20 can be calculated, for example, by the following formula (1).
  • M represents the required number of specimen slides 20 .
  • y represents the amount of target substance required for the target inspection.
  • Function f represents a conversion formula for converting the number of tumor cells into the amount of the target substance.
  • x represents the number of tumor cells estimated by the first estimation unit 2040 .
  • [] are Gaussian symbols. That is, [a] represents the smallest integer greater than or equal to a.
  • the second estimation unit 2060 estimates the number of tumor cells contained in the region of interest 22 of another specimen slide 20 from the number of tumor cells estimated for the specimen slide 20 corresponding to the slide image 30. good too.
  • the required number M of specimen slides 20 is, for example, the smallest integer k that satisfies the following equation (2).
  • i represents an identification number assigned sequentially to each specimen slide obtained from tissue piece 10 .
  • x_i represents the estimated number of tumor cells contained in the region of interest 22 of the specimen slide 20 with the identifier i (hereafter specimen slide 20-i). Note that the underscore in x_i represents a subscript.
  • i 2 or more. This is because it is assumed that specimen slide 20-1 is stained to obtain slide image 30 and is not used for subject examination.
  • the required number of specimen slides 20 may be estimated based on the number of tumor cells estimated for the specimen slide 20 corresponding to the slide image 30 and the number of tumor cells required for the target examination. For example, by converting the amount of the target substance required for the target test into the number of tumor cells, the number of tumor cells required for the target test is calculated in advance, and the value is stored in a memory accessible from the slide number estimation device 2000. Store it in the device. This conversion can be performed using, for example, the inverse function of the above conversion formula f(). In addition, in the learning of the conversion model described above, by reversing the relationship between the input data and the correct data, it is possible to generate a conversion model that converts the amount of the predetermined substance into the number of tumor cells.
  • equations (1) and (2) can be replaced with equations (3) and (4), respectively.
  • the second estimator 2060 calculates the number of tissue pieces 10 based on the number of tumor cells estimated for the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 . Estimate the number of tumor cells contained in the region of interest 22 of each other specimen slide 20 obtained from . For this estimation, for example, a trained tumor cell number estimation model is used. Arbitrary models such as neural networks and SVMs can be used as tumor cell number estimation models.
  • the tumor cell number estimation model outputs output data according to input data.
  • the input data includes one or more pairs of "slide image 30, estimated number of tumor cells for that slide image 30".
  • the output data is the number of tumor cells estimated to be included in the region of interest 22 of each of the plurality of specimen slides 20 obtained from the tissue piece 10 from which the slide image 30 included in the input data was obtained. show.
  • the input data includes a plurality of slide images 30, all of them are obtained from the same piece of tissue 10.
  • n sample slides 20 are cut from the piece of tissue 10 .
  • FIG. 5 is a diagram showing a first specific example of a model for estimating the number of tumor cells.
  • the input data 42 input to the tumor cell number estimation model 40 of FIG. 5 includes a pair of "the number of tumor cells contained in the slide image 30 of the specimen slide 20-1 and the region of interest 22 of the specimen slide 20-1".
  • the output data 44 output from the tumor cell number estimation model 40 of FIG. The estimated number of tumor cells contained in 22 is shown.
  • the tumor cell number estimation model 40 in FIG. 5 is learned using a plurality of training data composed of pairs of input data and correct data.
  • One piece of training data 50 is generated using one piece of tissue 10 .
  • FIG. 6 is a diagram showing a first specific example of training data used for learning the tumor cell number estimation model 40.
  • the input data 52 consists of a slide image of the sample slide 20-1 cut out from the tissue piece 10 and the number of tumor cells contained in the region of interest 22 of the sample slide 20-1.
  • the correct data 54 indicates the number of tumor cells contained in the region of interest 22 of each of the specimen slides 20-2 to 20-n.
  • FIG. 7 is a diagram showing a second specific example of the tumor cell number estimation model 40.
  • the input data 42 input to the tumor cell number estimation model 40 of FIG. 7 includes two pairs of "slide image 30, tumor cell number".
  • the output data 44 output from the tumor cell number estimation model 40 in FIG. The estimated number of tumor cells contained in 22 is shown.
  • n-2 sample slides 20 are all the sample slide 20 corresponding to the first pair of slide images 30 of the input data 42 and the second pair of slide images 30 of the input data in the tissue piece 10.
  • Specimen slide 20 obtained from the portion between the corresponding specimen slides 20.
  • FIG. 8 is a diagram showing a second specific example of training data 50 used for learning the tumor cell number estimation model 40.
  • the input data 52 is generated using the first and last specimen slides 20 out of n specimen slides 20 continuously cut from the piece of tissue 10 . That is, the first pair included in the input data 52 is composed of "the slide image of the sample slide 20-1 and the number of tumor cells included in the region of interest 22 of the sample slide 20-1".
  • the second pair included in the input data 52 is composed of "the slide image of the sample slide 20-n and the number of tumor cells included in the region of interest 22 of the sample slide 20-n".
  • the correct data 54 indicates the number of tumor cells contained in the region of interest 22 of each of the specimen slides 20-2 to 20-(n-1).
  • n which is the number of specimen slides 20 cut out from the tissue piece 10
  • input data 42 and input data 52 also include the number of specimen slides 20 to be cut from tissue piece 10 .
  • the input data 42 and the input data 52 may further include additional information that is data other than the slide image 30 and the number of tumor cells.
  • the additional information includes the shape of the region of interest 22 of the specimen slide 20 corresponding to the slide image 30, the size of the region of interest 22, the density of tumor cells in the region of interest 22, the distribution of tumor cells in the region of interest 22, and the tissue piece 10 collected. Any one or more of the method, the type of organ containing the piece of tissue 10, and the tissue type of tumor cells are shown.
  • different tumor cell number estimation models 40 may be prepared for each value of the additional information. For example, assume that a different tumor cell number estimation model 40 is prepared for each method of collecting the tissue piece 10 . In this case, the second estimating unit 2060 identifies the tumor cell number estimating model 40 corresponding to the sampling method of the tissue piece 10 indicated by the additional information from among the plurality of tumor cell number estimating models 40, and estimates the tumor cell number. The remaining data included in the input data 42 are input to the model 40 .
  • an estimation model for estimating the amount of target substance contained in the region of interest 22 of each specimen slide 20 may be used.
  • the correct data 54 of the training data 50 indicate the amount of target material contained in the region of interest of each specimen slide 20 instead of the number of tumor cells contained in the region of interest of each specimen slide 20 .
  • Input data 42 and input data 52 may indicate either the number of tumor cells or the amount of target material contained in the region of interest of specimen slide 20 .
  • the method for estimating the number of tumor cells contained in each specimen slide 20 obtained from the tissue piece 10 is not limited to the method using the tumor cell number estimation model 40.
  • a function representing the number of tumor cells contained in these regions of interest 22 may be determined in advance.
  • the second estimating unit 2060 uses the function to calculate the number of tumor cells included in the region of interest 22 of the specimen slide 20 corresponding to the slide image 30 from the number of tumor cells in the region of interest 22 of each of the other specimen slides 20. Estimate the number of tumor cells involved.
  • the second estimating unit 2060 uses the number of tumor cells estimated for one slide image 30 to estimate the number of tumor cells contained in the regions of interest 22 of the other n ⁇ 1 sample slides 20.
  • the number of tumor cells contained in the region of interest 22 of the specimen slide 20-i can be calculated by the following formula (5). Equation (3) uses the number b of tumor cells estimated for the slide image 30 of the specimen slide 20-1 cut from one end of the tissue piece 10 to calculate the attention of each of the other n-1 specimen slides 20.
  • num(i) represents the number of tumor cells contained in region of interest 22 of specimen slide 20-i.
  • a is a non-zero real number representing the amount of increase in the number of tumor cells between adjacent specimen slides 20;
  • b represents the number of tumor cells included in the region of interest 22 of the specimen slide 20-1 estimated by the first estimation unit 2040;
  • the second estimation unit 2060 estimates the number of tumor cells contained in the regions of interest 22 of the other n-2 specimen slides 20 using the tumor cells estimated for each of the two slide images 30.
  • the number of tumor cells contained in the region of interest 22 of the specimen slide 20-i can be calculated by the following formula (6). Equation (6) is calculated using the numbers b and c of tumor cells estimated for the slide image 30 of the sample slide 20-1 and the slide image 30 of the sample slide 20-n cut out from the tissue piece 10, respectively. It is a formula for estimating the number of tumor cells contained in the region of interest 22 of each of the n-2 sample slides 20 located in between.
  • changes in the number of tumor cells are not limited to linear changes, and may be non-linear changes.
  • a nonlinear template function is prepared, and by fitting the template function to the number of tumor cells estimated for one or more slide images 30, changes in the number of tumor cells are represented. Generate functions dynamically. Then, the second estimation unit 2060 uses this function to estimate the number of tumor cells contained in the regions of interest 22 of the specimen slides 20 other than the specimen slide 20 corresponding to the slide image 30 .
  • the slide number estimation device 2000 outputs information indicating the required number of specimen slides 20 .
  • This information is hereinafter referred to as output information.
  • the output mode of the output information is arbitrary.
  • the number-of-slides estimation device 2000 stores the output information in any storage device accessible from the number-of-slides estimation device 2000 .
  • the number-of-slides estimation device 2000 causes a display device accessible from the number-of-slides estimation device 2000 to display the output information.
  • the number-of-slides estimation device 2000 may transmit the output information to any device accessible from the number-of-slides estimation device 2000 .
  • the output information may include information other than the required number of specimen slides 20.
  • this information indicates which specimen slide 20 among the n specimen slides 20 cut out from the specimen slides 20 should be used for the target examination.
  • the required number of specimen slides 20 is M
  • the top M specimen slides 20 in descending order of the number of tumor cells are the specimen slides 20 to be used for the target examination. Therefore, for example, the output information includes information indicating the identifier of each of the M sample slides 20 .
  • the slide number estimation apparatus 2000 may output a message indicating that the required amount of target substance cannot be obtained from the tissue piece 10 . For example, it is conceivable to output a message such as "We cannot obtain the required amount of DNA with the current sample alone" or "Additional samples are required".
  • Non-transitory computer readable media include various types of tangible storage media.
  • Examples of non-transitory computer-readable media include magnetic recording media (e.g., floppy disks, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical discs), CD-ROMs, CD-Rs, CD-Rs /W, including semiconductor memory (e.g. mask ROM, PROM (programmable ROM), EPROM (erasable PROM), flash ROM, RAM).
  • the program may also be provided to the computer on various types of transitory computer readable medium. Examples of transitory computer-readable media include electrical signals, optical signals, and electromagnetic waves. Transitory computer-readable media can deliver the program to the computer via wired channels, such as wires and optical fibers, or wireless channels.
  • (Appendix 1) Acquisition means for acquiring a slide image, which is an image of a specimen slide obtained from a piece of tissue of a subject; a first estimating means for estimating the number of tumor cells contained in the region of interest of the specimen slide using the slide image; second estimation means for estimating the number of specimen slides to be obtained from the piece of tissue for performing a predetermined examination based on the estimated number of tumor cells.
  • the second estimation means is estimating the number of tumor cells contained in the region of interest for each of the plurality of specimen slides obtained from the tissue piece, other than the specimen slide from which the slide image was obtained; 2.
  • a number-of-slides estimation apparatus wherein the number of specimen slides to be obtained from the piece of tissue is estimated based on the number of tumor cells estimated for the region of interest on each respective specimen slide.
  • the acquiring means acquires the slide image of the first specimen slide and the slide image of the second specimen slide
  • the first estimation means estimates the number of tumor cells contained in each of the region of interest of the first specimen slide and the region of interest of the second specimen slide
  • the second estimation means estimates the number of tumor cells contained in the region of interest for each of the plurality of specimen slides obtained from the portion between the first specimen slide and the second specimen slide.
  • the number-of-slides estimation device according to appendix 2.
  • the second estimation means is In response to input of input data indicating the image of the specimen slide and the number of tumor cells contained in the region of interest of the specimen slide, the a model trained to output output data indicating the number of tumor cells contained in a region of interest for each of the specimen slides other than the specimen slide from which the slide image was acquired; Inputting the acquired slide image and the estimated number of tumor cells into the model, and using the output data obtained from the model in response to the input, the specimen slide to be obtained from the tissue piece. 4.
  • the number-of-slides estimation device according to appendix 2 or 3, which estimates a number.
  • the input data includes the shape of the region of interest, the size of the region of interest, the density of tumor cells in the region of interest, the distribution of tumor cells in the region of interest, the method for collecting the tissue piece, and the size of the organ containing the tissue piece. 5.
  • the second estimation means is estimating the amount of a predetermined substance contained in the region of interest from the estimated number of tumor cells; 6. Predicting the number of specimen slides to be obtained from the piece of tissue based on the estimated amount of the predetermined material and the amount of the predetermined material required for the predetermined test.
  • the number-of-slides estimating device is a gene panel test, 6.
  • the number-of-slides estimation device is DNA.
  • a control method implemented by a computer comprising: an acquiring step of acquiring a slide image, which is an image of a specimen slide obtained from a piece of tissue from a subject; a first estimation step of estimating the number of tumor cells contained in the region of interest of the specimen slide using the slide image; a second estimation step of estimating, based on said estimated number of tumor cells, the number of said specimen slides to be obtained from said piece of tissue for performing a given examination.
  • the input data includes the shape of the region of interest, the size of the region of interest, the density of tumor cells in the region of interest, the distribution of tumor cells in the region of interest, the method for collecting the tissue piece, and the size of the organ containing the tissue piece. 12.
  • Appendix 13 In the second estimation step, estimating the amount of a predetermined substance contained in the region of interest from the estimated number of tumor cells; 13. Estimate the number of specimen slides to be obtained from the piece of tissue based on the estimated amount of the predetermined material and the amount of the predetermined material required for the predetermined test.
  • the control method described in . (Appendix 14)
  • the predetermined test is a gene panel test, 14.
  • a slide image which is an image of a specimen slide obtained from a piece of tissue from a subject
  • a first estimation step of estimating the number of tumor cells contained in the region of interest of the specimen slide using the slide image a second estimation step of estimating, based on the estimated number of tumor cells, the number of specimen slides to be obtained from the tissue piece for performing a predetermined examination
  • computer readable medium Appendix 16
  • (Appendix 17) in the obtaining step obtaining the slide image of the first specimen slide and the slide image of the second specimen slide; estimating the number of tumor cells contained in each of the region of interest of the first specimen slide and the region of interest of the second specimen slide in the first estimation step;
  • the second estimation step for each of the plurality of specimen slides obtained from the portion between the first specimen slide and the second specimen slide, estimating the number of tumor cells contained in the region of interest; 17.
  • the program generates a plurality of specimen slides obtained from the tissue piece in response to input of input data indicating the image of the specimen slide and the number of tumor cells contained in the region of interest of the specimen slide. Among them, for each of the specimen slides other than the specimen slide from which the slide image was acquired, a model trained to output output data indicating the number of tumor cells contained in the region of interest, In the second estimation step, the obtained slide image and the estimated number of tumor cells are input to the model, and the output data obtained from the model according to the input are used to determine the tissue 18.
  • the input data includes the shape of the region of interest, the size of the region of interest, the density of tumor cells in the region of interest, the distribution of tumor cells in the region of interest, the method for collecting the tissue piece, and the size of the organ containing the tissue piece. 19.
  • (Appendix 20) In the second estimation step, estimating the amount of a predetermined substance contained in the region of interest from the estimated number of tumor cells; Clause 15-19, estimating the number of specimen slides to be obtained from the piece of tissue based on the estimated amount of the predetermined material and the amount of the predetermined material required for the predetermined test.
  • the predetermined test is a gene panel test, 21.
  • the computer-readable medium of Clause 20, wherein said predetermined substance is DNA.
  • tissue piece 20 specimen slide 22 region of interest 30 slide image 32 region of interest image 40 tumor cell number estimation model 42 input data 44 output data 50 training data 52 input data 54 correct data 500 computer 502 bus 504 processor 506 memory 508 storage device 510 input Output interface 512 Network interface 2000 Slide number estimation device 2020 Acquisition unit 2040 First estimation unit 2060 Second estimation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Urology & Nephrology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Biomedical Technology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

スライド数推定装置（２０００）はスライド画像（３０）を取得する。スライド画像（３０）は、被検者の組織片（１０）から得た標本スライド（２０）の画像である。スライド数推定装置（２０００）は、取得したスライド画像（３０）を用いて、そのスライド画像（３０）に対応する標本スライド（２０）の注目領域（２２）に含まれる腫瘍細胞の数を推定する。スライド数推定装置（２０００）は、推定された腫瘍細胞の数に基づき、所定の検査を行うために組織片（１０）から得るべき標本スライド（２０）の数を推定する。

Description

スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体
　本開示は、動物から採取した検体を用いて行われる検査のための技術に関する。
　人その他の動物から採取した検体を利用した検査が行われている。例えば特許文献１は、妊婦由来の細胞片と胎児由来の細胞片とが含まれる妊婦の血液を利用して、胎児についての遺伝学的検査を行う方法について開示している。ここで、当該文献では、検査に利用するスライドの数を決める方法として、スライドから採取可能性のある胎児由来細胞個数の分布、期待値及び分散などと、スライドの作成費用とを、固定コスト又は変動コストに算入して決めるという方法が開示されている。
特開２０１６－０４９０７８号公報
「ゲノム診療用病理組織検体取扱い規程」、［online］、２０１８年３月１日、一般社団法人日本病理学会、インターネット＜ＵＲＬ：http://pathology.or.jp/genome_med/pdf/textbook.pdf＞
　特許文献１は、血液を利用した検査について開示している。そのため、特許文献１は、腫瘍の一部などといった組織片を利用した検査に必要となるスライドの数を決める方法については言及していない。本発明はこの課題に鑑みてなされたものであり、その目的は、動物の組織片を用いる検査の効率を向上させる技術を提供することである。
　本開示のスライド数推定装置は、被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得手段と、前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定手段と、前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定手段と、を有する。
　本開示の制御方法は、コンピュータによって実行される。当該制御方法は、被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得ステップと、前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定ステップと、前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定ステップと、を有する。
　本開示のコンピュータ可読媒体は、本開示の制御方法をコンピュータに実行させるプログラムを格納している。
　本開示によれば、動物の組織片を用いる検査の効率を向上させる技術が提供される。
実施形態１のスライド数推定装置の動作の概要を例示する図である。 実施形態１のスライド数推定装置の機能構成を例示するブロック図である。 スライド数推定装置を実現するコンピュータのハードウエア構成を例示するブロック図である。 実施形態１のスライド数推定装置によって実行される処理の流れを例示するフローチャートである。 腫瘍細胞数推定モデルの第１の具体例を示す図である。 腫瘍細胞数推定モデルの学習に利用される訓練データの第１の具体例を示す図である。 腫瘍細胞数推定モデルの第２の具体例を示す図である。 腫瘍細胞数推定モデルの学習に利用される訓練データの第２の具体例を示す図である。
　以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。また、特に説明しない限り、所定値や閾値などといった予め定められている値は、その値を利用する装置からアクセス可能な記憶装置などに予め格納されている。
　図１は、実施形態１のスライド数推定装置２０００の動作の概要を例示する図である。ここで、図１は、スライド数推定装置２０００の概要の理解を容易にするための図であり、スライド数推定装置２０００の動作は、図１に示したものに限定されない。
　組織片１０は、所定の検査を受ける人その他の動物の体から、その組織の一部（例えば、体内の腫瘍の一部）を任意の方法で採取したものである。以下、当該所定の検査のことを「対象検査」と呼び、対象検査を受ける人物のことを「被検者」と呼ぶ。対象検査では、組織片１０から切り出した組織標本のスライド（標本スライド２０）が作成され、その標本スライド２０を利用して検査が行われる。図１では、組織片１０から、標本スライド２０－１から標本スライド２０－ｎというｎ個の標本スライド２０が作成されている。なお、組織片１０から標本スライド２０を切り出す際、組織片１０には、ホルマリン固定などの処理が予め行われているものとする。
　ここで、対象検査では、被検者の腫瘍細胞に含まれる所定の物質（以下、対象物質）が所定量以上必要である。そのため、所定量以上の対象物質を得られるだけの数の標本スライド２０が必要となる。例えば遺伝子パネル検査を行うためには、一定程度の量の DNA を腫瘍細胞から得る必要がある。そのため、遺伝子パネル検査では、必要な量の DNA を確保できる数の標本スライドが必要となる。
　そこでスライド数推定装置２０００は、標本スライド２０の画像であるスライド画像３０を１つ以上利用して、対象検査のために組織片１０から得るべき標本スライド２０の数（言い換えれば、必要な量以上の対象物質を得るために必要な標本スライド２０の数）を推定する。以下、対象検査のために組織片１０から得るべき標本スライド２０の数を、「標本スライド２０の必要数」とも表記する。
　スライド画像３０は、所定の染色を施した標本スライド２０を任意の方法でスキャンすることで得られた画像データである。以下、或るスライド画像３０を得るためにスキャンされた標本スライド２０のことを、「スライド画像３０に対応する標本スライド２０」と呼ぶ。同様に、或る標本スライド２０をスキャンして得られたスライド画像３０のことを、「標本スライド２０に対応するスライド画像３０」と呼ぶ。
　ここで、スライド画像３０は、標本スライド２０の全体の画像であってもよいし、標本スライド２０の一部の画像であってもよい。後者の場合、少なくともスライド画像３０は、標本スライド２０の注目領域２２を表す画像領域を含む。例えば図１の例では、標本スライド２０に対し、注目領域２２を表すマークを任意の方法で施した後、そのマークを含む領域をスキャンすることにより、スライド画像３０が生成されている。なお、注目領域２２の設定は、スライド画像３０を作成した後に行われてもよい。すなわち、標本スライド２０をスキャンして得たスライド画像３０に対し、画像処理ソフトウエアなどを利用して、注目領域２２を表すマークなどが施されてもよい。以下、スライド画像３０内の画像領域のうち、注目領域２２を表す画像領域を、注目領域画像３２と呼ぶ。スライド画像３０に、対応する標本スライド２０の注目領域２２のみが含まれる場合、スライド画像３０全体が注目領域画像３２となる。
　スライド数推定装置２０００は、スライド画像３０を解析することで、そのスライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する。そして、スライド数推定装置２０００は、推定した腫瘍細胞の数に基づいて、標本スライド２０の必要数を推定する。
＜作用効果の一例＞
　本実施形態のスライド数推定装置２０００によれば、標本スライド２０をスキャンすることで得られたスライド画像３０を利用して、その標本スライド２０の注目領域２２に含まれる腫瘍細胞の数が推定される。そして、推定された腫瘍細胞の数に基づいて、対象検査に必要な標本スライド２０の数が推定される。この方法によれば、組織片１０から得られる全ての標本スライド２０についてスライド画像３０を解析する必要はなく、一部の標本スライド２０についてスライド画像３０の解析を行えば、対象検査に必要な標本スライド２０の数を把握することができる。そのため、標本スライド２０を利用する検査の効率を向上させることができる。
　また、検査に利用する標本スライド２０については、その標本スライド２０に対応するスライド画像３０を利用して腫瘍細胞の数を把握することが難しいこともある。これは、標本スライド２０に含まれる細胞の数を画像解析によって推定するためには、標本スライド２０を適切に染色することが好ましい一方で、このように染色された標本スライド２０は、検査に利用するスライドとしては適さないことがあるためである。
　この点、スライド数推定装置２０００では、組織片１０から得られる一部の標本スライド２０についてのみ染色を行えばよいため、検査に利用したい標本スライド２０を染色せずに確保しておくことができる。そのため、スライド数推定装置２０００によれば、染色された標本スライド２０を利用することが難しい検査についても、検査に利用する標本スライド２０の数を推定することができる。
　以下、本実施形態のスライド数推定装置２０００について、より詳細に説明する。
＜機能構成の例＞
　図２は、実施形態１のスライド数推定装置２０００の機能構成を例示するブロック図である。スライド数推定装置２０００は、取得部２０２０、第１推定部２０４０、及び第２推定部２０６０を有する。取得部２０２０は、スライド画像３０を取得する。第１推定部２０４０は、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する。第２推定部２０６０は、推定した腫瘍細胞の数に基づいて、標本スライド２０の必要数を推定する。
＜ハードウエア構成の例＞
　スライド数推定装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、スライド数推定装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
　図３は、スライド数推定装置２０００を実現するコンピュータ５００のハードウエア構成を例示するブロック図である。コンピュータ５００は、任意のコンピュータである。例えばコンピュータ５００は、PC（Personal Computer）やサーバマシンなどといった、据え置き型のコンピュータである。その他にも例えば、コンピュータ５００は、スマートフォンやタブレット端末などといった可搬型のコンピュータである。コンピュータ５００は、スライド数推定装置２０００を実現するために設計された専用のコンピュータであってもよいし、汎用のコンピュータであってもよい。
　例えば、コンピュータ５００に対して所定のアプリケーションをインストールすることにより、コンピュータ５００で、スライド数推定装置２０００の各機能が実現される。上記アプリケーションは、スライド数推定装置２０００の各機能構成部を実現するためのプログラムで構成される。なお、上記プログラムの取得方法は任意である。例えば、当該プログラムが格納されている記憶媒体（DVD ディスクや USB メモリなど）から、当該プログラムを取得することができる。その他にも例えば、当該プログラムが格納されている記憶装置を管理しているサーバ装置から、当該プログラムをダウンロードすることにより、当該プログラムを取得することができる。
　コンピュータ５００は、バス５０２、プロセッサ５０４、メモリ５０６、ストレージデバイス５０８、入出力インタフェース５１０、及びネットワークインタフェース５１２を有する。バス５０２は、プロセッサ５０４、メモリ５０６、ストレージデバイス５０８、入出力インタフェース５１０、及びネットワークインタフェース５１２が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ５０４などを互いに接続する方法は、バス接続に限定されない。
　プロセッサ５０４は、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、又は FPGA（Field－Programmable Gate Array）などの種々のプロセッサである。メモリ５０６は、RAM（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス５０８は、ハードディスク、SSD（Solid State Drive）、メモリカード、又は ROM（Read Only Memory）などを用いて実現される補助記憶装置である。
　入出力インタフェース５１０は、コンピュータ５００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース５１０には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。
　ネットワークインタフェース５１２は、コンピュータ５００をネットワークに接続するためのインタフェースである。このネットワークは、LAN（Local Area Network）であってもよいし、WAN（Wide Area Network）であってもよい。
　ストレージデバイス５０８は、スライド数推定装置２０００の各機能構成部を実現するプログラム（前述したアプリケーションを実現するプログラム）を記憶している。プロセッサ５０４は、このプログラムをメモリ５０６に読み出して実行することで、スライド数推定装置２０００の各機能構成部を実現する。
　スライド数推定装置２０００は、１つのコンピュータ５００で実現されてもよいし、複数のコンピュータ５００で実現されてもよい。後者の場合において、各コンピュータ５００の構成は同一である必要はなく、それぞれ異なるものとすることができる。
＜処理の流れ＞
　図４は、実施形態１のスライド数推定装置２０００によって実行される処理の流れを例示するフローチャートである。取得部２０２０は、スライド画像３０を取得する（Ｓ１０２）。第１推定部２０４０は、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する（Ｓ１０４）。第２推定部２０６０は、推定された腫瘍細胞の数に基づいて、標本スライド２０の必要数を推定する（Ｓ１０６）。
＜スライド画像３０の取得：Ｓ１０２＞
　取得部２０２０はスライド画像３０を取得する（Ｓ１０２）。取得部２０２０がスライド画像３０を取得する方法は様々である。例えば取得部２０２０は、スライド数推定装置２０００からアクセス可能な記憶装置に格納されているスライド画像３０を取得する。例えば、標本スライド２０をスキャンしてスライド画像３０を生成する装置（以下、スキャン装置）が、生成したスライド画像３０を記憶装置に格納するようにする。取得部２０２０は、当該記憶装置に格納されているスライド画像３０の中から、スライド数推定装置２０００のユーザが所望するスライド画像３０を取得する。例えば取得部２０２０は、記憶装置に格納されているスライド画像３０の中から所望のものを選択するユーザ入力を受け付け、当該ユーザ入力によって選択されたスライド画像３０を取得する。その他にも例えば、取得部２０２０は、他の装置（例えば前述したスキャン装置）から送信されるスライド画像３０を受信することで、スライド画像３０を取得してもよい。
＜腫瘍細胞数の推定：Ｓ１０４＞
　第１推定部２０４０は、スライド画像３０を解析して、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する（Ｓ１０４）。例えば第１推定部２０４０は、スライド画像３０内の注目領域画像３２から細胞を検出し、検出した各細胞を腫瘍細胞と正常細胞に分類する。そして、第１推定部２０４０は、腫瘍細胞に分類された細胞の数をカウントすることで、腫瘍細胞の数を推定する。
　例えば第１推定部２０４０は、注目領域画像３２から細胞を検出するように学習されたモデル（以下、細胞検出モデル）と、細胞の画像を腫瘍細胞と正常細胞のいずれかに分類するように学習されたモデル（以下、細胞種別判別モデル）を有する。これらのモデルには、ニューラルネットワークや SVM（support vector machine）などといった任意の種類のモデルを利用することができる。ここで、画像から所定の種類の物体を検出するようにモデルを学習する技術には、既存の技術を利用することができる。また、物体の画像を物体の種類ごとに分類するようにモデルを学習する技術にも、既存の技術を利用することができる。
　第１推定部２０４０が細胞検出モデルへスライド画像３０を入力すると、細胞検出モデルから、注目領域画像３２に含まれる各細胞の画像が得られる。また、細胞検出モデルから得られた細胞の画像がそれぞれ細胞種別判別モデルに入力されるようにすることで、各細胞について、腫瘍細胞と正常細胞のどちらであるかが判別される。第１推定部２０４０は、腫瘍細胞であると判別された細胞の数をカウントすることで、腫瘍細胞数を算出する。
　なお、細胞検出モデルと細胞種別判別モデルという２種類のモデルを利用する代わりに、注目領域画像３２から腫瘍細胞を検出するように学習された１つのモデルを利用してもよい。また、腫瘍細胞数の推定は、学習済みモデルを利用せずに行われてもよい。
＜標本スライド２０の数の推定：Ｓ１０６＞
　第２推定部２０６０は、第１推定部２０４０によって推定された腫瘍細胞数に基づいて、標本スライド２０の必要数を推定する（Ｓ１０６）。ここで、対象検査では、被検者の腫瘍細胞に含まれる対象物質を所定量以上得る必要がある。そこで第２推定部２０６０は、第１推定部２０４０によって推定された腫瘍細胞の数に基づいて、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞に含まれる対象物質の量を推定する。言い換えれば、第２推定部２０６０は、スライド画像３０の注目領域画像３２から検出された腫瘍細胞に含まれる対象物質の量を推定する。そして、第２推定部２０６０は、推定した対象物質の量と、対象検査に必要な対象物質の量とに基づいて、標本スライド２０の必要数を推定する。
　例えば遺伝子パネル検査等、腫瘍細胞に含まれる DNA が利用される検査において、対象物質は DNA である。この場合、第２推定部２０６０は、スライド画像３０の注目領域画像３２から検出された腫瘍細胞の数から、それらの腫瘍細胞から得られる DNA の量を推定する。そして、第２推定部２０６０は、推定した DNA の量と、対象検査に必要な DNA の量とに基づいて、標本スライド２０の必要数を推定する。
　腫瘍細胞数から対象物質の量への換算には、例えば、所定の換算式を利用することができる。例えば、非特許文献１には、腫瘍細胞数と DNA 量との関係を表す記述として、「１有核細胞から得られる DNA 収量は 6pg 程度と見積もられる。」との記述がある。そのため、この関係に基づいて、腫瘍細胞の数を DNA 量に換算することができる。
　腫瘍細胞数から対象物質の量への換算方法は、文献に開示されている腫瘍細胞数と対象物質の量との関係を利用する方法に限定されない。例えば、スライド数推定装置２０００の運用前に実験を行って、腫瘍細胞数から対象物質の量への換算式を作成してもよい。その他にも例えば、標本スライド２０の注目領域２２に含まれる腫瘍細胞の数が入力されたことに応じて、その注目領域２２に含まれる対象物質の量を出力するように学習されたモデル（以下、換算モデル）が利用されてもよい。この換算モデルには、任意の回帰モデルを利用することができる。
　換算モデルの学習は、入力データと正解データ（対応する入力データが入力されたことに応じてモデルから出力されるべき出力データ）のペアから成る訓練データを複数用いて行われる。入力データは、注目領域２２に含まれる腫瘍細胞の数を示す。正解データは、注目領域２２に含まれる対象物質の量を示す。
　第２推定部２０６０は、前述した換算式や換算モデルを用いて、第１推定部２０４０によって推定された腫瘍細胞数から、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる対象物質の量を算出する。さらに、第２推定部２０６０は、算出した対象物質の量と、対象検査に必要な対象物質の量との関係に基づいて、標本スライド２０の必要数を算出する。ここで、対象検査に必要な対象物質の量を示す情報は、スライド数推定装置２０００からアクセス可能な記憶部に予め格納しておく。
　例えば第２推定部２０６０は、組織片１０から得られる全ての標本スライド２０において、注目領域２２から同じ量の対象物質が得られると仮定して、標本スライド２０の必要数を算出する。この場合、標本スライド２０の必要数は、例えば以下の式（１）で算出することができる。
Figure JPOXMLDOC01-appb-M000001
 　式（１）において、M は標本スライド２０の必要数を表す。y は対象検査に必要な対象物質の量を表す。関数 f は、腫瘍細胞数を対象物質の量に変換する換算式を表す。x は、第１推定部２０４０によって推定された腫瘍細胞数を表す。[] はガウス記号である。すなわち、[a] は、a 以上の最小の整数を表す。
　その他にも例えば、第２推定部２０６０は、スライド画像３０に対応する標本スライド２０について推定された腫瘍細胞数から、他の標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定してもよい。この場合、標本スライド２０の必要数 M は、例えば、以下の式（２）を満たす最小の整数 k となる。
Figure JPOXMLDOC01-appb-M000002
 　式（２）において、i は、組織片１０から得られる各標本スライドに対して順に割り当てられた識別番号を表す。x_i は、識別子ｉの標本スライド２０（以下、標本スライド２０－i）の注目領域２２に含まれると推定された腫瘍細胞の数を表す。なお、x_i のアンダーバーは、下付文字を表す。
　ここで、式（２）では、iを２以上としている。これは、標本スライド２０－１が、スライド画像３０を得るために染色され、対象検査には利用されないことを想定しているためである。
　なお、標本スライド２０の必要数は、スライド画像３０に対応する標本スライド２０について推定された腫瘍細胞の数と、対象検査に必要な腫瘍細胞の数とに基づいて推定されてもよい。例えば、対象検査に必要な対象物質の量を腫瘍細胞数に換算することで、対象検査に必要な腫瘍細胞の数を予め算出しておき、その値をスライド数推定装置２０００からアクセス可能な記憶装置に格納しておく。この換算は、例えば、上記換算式 f() の逆関数を用いて行うことができる。また、前述した換算モデルの学習において、入力データと正解データの関係を逆にすることにより、所定物質の量を腫瘍細胞数に変換する換算モデルを生成することができる。
　対象検査に必要な腫瘍細胞数を z とおけば、式（１）と式（２）はそれぞれ、式（３）と式（４）に置き換えることができる。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　上述した方法で標本スライド２０の必要数を推定するため、第２推定部２０６０は、スライド画像３０に対応する標本スライド２０の注目領域２２について推定された腫瘍細胞の数に基づいて、組織片１０から得られるそれ以外の各標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する。この推定には、例えば、学習済みの腫瘍細胞数推定モデルが利用される。腫瘍細胞数推定モデルには、ニューラルネットワークや SVM などといった任意のモデルを利用することができる。
　腫瘍細胞数推定モデルは、入力データが入力されたことに応じて、出力データを出力する。入力データには、「スライド画像３０、そのスライド画像３０について推定された腫瘍細胞数」のペアが１つ以上含まれる。出力データは、入力データに含まれるスライド画像３０が得られた組織片１０について、その組織片１０から得られる複数の標本スライド２０それぞれの注目領域２２に含まれると推定される腫瘍細胞の数を示す。なお、入力データに複数のスライド画像３０が含まれる場合、これらには全て、同一の組織片１０から得られたものを利用する。
　以下、より具体的な腫瘍細胞数推定モデルの例をいくつか説明する。ここで、以下の説明では、組織片１０からｎ個の標本スライド２０が切り出させることを仮定している。
　図５は、腫瘍細胞数推定モデルの第１の具体例を示す図である。図５の腫瘍細胞数推定モデル４０に入力される入力データ４２は、「標本スライド２０－１のスライド画像３０、標本スライド２０－１の注目領域２２に含まれる腫瘍細胞の数」というペアを含む。また、図５の腫瘍細胞数推定モデル４０から出力される出力データ４４は、入力データ４２に利用された標本スライド２０以外の n-1 個の標本スライド２０それぞれについて、その標本スライド２０の注目領域２２に含まれると推定される腫瘍細胞の数を示す。
　図５の腫瘍細胞数推定モデル４０は、入力データと正解データのペアで構成される訓練データを複数利用して学習される。１つの訓練データ５０は、１つの組織片１０を利用して生成される。図６は、腫瘍細胞数推定モデル４０の学習に利用される訓練データの第１の具体例を示す図である。図６において、入力データ５２は、組織片１０から切り出された標本スライド２０－１のスライド画像と、その標本スライド２０－１の注目領域２２に含まれる腫瘍細胞の数とのペアで構成される。正解データ５４は、標本スライド２０－２から標本スライド２０－ｎそれぞれの注目領域２２に含まれる腫瘍細胞の数を示す。
　図７は、腫瘍細胞数推定モデル４０の第２の具体例を示す図である。図７の腫瘍細胞数推定モデル４０に入力される入力データ４２は、「スライド画像３０、腫瘍細胞数」というペアを２つ含む。また、図７の腫瘍細胞数推定モデル４０から出力される出力データ４４は、入力データ４２に利用された標本スライド２０以外の n-2 個の標本スライド２０それぞれについて、その標本スライド２０の注目領域２２に含まれると推定される腫瘍細胞の数を示す。
　これら n-2 個の標本スライド２０はいずれも、組織片１０において、入力データ４２の第１のペアのスライド画像３０に対応する標本スライド２０と、入力データの第２のペアのスライド画像３０に対応する標本スライド２０との間の部分から得られる標本スライド２０である。すなわち、図７の腫瘍細胞数推定モデル４０は、組織片１０から連続して切り出される標本スライド２０について、最初と最後に切り出される標本スライド２０の画像及びこれらについて推定された腫瘍細胞の数とに基づいて、それらの間の各標本スライド２０に含まれる腫瘍細胞の数を推定する。
　図８は、腫瘍細胞数推定モデル４０の学習に利用される訓練データ５０の第２の具体例を示す図である。入力データ５２は、組織片１０から連続して切り出されたｎ個の標本スライド２０のうち、最初と最後の標本スライド２０を利用して生成される。すなわち、入力データ５２に含まれる第１のペアは、「標本スライド２０－１のスライド画像、標本スライド２０－１の注目領域２２に含まれる腫瘍細胞の数」で構成される。また、入力データ５２に含まれる第２のペアは、「標本スライド２０－ｎのスライド画像、標本スライド２０－ｎの注目領域２２に含まれる腫瘍細胞の数」とで構成される。正解データ５４は、標本スライド２０－２から標本スライド２０－（ｎ－１）それぞれの注目領域２２に含まれる腫瘍細胞の数を示す。
　腫瘍細胞数推定モデル４０において、組織片１０から切り出す標本スライド２０の数であるｎは、固定で定まっていてもよいし、腫瘍細胞数推定モデル４０に対して入力されてもよい。後者の場合、入力データ４２及び入力データ５２には、組織片１０から切り出す標本スライド２０の数がさらに含まれる。
　入力データ４２及び入力データ５２は、スライド画像３０と腫瘍細胞の数以外のデータである付加情報をさらに含んでもよい。例えば付加情報は、スライド画像３０に対応する標本スライド２０の注目領域２２の形状、注目領域２２のサイズ、注目領域２２における腫瘍細胞の密度、注目領域２２における腫瘍細胞の分布、組織片１０を採取した方法、組織片１０を含む臓器の種類、及び腫瘍細胞の組織型のいずれか１つ以上を示す。
　なお、付加情報を腫瘍細胞数推定モデル４０に入力する代わりに、付加情報の値ごとに異なる腫瘍細胞数推定モデル４０を用意しておいてもよい。例えば、組織片１０の採取方法ごとに異なる腫瘍細胞数推定モデル４０を用意しておくとする。この場合、第２推定部２０６０は、複数の腫瘍細胞数推定モデル４０の中から、付加情報が示す組織片１０の採取方法に対応する腫瘍細胞数推定モデル４０を特定し、その腫瘍細胞数推定モデル４０に対して、入力データ４２に含まれる残りのデータを入力する。
　なお、腫瘍細胞数推定モデル４０を利用する代わりに、各標本スライド２０の注目領域２２に含まれる対象物質の量を推定する推定モデルが利用されてもよい。この場合、訓練データ５０の正解データ５４は、各標本スライド２０の注目領域に含まれる腫瘍細胞の数を示す代わりに、各標本スライド２０の注目領域に含まれる対象物質の量を示す。入力データ４２と入力データ５２に関しては、標本スライド２０の注目領域に含まれる腫瘍細胞の数と対象物質の量のどちらを示してもよい。
　組織片１０から得られる各標本スライド２０に含まれる腫瘍細胞の数を推定する方法は、腫瘍細胞数推定モデル４０を利用する方法に限定されない。例えば、組織片１０から連続して切り出されるｎ個の標本スライド２０について、これらの注目領域２２に含まれる腫瘍細胞の数の関係を表す関数を予め定めておいてもよい。この場合、第２推定部２０６０は、当該関数を利用して、スライド画像３０に対応する標本スライド２０の注目領域２２に含まれる腫瘍細胞の数から、他の各標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定する。
　例えば、組織片１０から連続して切り出されるｎ個の標本スライド２０において、腫瘍細胞の数が線形に変化すると仮定する。この場合において、第２推定部２０６０が、１つのスライド画像３０について推定された腫瘍細胞数を用いて、他の n-1 個の標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定するとする。この場合、例えば、標本スライド２０－ｉの注目領域２２に含まれる腫瘍細胞の数は、以下の式（５）で算出することができる。式（３）は、組織片１０の一端から切り出された標本スライド２０－１のスライド画像３０について推定された腫瘍細胞の数 b を用いて、他の n-1 個の標本スライド２０それぞれの注目領域２２に含まれる腫瘍細胞の数を推定する式である。
Figure JPOXMLDOC01-appb-M000005
 　式（５）において、num(i) は、標本スライド２０－ｉの注目領域２２に含まれる腫瘍細胞の数を表す。a は、隣接する標本スライド２０の間における腫瘍細胞数の増加量を表すゼロ以外の実数である。b は、第１推定部２０４０によって推定された、標本スライド２０－１の注目領域２２に含まれる腫瘍細胞の数を表す。
　その他にも例えば、第２推定部２０６０が２つのスライド画像３０それぞれについて推定された腫瘍細胞を用いて、他の n-2 個の標本スライド２０の注目領域２２に含まれる腫瘍細胞の数を推定するとする。この場合、例えば、標本スライド２０－ｉの注目領域２２に含まれる腫瘍細胞の数は、以下の式（６）で算出することができる。式（６）は、組織片１０から切り出された標本スライド２０－１のスライド画像３０と標本スライド２０－ｎのスライド画像３０それぞれについて推定された腫瘍細胞の数 b と c を用いて、それらの間に位置する n-2 個の標本スライド２０それぞれの注目領域２２に含まれる腫瘍細胞の数を推定する式である。
Figure JPOXMLDOC01-appb-M000006
　なお、上記の説明では、腫瘍細胞の数が線形に変化すると仮定している。しかしながら、腫瘍細胞の数の変化は線形の変化には限定されず、非線形の変化であってもよい。この場合、例えば、非線形のテンプレート関数を用意しておき、１つ以上のスライド画像３０について推定された腫瘍細胞の数に対して当該テンプレート関数をフィッティングさせることにより、腫瘍細胞の数の変化を表す関数を動的に生成する。そして、第２推定部２０６０は、この関数を利用して、スライド画像３０に対応する標本スライド２０以外の標本スライド２０について、その注目領域２２に含まれる腫瘍細胞の数を推定する。
＜スライド数推定装置２０００による出力＞
　スライド数推定装置２０００は、標本スライド２０の必要数を示す情報を出力する。以下、この情報を出力情報と呼ぶ。出力情報の出力態様は任意である。例えばスライド数推定装置２０００は、スライド数推定装置２０００からアクセス可能な任意の記憶装置に、出力情報を格納する。その他にも例えば、スライド数推定装置２０００は、スライド数推定装置２０００からアクセス可能なディスプレイ装置に、出力情報を表示させる。その他にも例えば、スライド数推定装置２０００は、スライド数推定装置２０００からアクセス可能な任意の装置に対して、出力情報を送信してもよい。
　出力情報は、標本スライド２０の必要数以外の情報を含んでいてもよい。例えばこの情報は、標本スライド２０から切り出されるｎ個の標本スライド２０のうち、どの標本スライド２０を対象検査に利用すべきかを示す。例えば標本スライド２０の必要数が M である場合、腫瘍細胞の数の多さの順で上位 M 個の標本スライド２０が、対象検査に利用すべき標本スライド２０である。そこで例えば、出力情報には、上記 M 個の標本スライド２０それぞれの識別子を示す情報が含まれる。
　ここで、組織片１０から得られる標本スライド２０を全て利用しても、対象検査に必要な量の対象物質を得られないことも考えられる。これは例えば、式（１）で算出される M の値や式（２）を満たす k の値が、組織片１０から切り出される標本スライド２０の数である n を超えている場合である。このような場合、スライド数推定装置２０００は、組織片１０から必要な量の対象物質を得ることができない旨を示すメッセージを出力してもよい。例えば、「現在の検体のみでは必要な量の DNA を得ることができません」や「追加の検体が必要です」などといったメッセージを出力させることが考えられる。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　なお、上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに提供することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、CD-ROM、CD-R、CD-R/W、半導体メモリ（例えば、マスク ROM、PROM（Programmable ROM）、EPROM（Erasable PROM）、フラッシュROM、RAM）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに提供されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　（付記１）
　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得手段と、
　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定手段と、
　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定手段と、を有するスライド数推定装置。
　（付記２）
　前記第２推定手段は、
　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、付記１に記載のスライド数推定装置。
　（付記３）
　前記取得手段は、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
　前記第１推定手段は、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
　前記第２推定手段は、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、付記２に記載のスライド数推定装置。
　（付記４）
　前記第２推定手段は、
　　前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを有し、
　　前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、付記２又は３に記載のスライド数推定装置。
　（付記５）
　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、付記４に記載のスライド数推定装置。
　（付記６）
　前記第２推定手段は、
　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、付記１から５いずれか一項に記載のスライド数推定装置。
　（付記７）
　前記所定の検査は遺伝子パネル検査であり、
　前記所定の物質は DNA である、付記６に記載のスライド数推定装置。
　（付記８）
　コンピュータによって実行される制御方法であって、
　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得ステップと、
　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定ステップと、
　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定ステップと、を有する制御方法。
　（付記９）
　前記第２推定ステップにおいて、
　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、付記８に記載の制御方法。
　（付記１０）
　前記取得ステップにおいて、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
　前記第１推定ステップにおいて、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
　前記第２推定ステップにおいて、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、付記９に記載の制御方法。
　（付記１１）
　前記コンピュータは、前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを有し、
　前記第２推定ステップにおいて、前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、付記９又は１０に記載の制御方法。
　（付記１２）
　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、付記１１に記載の制御方法。
　（付記１３）
　前記第２推定ステップにおいて、
　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、付記８から１２いずれか一項に記載の制御方法。
　（付記１４）
　前記所定の検査は遺伝子パネル検査であり、
　前記所定の物質は DNA である、付記１３に記載の制御方法。
　（付記１５）
　コンピュータに、
　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得ステップと、
　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定ステップと、
　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定ステップと、を実行させるプログラムが格納されている非一時的なコンピュータ可読媒体。
　（付記１６）
　前記第２推定ステップにおいて、
　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、付記１５に記載のコンピュータ可読媒体。
　（付記１７）
　前記取得ステップにおいて、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
　前記第１推定ステップにおいて、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
　前記第２推定ステップにおいて、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、付記１６に記載のコンピュータ可読媒体。
　（付記１８）
　前記プログラムは、前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを含み、
　前記第２推定ステップにおいて、前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、付記１６又は１７に記載のコンピュータ可読媒体。
　（付記１９）
　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、付記１８に記載のコンピュータ可読媒体。
　（付記２０）
　前記第２推定ステップにおいて、
　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、付記１５から１９いずれか一項に記載のコンピュータ可読媒体。
　（付記２１）
　前記所定の検査は遺伝子パネル検査であり、
　前記所定の物質は DNA である、付記２０に記載のコンピュータ可読媒体。
　この出願は、２０２１年３月２５日に出願された日本出願特願２０２１－０５１３５１を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０　　　　　　組織片
２０　　　　　　標本スライド
２２　　　　　　注目領域
３０　　　　　　スライド画像
３２　　　　　　注目領域画像
４０　　　　　　腫瘍細胞数推定モデル
４２　　　　　　入力データ
４４　　　　　　出力データ
５０　　　　　　訓練データ
５２　　　　　　入力データ
５４　　　　　　正解データ
５００　　　　　　コンピュータ
５０２　　　　　　バス
５０４　　　　　　プロセッサ
５０６　　　　　　メモリ
５０８　　　　　　ストレージデバイス
５１０　　　　　　入出力インタフェース
５１２　　　　　　ネットワークインタフェース
２０００　　　　　スライド数推定装置
２０２０　　　　　取得部
２０４０　　　　　第１推定部
２０６０　　　　　第２推定部

Claims (21)

  1. 　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得手段と、
    　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定手段と、
    　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定手段と、を有するスライド数推定装置。
  2. 　前記第２推定手段は、
    　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
    　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、請求項１に記載のスライド数推定装置。
  3. 　前記取得手段は、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
    　前記第１推定手段は、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
    　前記第２推定手段は、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、請求項２に記載のスライド数推定装置。
  4. 　前記第２推定手段は、
    　　前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを有し、
    　　前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、請求項２又は３に記載のスライド数推定装置。
  5. 　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、請求項４に記載のスライド数推定装置。
  6. 　前記第２推定手段は、
    　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
    　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、請求項１から５いずれか一項に記載のスライド数推定装置。
  7. 　前記所定の検査は遺伝子パネル検査であり、
    　前記所定の物質は DNA である、請求項６に記載のスライド数推定装置。
  8. 　コンピュータによって実行される制御方法であって、
    　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得ステップと、
    　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定ステップと、
    　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定ステップと、を有する制御方法。
  9. 　前記第２推定ステップにおいて、
    　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
    　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、請求項８に記載の制御方法。
  10. 　前記取得ステップにおいて、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
    　前記第１推定ステップにおいて、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
    　前記第２推定ステップにおいて、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、請求項９に記載の制御方法。
  11. 　前記コンピュータは、前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを有し、
    　前記第２推定ステップにおいて、前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、請求項９又は１０に記載の制御方法。
  12. 　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、請求項１１に記載の制御方法。
  13. 　前記第２推定ステップにおいて、
    　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
    　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、請求項８から１２いずれか一項に記載の制御方法。
  14. 　前記所定の検査は遺伝子パネル検査であり、
    　前記所定の物質は DNA である、請求項１３に記載の制御方法。
  15. 　コンピュータに、
    　被検者の組織片から得た標本スライドの画像であるスライド画像を取得する取得ステップと、
    　前記スライド画像を用いて、前記標本スライドの注目領域に含まれる腫瘍細胞の数を推定する第１推定ステップと、
    　前記推定された腫瘍細胞の数に基づき、所定の検査を行うために前記組織片から得るべき前記標本スライドの数を推定する第２推定ステップと、を実行させるプログラムが格納されている非一時的なコンピュータ可読媒体。
  16. 　前記第２推定ステップにおいて、
    　　前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定し、
    　　各前記標本スライドそれぞれの前記注目領域について推定された腫瘍細胞の数に基づいて、前記組織片から得るべき前記標本スライドの数を推定する、請求項１５に記載のコンピュータ可読媒体。
  17. 　前記取得ステップにおいて、第１の前記標本スライドの前記スライド画像と、第２の前記標本スライドの前記スライド画像とを取得し、
    　前記第１推定ステップにおいて、第１の前記標本スライドの前記注目領域と第２の前記標本スライドの前記注目領域それぞれについて、その中に含まれる腫瘍細胞の数を推定し、
    　前記第２推定ステップにおいて、第１の前記標本スライドと第２の前記標本スライドとの間の部分から得られる複数の前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を推定する、請求項１６に記載のコンピュータ可読媒体。
  18. 　前記プログラムは、前記標本スライドの画像と、その標本スライドの前記注目領域に含まれる腫瘍細胞の数とを示す入力データが入力されたことに応じて、前記組織片から得られる複数の前記標本スライドのうち、前記スライド画像が取得された前記標本スライド以外の各前記標本スライドそれぞれについて、その注目領域に含まれる腫瘍細胞の数を示す出力データを出力するように学習されたモデルを含み、
    　前記第２推定ステップにおいて、前記取得されたスライド画像と、前記推定された腫瘍細胞の数とを前記モデルに入力し、その入力に応じて前記モデルから得られる前記出力データを用いて、前記組織片から得るべき標本スライドの数を推定する、請求項１６又は１７に記載のコンピュータ可読媒体。
  19. 　前記入力データは、前記注目領域の形状、前記注目領域のサイズ、前記注目領域における腫瘍細胞の密度、前記注目領域における腫瘍細胞の分布、前記組織片を採取した方法、前記組織片を含む臓器の種類、及び前記腫瘍細胞の組織型のいずれか１つ以上を表す情報をさらに含む、請求項１８に記載のコンピュータ可読媒体。
  20. 　前記第２推定ステップにおいて、
    　　前記推定された腫瘍細胞の数から、前記注目領域に含まれる所定の物質の量を推定し、
    　　前記推定された所定の物質の量と、前記所定の検査に必要な前記所定の物質の量とに基づき、前記組織片から得るべき標本スライドの数を推定する、請求項１５から１９いずれか一項に記載のコンピュータ可読媒体。
  21. 　前記所定の検査は遺伝子パネル検査であり、
    　前記所定の物質は DNA である、請求項２０に記載のコンピュータ可読媒体。
PCT/JP2022/003854 2021-03-25 2022-02-01 スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体 WO2022201881A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/283,698 US20240161280A1 (en) 2021-03-25 2022-02-01 Slide number estimation apparatus, control method, and non-transitory computer readable medium
JP2023508737A JPWO2022201881A5 (ja) 2022-02-01 スライド数推定装置、制御方法、及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-051351 2021-03-25
JP2021051351 2021-03-25

Publications (1)

Publication Number Publication Date
WO2022201881A1 true WO2022201881A1 (ja) 2022-09-29

Family

ID=83396817

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/003854 WO2022201881A1 (ja) 2021-03-25 2022-02-01 スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体

Country Status (2)

Country Link
US (1) US20240161280A1 (ja)
WO (1) WO2022201881A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006523100A (ja) * 2003-04-03 2006-10-12 モナリザ メディカル， リミテッド 経子宮頸細胞を使用する非侵襲的出生前遺伝子診断
JP2013246187A (ja) * 2012-05-23 2013-12-09 Olympus Corp 顕微鏡システム、標本画像生成方法及びプログラム
JP2015125098A (ja) * 2013-12-27 2015-07-06 富士ゼロックス株式会社 画像処理装置及びプログラム
JP2015123047A (ja) * 2013-12-27 2015-07-06 富士ゼロックス株式会社 画像処理装置及びプログラム
JP2016049078A (ja) * 2014-09-02 2016-04-11 富士フイルム株式会社 細胞片抽出個数の決定方法及び装置、並びに生物情報解析方法
JP2017212938A (ja) * 2016-05-31 2017-12-07 富士フイルム株式会社 生物情報解析方法および生物情報解析システム
JP2017212937A (ja) * 2016-05-31 2017-12-07 富士フイルム株式会社 生物情報解析方法および生物情報解析方法システム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006523100A (ja) * 2003-04-03 2006-10-12 モナリザ メディカル， リミテッド 経子宮頸細胞を使用する非侵襲的出生前遺伝子診断
JP2013246187A (ja) * 2012-05-23 2013-12-09 Olympus Corp 顕微鏡システム、標本画像生成方法及びプログラム
JP2015125098A (ja) * 2013-12-27 2015-07-06 富士ゼロックス株式会社 画像処理装置及びプログラム
JP2015123047A (ja) * 2013-12-27 2015-07-06 富士ゼロックス株式会社 画像処理装置及びプログラム
JP2016049078A (ja) * 2014-09-02 2016-04-11 富士フイルム株式会社 細胞片抽出個数の決定方法及び装置、並びに生物情報解析方法
JP2017212938A (ja) * 2016-05-31 2017-12-07 富士フイルム株式会社 生物情報解析方法および生物情報解析システム
JP2017212937A (ja) * 2016-05-31 2017-12-07 富士フイルム株式会社 生物情報解析方法および生物情報解析方法システム

Also Published As

Publication number Publication date
JPWO2022201881A1 (ja) 2022-09-29
US20240161280A1 (en) 2024-05-16

Similar Documents

Publication Publication Date Title
JP2004174254A5 (ja)
CN107567631B (zh) 组织样品分析技术
CN112634987B (zh) 一种单样本肿瘤dna拷贝数变异检测的方法和装置
JP2013201909A (ja) 細胞画像判定装置、方法、並びにプログラム
JP2007122418A (ja) 予測方法、予測装置および予測プログラム
Gofer et al. Machine learning algorithms for classification of first‐trimester fetal brain ultrasound images
WO2022201881A1 (ja) スライド数推定装置、制御方法、及び非一時的なコンピュータ可読媒体
CN110930402A (zh) 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法
Padmanaban et al. Between-tumor and within-tumor heterogeneity in invasive potential
WO2008007630A1 (fr) Méthode et appareil de recherche de protéine
CN107391962A (zh) 基于多组学分析基因或位点对疾病调控关系的方法
US20230215571A1 (en) Automated classification of immunophenotypes represented in flow cytometry data
EP4207059A1 (en) Method and apparatus for tumor purity based on pathological slide image
KR101771042B1 (ko) 질병 관련 유전자 탐색 장치 및 그 방법
AU2022218581B2 (en) Sequencing data-based itd mutation ratio detecting apparatus and method
CN113990492B (zh) 确定关于实体瘤微小残留病灶的检测参数的方法、设备和存储介质
Yang et al. Keeping continuous diagnostic data continuous: Application of Bayesian latent class models in veterinary research
Bogomolovas et al. Automated quantification and statistical assessment of proliferating cardiomyocyte rates in embryonic hearts
Sai et al. SAI: fast and automated quantification of stomatal parameters on microscope images
Dávalos et al. A coalescent-based estimator of genetic drift, and acoustic divergence in the Pteronotus parnellii species complex
WO2016068625A1 (ko) Nmf를 이용한 타겟 염기 서열 분석에서의 바이어스 제거 방법
JPWO2002048915A1 (ja) 遺伝子間の関連を検出する方法
Zhang et al. Exon prediction based on multiscale products of a genomic-inspired multiscale bilateral filtering
KR102671745B1 (ko) 병리 슬라이드 이미지의 품질을 평가하는 방법 및 장치
EP4283623A1 (en) Method and device for evaluating quality of pathological slide image

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22774683

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023508737

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18283698

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22774683

Country of ref document: EP

Kind code of ref document: A1