特開 2024-140962 分析方法、検体分析装置およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024140962

(43)【公開日】2024-10-10

(54)【発明の名称】分析方法、検体分析装置およびプログラム

(51)【国際特許分類】

   G01N 33/48 20060101AFI20241003BHJP

   G01N 15/1429 20240101ALI20241003BHJP

   G06F 18/10 20230101ALI20241003BHJP

   G06N 3/045 20230101ALI20241003BHJP

【ＦＩ】

G01N33/48 M

G01N15/14 B

G06F18/10

G06N3/045

【審査請求】未請求

【請求項の数】53

【出願形態】ＯＬ

(21)【出願番号】P 2023052355

(22)【出願日】2023-03-28

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＴＨＵＮＤＥＲＢＯＬＴ

(71)【出願人】

【識別番号】390014960

【氏名又は名称】シスメックス株式会社

(74)【代理人】

【識別番号】100111383

【弁理士】

【氏名又は名称】芝野 正雅

(74)【代理人】

【識別番号】100170922

【弁理士】

【氏名又は名称】大橋 誠

(72)【発明者】

【氏名】益田 祐次

(72)【発明者】

【氏名】道本 健二郎

(72)【発明者】

【氏名】木村 考伸

(72)【発明者】

【氏名】鈴木 健一郎

(72)【発明者】

【氏名】中西 利志

【テーマコード（参考）】

2G045

【Ｆターム（参考）】

2G045CA02

2G045CA11

2G045CA24

2G045CB01

2G045CB02

2G045FA37

2G045JA01

(57)【要約】

【課題】人工知能アルゴリズムによる分析物の種別の分類精度を向上させることができる、分析方法、検体分析装置およびプログラムを提供する。
【解決手段】本発明に係る分析方法は、検体中の分析物を分析する方法であって、分析物から得られた光学的信号に対応する第１データを取得し、複数の第１データで構成される集合データを、第１データ間の関連度を計算可能な人工知能アルゴリズムに入力し、関連度を用いて分析物の種別を判定する。
【選択図】図９

【特許請求の範囲】

【請求項1】

検体中の分析物を分析する方法であって、
前記分析物から得られた光学的信号に対応する第１データを取得し、
複数の前記第１データで構成される集合データを、前記第１データ間の関連度を計算可能な人工知能アルゴリズムに入力し、
前記関連度を用いて前記分析物の種別を判定する、
ことを特徴とする分析方法。

【請求項2】

前記第１データおよび前記関連度に基づいて、前記分析物の種別が判定される、請求項１に記載の分析方法。

【請求項3】

前記人工知能アルゴリズムにより、前記集合データを構成する前記第１データが前記関連度に基づいて補正される、請求項１に記載の分析方法。

【請求項4】

前記人工知能アルゴリズムにより補正された前記第１データに基づいて、前記分析物の種別が判定される、請求項１に記載の分析方法。

【請求項5】

前記人工知能アルゴリズムにより、前記関連度に基づいて構成される第１集団に属する前記第１データと、前記関連度に基づいて構成される第２集団に属する前記第１データとの差が大きくなるように、前記第１データが補正される、請求項１に記載の分析方法。

【請求項6】

前記人工知能アルゴリズムにより、前記関連度に基づいて構成される一の集団に属する複数の前記第１データが互いに近づくように、前記第１データが補正される、請求項１に記載の分析方法。

【請求項7】

前記関連度は、行列演算により計算される、請求項１に記載の分析方法。

【請求項8】

前記人工知能アルゴリズムは、深層学習アルゴリズムである、請求項１に記載の分析方法。

【請求項9】

前記分析物から得られた光学的信号に対応する第２データを取得し、
前記第１データに対し、前記人工知能アルゴリズムによる第１分析を実行し、
前記第２データに対し、前記分析物の特徴に対応する代表値を処理する第２分析を実行する、請求項１に記載の分析方法。

【請求項10】

前記第１分析は、前記人工知能アルゴリズムによるＡＩ分析であり、
前記第２分析は、前記分析物の特徴に対応する前記代表値を処理する非ＡＩ分析である、請求項９に記載の分析方法。

【請求項11】

前記第２分析において、前記代表値を前記第２データに基づいて特定し、特定した前記代表値を処理する、請求項１０に記載の分析方法。

【請求項12】

前記第２分析において、前記代表値を前記第２データの大きさに基づいて特定する、請求項１０に記載の分析方法。

【請求項13】

前記第２分析において、前記第２データのピーク値を前記代表値として特定する、請求項１０に記載の分析方法。

【請求項14】

前記第１分析および前記第２分析の各々の対象となるデータを特定するためのルールに基づいて、前記第１データおよび前記第２データを特定する、請求項１０に記載の分析方法。

【請求項15】

前記検体に対する測定オーダーに含まれる測定項目に応じて、前記第１データおよび前記第２データを特定する、請求項１０に記載の分析方法。

【請求項16】

前記検体に対する測定オーダーの種別に応じて、前記第１データおよび前記第２データを特定する、請求項１０に記載の分析方法。

【請求項17】

前記検体を測定する装置の分析モードに応じて、前記第１データおよび前記第２データを特定する、請求項１０に記載の分析方法。

【請求項18】

前記第２分析の分析結果に応じて、前記第１分析の実行要否を判定する、請求項１０に記載の分析方法。

【請求項19】

前記第２分析によって所定の分析物が検出されたか否かに応じて、前記第１分析の実行要否を判定する、請求項１０に記載の分析方法。

【請求項20】

前記第２分析によって所定種別に分類された分析物に対応する前記第１データを前記第１分析の対象として特定する、請求項１０に記載の分析方法。

【請求項21】

前記第２分析で処理される前記代表値のデータ量は、前記第１分析において前記人工知能アルゴリズムに入力される前記集合データのデータ量より小さい、請求項１０に記載の分析方法。

【請求項22】

前記人工知能アルゴリズムによる演算処理を、並列処理プロセッサによる並列処理で実行する、請求項１に記載の分析方法。

【請求項23】

前記人工知能アルゴリズムによる行列演算を、並列処理プロセッサによる並列処理で実行する、請求項１に記載の分析方法。

【請求項24】

前記関連度の計算のための行列演算を、並列処理プロセッサによる並列処理で実行する、請求項１に記載の分析方法。

【請求項25】

前記第１分析に関する処理を並列処理プロセッサで実行し、前記第２分析に関する処理を前記並列処理プロセッサのホストプロセッサで実行する、請求項１０に記載の分析方法。

【請求項26】

前記並列処理プロセッサは、ＧＰＵである、請求項２２に記載の分析方法。

【請求項27】

検体中の分析物を分析するための検体分析装置であって、
前記分析物から光学的信号を取得する測定ユニットと、
前記光学的信号に対応する複数の第１データで構成される集合データを分析する分析ユニットと、を備え、
前記分析ユニットは、前記第１データ間の関連度に基づいて前記分析物の種別を判定する人工知能アルゴリズムを用いて、前記集合データを分析する、
ことを特徴とする検体分析装置。

【請求項28】

前記人工知能アルゴリズムが、前記第１データおよび前記関連度に基づいて、前記分析物の種別を判定する、請求項２７に記載の検体分析装置。

【請求項29】

前記人工知能アルゴリズムが、前記集合データを構成する前記第１データを前記関連度に基づいて補正する、請求項２７に記載の検体分析装置。

【請求項30】

前記人工知能アルゴリズムにより補正された前記第１データに基づいて、前記人工知能アルゴリズムが、前記分析物の種別を判定する、請求項２７に記載の検体分析装置。

【請求項31】

前記人工知能アルゴリズムが、前記関連度に基づいて構成される第１集団に属する前記第１データと、前記関連度に基づいて構成される第２集団に属する前記第１データとの差が大きくなるように、前記第１データを補正する、請求項２７に記載の検体分析装置。

【請求項32】

前記人工知能アルゴリズムが、前記関連度に基づいて構成される一の集団に属する複数の前記第１データが互いに近づくように、前記第１データを補正する、請求項２７に記載の検体分析装置。

【請求項33】

前記人工知能アルゴリズムが、行列演算により前記関連度を計算する、請求項２７に記載の検体分析装置。

【請求項34】

前記人工知能アルゴリズムが、深層学習アルゴリズムである、請求項２７に記載の検体分析装置。

【請求項35】

前記測定ユニットが、前記分析物から得られた光学的信号に対応する第２データを取得し、
前記分析ユニットが、前記第１データに対し、前記人工知能アルゴリズムによる第１分析を実行し、前記第２データに対し、前記分析物の特徴に対応する代表値を処理する第２分析を実行する、請求項２７に記載の検体分析装置。

【請求項36】

前記第１分析は、前記人工知能アルゴリズムによるＡＩ分析であり、
前記第２分析は、前記分析物の特徴に対応する前記代表値を処理する非ＡＩ分析である、請求項２７に記載の検体分析装置。

【請求項37】

前記分析ユニットが、前記第２分析において、前記代表値を前記第２データに基づいて特定し、特定した前記代表値を処理する、請求項３６に記載の検体分析装置。

【請求項38】

前記分析ユニットが、前記第２分析において、前記代表値を前記第２データの大きさに基づいて特定する、請求項３６に記載の検体分析装置。

【請求項39】

前記分析ユニットが、前記第２分析において、前記第２データのピーク値を前記代表値として特定する、請求項３６に記載の検体分析装置。

【請求項40】

前記分析ユニットが、前記第１分析および前記第２分析の各々の対象となるデータを特定するためのルールに基づいて、前記第１データおよび前記第２データを特定する、請求項３６に記載の検体分析装置。

【請求項41】

前記分析ユニットが、前記検体に対する測定オーダーに含まれる測定項目に応じて、前記第１データおよび前記第２データを特定する、請求項３６に記載の検体分析装置。

【請求項42】

前記分析ユニットが、前記検体に対する測定オーダーの種別に応じて、前記第１データおよび前記第２データを特定する、請求項３６に記載の検体分析装置。

【請求項43】

前記分析ユニットが、前記検体を測定する装置の分析モードに応じて、前記第１データおよび前記第２データを特定する、請求項３６に記載の検体分析装置。

【請求項44】

前記分析ユニットが、前記第２分析の分析結果に応じて、前記第１分析の実行要否を判定する、請求項３６に記載の検体分析装置。

【請求項45】

前記分析ユニットが、前記第２分析によって所定の分析物が検出されたか否かに応じて、前記第１分析の実行要否を判定する、請求項３６に記載の検体分析装置。

【請求項46】

前記分析ユニットが、前記第２分析によって所定種別に分類された分析物に対応する前記第１データを前記第１分析の対象として特定する、請求項３６に記載の検体分析装置。

【請求項47】

前記第２分析で処理される前記代表値のデータ量が、前記第１分析において前記人工知能アルゴリズムに入力される前記集合データのデータ量より小さい、請求項３６に記載の検体分析装置。

【請求項48】

前記分析ユニットが、並列処理プロセッサをさらに含み、
前記並列処理プロセッサが、前記人工知能アルゴリズムによる演算処理を並列処理で実行する、請求項２７に記載の検体分析装置。

【請求項49】

前記分析ユニットが、並列処理プロセッサをさらに含み、
前記並列処理プロセッサが、前記人工知能アルゴリズムによる行列演算を並列処理で実行する、請求項２７に記載の検体分析装置。

【請求項50】

前記分析ユニットが、並列処理プロセッサをさらに含み、
前記並列処理プロセッサが、前記関連度の計算のための行列演算を並列処理で実行する、請求項２７に記載の検体分析装置。

【請求項51】

前記分析ユニットが、並列処理プロセッサをさらに含み、
前記並列処理プロセッサが、前記第１分析に関する処理を実行し、
前記並列処理プロセッサのホストプロセッサが、前記第２分析に関する処理を実行する、請求項３６に記載の検体分析装置。

【請求項52】

前記並列処理プロセッサが、ＧＰＵである、請求項４８に記載の検体分析装置。

【請求項53】

検体中の分析物を分析する処理をコンピュータに実行させるプログラムであって、
前記分析物から得られた光学的信号に対応する複数のデータで構成される集合データを分析する処理を含み、
前記処理が、
前記データ間の関連度を計算し、前記関連度に基づいて前記分析物の種別を判定する人工知能アルゴリズムを用いて、前記集合データを分析する、
ことを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、検体の分析方法、検体を分析する検体分析装置およびプログラムに関する。

【背景技術】

【0002】

特許文献１には、細胞をフローサイトメーターによって測定して得られた結果をＡＩアルゴリズムによって解析し、細胞を種別に応じて分類する方法が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１８／２０３５６８号

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載の方法では、測定試料中の各細胞から取得された情報と参照情報とをＡＩアルゴリズムにより比較し、各細胞が属する種別の確率（例えば、ある細胞がＡである確率が７０％）を算出する。特許文献１のように各細胞の特徴を個別に分析するＡＩアルゴリズムでは、ある細胞が属する種別が確率的に複数種類存在すると分析される場合（例えば、ある細胞について、Ａである確率が４８％、Ｂである確率が４８％と分析されるような場合）が想定される。この場合、当該細胞の種別を特定することが困難となり、その結果、ＡＩアルゴリズムによる細胞種別の分類精度が低下してしまうという課題がある。

【0005】

かかる課題に鑑み、本発明は、人工知能アルゴリズムによる分析物の種別の分類精度を向上させることができる、分析方法、検体分析装置およびプログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の分析方法は、検体中の分析物を分析する方法に関する。本発明の分析方法は、分析物から得られた光学的信号（８０ａ、８０ｂ、８０ｃ）に対応する第１データ（８１、８１ａ、８１ｂ、８１ｃ）を取得し（Ｓ１、Ｓ４、Ｓ１１、Ｓ１１１、Ｓ１２１、Ｓ１３１、Ｓ３０３）、複数の第１データ（８１、８１ａ、８１ｂ、８１ｃ）で構成される集合データ（Ｓ）を、第１データ（８１、８１ａ、８１ｂ、８１ｃ）間の関連度を計算可能な人工知能アルゴリズム（６０）に入力し、関連度を用いて分析物の種別を判定する（Ｓ２、Ｓ５、Ｓ１４、Ｓ７４、Ｓ８４、Ｓ９５、Ｓ１１２、Ｓ１２２、Ｓ１３４、Ｓ２０１）。

【0007】

本発明の分析方法によれば、集合データを人工知能アルゴリズムで処理して、第１データ間の関連度を取得することにより、ある第１データが複数の種別のいずれに対してより関連するかを判定できる。よって、複数の種別のいずれに属するかの判定が困難となる第１データの数を減らすことができるため、人工知能アルゴリズムによる分析物の種別の分類精度を向上させることができる。

【0008】

本発明の検体分析装置（４０００）は、検体中の分析物を分析するための検体分析装置に関する。本発明の検体分析装置（４０００）は、分析物から光学的信号（８０ａ、８０ｂ、８０ｃ）を取得する測定ユニット（４００）と、光学的信号（８０ａ、８０ｂ、８０ｃ）に対応する複数の第１データ（８１、８１ａ、８１ｂ、８１ｃ）で構成される集合データ（Ｓ）を分析する分析ユニット（３００、６００）と、を備える。分析ユニット（３００、６００）は、第１データ（８１、８１ａ、８１ｂ、８１ｃ）間の関連度に基づいて分析物の種別を判定する人工知能アルゴリズム（６０）を用いて、集合データ（Ｓ）を分析する。

【0009】

本発明の検体分析装置によれば、集合データを人工知能アルゴリズムで処理して、第１データ間の関連度を取得することにより、ある第１データが複数の種別のいずれに対してより関連するかを判定できる。よって、複数の種別のいずれに属するかの判定が困難となる第１データの数を減らすことができるため、人工知能アルゴリズムによる分析物の種別の分類精度を向上させることができる。

【0010】

本発明のプログラム（３１００、６１００）は、検体中の分析物を分析する処理をコンピュータ（３００、６００）に実行させるプログラムに関する。本発明のプログラム（３１００、６１００）は、分析物から得られた光学的信号（８０ａ、８０ｂ、８０ｃ）に対応する複数のデータ（８１、８１ａ、８１ｂ、８１ｃ）で構成される集合データ（Ｓ）を分析する処理を含む。この処理が、データ（８１、８１ａ、８１ｂ、８１ｃ）間の関連度を計算し、関連度に基づいて分析物の種別を判定する人工知能アルゴリズム（６０）を用いて、集合データ（Ｓ）を分析する。

【0011】

本発明のプログラムによれば、集合データを人工知能アルゴリズムで処理して、データ間の関連度を取得することにより、あるデータが複数の種別のいずれに対してより関連するかを判定できる。よって、複数の種別のいずれに属するかの判定が困難となるデータの数を減らすことができるため、人工知能アルゴリズムによる分析物の種別の分類精度を向上させることができる。

【発明の効果】

【0012】

本発明によれば、分析物の光学的信号に対応する第１データが複数集合した集合データをＡＩアルゴリズムで処理して第１データ間の関連度を分析することにより、ある第１データが複数の種別のいずれにより関連するかを判定できる。よって、複数の種別のいずれに属するかの判定が困難となる第１データの数を減らすことができるので、ＡＩアルゴリズムによる分析物の種別の分類精度が向上する。

【図面の簡単な説明】

【0013】

【図1】図１は、実施形態１に係る、検体分析装置の構成例を模式的に示す図である。

【図2】図２は、実施形態１に係る、ＦＣＭ検出部の光学系の構成例を模式的に示す図である。

【図3】図３は、実施形態１に係る、波形データの生成を説明するための模式図である。

【図4】図４は、実施形態１に係る、光学的信号から分析データを生成する方法を模式的に示す図である。

【図5】図５は、実施形態１に係る、分析データをＡＩアルゴリズムにより分析する方法を模式的に示す図である。

【図6】図６は、実施形態１に係る、細胞種に対応するラベル値を示す図である。

【図7】図７は、実施形態１に係る、複数の分析データで構成される集合データの構成例を示す図である。

【図8】図８は、実施形態１に係る、ＡＩアルゴリズムの関連度計算部による集合データの処理の例を示す図である。

【図9】図９は、実施形態１に係る、検体分析装置による検体の分析処理の動作例を示すフローチャートである。

【図10】図１０は、実施形態１に係る、学習に用いられる複数の分析データで構成される集合データ、正解ラベル値、および分類情報の構成例を示す図である。

【図11】図１１は、実施形態１に係る、訓練データをＡＩアルゴリズムに入力してＡＩアルゴリズムを学習させる方法を模式的に示す図である。

【図12】図１２は、実施形態２に係る、計算処理分析およびＡＩ分析の概要を示す図である。

【図13】図１３は、実施形態２に係る、波形データおよび代表値を模式的に示す図である。

【図14】図１４は、実施形態２に係る、検体分析方法の例を示すフローチャートである。

【図15】図１５は、実施形態３に係る、分析ユニットに設定されたルールに基づいて分析動作を設定する例を示すフローチャートである。

【図16】図１６は、実施形態４に係る、測定項目に応じて分析が実行される例を示すフローチャートである。

【図17】図１７は、実施形態４に係る、測定項目ごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。

【図18】図１８は、実施形態４に係る、測定オーダーに応じて分析が実行される例を示すフローチャートである。

【図19】図１９は、実施形態４に係る、測定オーダーに対して分析モードを設定するための画面を模式的に示す例示図である。

【図20】図２０は、実施形態４に係る、装置の分析モードに応じて分析が実行される例を示すフローチャートである。

【図21】図２１は、実施形態４に係る、分析ユニットの分析モードを設定するための画面を模式的に示す例示図である。

【図22】図２２は、実施形態４に係る、測定オーダーの種別に応じて分析が実行される例を示すフローチャートである。

【図23】図２３は、実施形態４に係る、測定オーダーの種別ごとに分析モードを設定するための画面を模式的に示す例示図である。

【図24】図２４は、実施形態４係る、測定項目および測定オーダーの種別に応じて分析が実行される例を示すフローチャートである。

【図25】図２５は、実施形態４に係る、測定項目および測定オーダーの種別ごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。

【図26】図２６は、実施形態４に係る、計算処理分析によるフラグに基づいてＡＩ分析の要否が決定される例を示すフローチャートである。

【図27】図２７は、実施形態４に係る、分析結果のフラグごとにＡＩ分析を設定するための画面を模式的に示す例示図である。

【図28】図２８は、実施形態４に係る、計算処理分析で分類された特定の分析物に対してＡＩ分析を実行する例を示すフローチャートである。

【図29】図２９は、実施形態４に係る、分析物の種別ごとにＡＩ分析を行うか否かを設定するための画面を模式的に示す例示図である。

【図30】図３０は、実施形態４に係る、図２８に示す処理で実行される計算処理分析およびＡＩ分析による分類方法を説明する図である。

【図31】図３１は、実施形態４に係る、計算処理分析で特定の分類が行われた場合にＡＩ分析を実行する例を示すフローチャートである。

【図32】図３２は、実施形態４に係る、特定の種別の分析物に対してＡＩ分析を行うか否かを設定するための画面を模式的に示す例示図である。

【図33】図３３は、実施形態５に係る、分析ユニットの電気・制御系の機能構成を示すブロック図である。

【図34】図３４は、実施形態５に係る、測定ユニットの電気・制御系の機能構成を示すブロック図である。

【図35】図３５は、実施形態５に係る、図３４の測定ユニットにおける検体吸引部および試料調製部の流体系の機能構成を示すブロック図である。

【図36】図３６は、実施形態５に係る、図３５に示した試料調製部の流体系の他の機能構成を示すブロック図である。

【図37】図３７は、実施形態５に係る、測定チャンネルに応じて分析が実行される例を示すフローチャートである。

【図38】図３８は、実施形態５に係る、測定チャンネルごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。

【図39】図３９は、実施形態５に係る、ＷＤＦチャンネルで取得される波形データに対してＡＩ分析を実行する例を示すフローチャートである。

【図40】図４０は、実施形態５に係る、ＷＤＦチャンネルで取得される波形データに基づいて、ＡＩ分析で有核赤血球と好塩基球を分類し、計算処理分析でその他を分類する例を示すフローチャートである。

【図41】図４１は、実施形態５に係る、ＷＤＦチャンネルにおける計算処理の分析により特定された好中球／好塩基球に対してＡＩ分析を実行する例を示すフローチャートである。

【図42】図４２は、実施形態６に係る、検体分析装置の電気・制御系の機能構成を示すブロック図である。

【図43】図４３は、実施形態６に係る、分析ユニットの電気・制御系の機能構成を示すブロック図である。

【図44】図４４は、実施形態６に係る、検体分析装置の電気・制御系の他の機能構成を示すブロック図である。

【図45】図４５は、実施形態６に係る、並列処理プロセッサの構成例を示す図である。

【図46】図４６は、実施形態６に係る、並列処理プロセッサの搭載例を模式的に示す図である。

【図47】図４７は、実施形態６に係る、並列処理プロセッサの搭載例を模式的に示す図である。

【図48】図４８は、実施形態６に係る、並列処理プロセッサの搭載例を模式的に示す図である。

【図49】図４９は、実施形態６に係る、並列処理プロセッサの他の搭載例を示す図である。

【図50】図５０は、実施形態６に係る、演算処理を実行する並列処理プロセッサの構成例を示す図である。

【図51】図５１は、実施形態６に係る、並列処理プロセッサが実行する行列演算の概要を示す図である。

【図52】図５２は、実施形態６に係る、複数の演算処理が並列処理プロセッサで並列に実行されることを示す概念図である。

【図53】図５３は、実施形態６に係る、畳み込み層に関する演算処理の概要を模式的に示す図である。

【図54】図５４は、実施形態６に係る、分析ユニットおよび測定ユニットの分析動作を示すフローチャートである。

【図55】図５５は、実施形態６に係る、図５４のステップＳ２０１におけるＡＩ分析の詳細を示すフローチャートである。

【図56】図５６は、実施形態６に係る、図５５のステップＳ２０１１の詳細を示すフローチャートである。

【図57】図５７は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図58】図５８は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図59】図５９は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図60】図６０は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図61】図６１は、実施形態６に係る、検体分析装置の電気・制御系の他の機能構成を示すブロック図である。

【図62】図６２は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図63】図６３は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図64】図６４は、実施形態６に係る、演算処理を実行する並列処理プロセッサの構成例を示す図である。

【図65】図６５は、実施形態６に係る、コンピュータの電気・制御系の機能構成を示すブロック図である。

【図66】図６６は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図67】図６７は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図68】図６８は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図69】図６９は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図70】図７０は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図71】図７１は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図72】図７２は、実施形態６に係る、測定ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図73】図７３は、実施形態６に係る、分析ユニットの電気・制御系の他の機能構成を示すブロック図である。

【図74】図７４は、実施形態７に係る、波形データ分析システムの構成を模式的に示す図である。

【図75】図７５は、実施形態７に係る、深層学習装置の電気・制御系の機能構成を示すブロック図である。

【図76】図７６は、実施形態７に係る、深層学習装置の電気・制御系の機能構成を示すブロック図である。

【図77】図７７は、実施形態７に係る、深層学習装置が行う処理を示すフローチャートである。

【図78】図７８は、実施形態７に係る、ニューラルネットワークの構造を例示す模式図、各ノードにおける演算を示す模式図、および、ノード間の演算を示す模式図である。

【発明を実施するための形態】

【0014】

以下、本発明の概要および実施形態を、添付の図面を参照して詳細に説明する。以下の説明および図面において、同じ符号は、同じまたは類似の構成要素を示すこととし、便宜上、同じまたは類似の構成要素に関する説明を省略する。

【0015】

［実施形態１］
本実施形態は、検体の測定によって取得されたデータに対して、人工知能アルゴリズム（ＡＩ（Artificial Intelligence）アルゴリズム）による分析を行う検体分析方法、分析を実行可能な検体分析装置およびプログラムを開示する。ＡＩアルゴリズムによる分析では、例えば、多量の行列演算処理によってデータが分析される。以下、ＡＩアルゴリズムによる分析を、「ＡＩ分析」と称する。

【0016】

本実施形態においては、測定試料中の分析物が検体分析装置によって測定される。例えば、検体分析装置は、測定試料中の分析物に関する信号に基づき、当該信号に対応するデータを取得する。当該データは、検体分析装置によって測定された複数の分析物に対して取得される。

【0017】

本実施形態では、例えば、複数の分析物に各々対応するデータを集合した集合データがＡＩアルゴリズムで分析される。ＡＩアルゴリズムは、集合データを構成するデータ間の関連度を計算し、計算された関連度に基づいて各データに対応する分析物の種別を分類する。例えば、分析物に対応するデータの特徴に基づいて当該分析物の種別を分類すると、Ａ種別とＢ種別のいずれにも該当しうる（例えば、Ａ種別である確率が４５％、Ｂ種別である確率が４５％）と判定される場合がある。このような場合、当該分析物がＡ種別とＢ種別のいずれであるかを特定することが難しい。

【0018】

このような場合において、本実施形態のＡＩアルゴリズムは、（１）当該データと、Ａ種別であると判定された他のデータとの関連度、および、（２）Ｂ種別であると判定された他のデータとの関連度、を計算し、どちらの関連度がより高いかを判定できる。したがって、例えば、当該データは、Ａ種別と判定された他のデータにより関連度が高いと判定された場合、当該データはＡ種別の分析物であると判定できる。よって、本実施形態のＡＩアルゴリズムは、分析物の種別の分類が困難となるケースを削減できるため、データ間の関連度を判定しないアルゴリズムよりも分析物の分類精度が向上する。

【0019】

図１は、実施形態１の検体分析装置４０００の構成例を模式的に示す図である。

【0020】

図１の上段に示すように、実施形態１の検体分析装置４０００は、例えば、測定ユニット４００および分析ユニット３００を備える。なお、図１の下段に示すように、検体分析装置４０００は、一体的に構成された測定ユニット４００および分析ユニット３００により構成されてもよい。この場合、情報の入力および表示が可能なタッチパネル式のディスプレイが測定ユニット４００の前面に設けられてもよい。

【0021】

検体分析装置４０００は、例えば、血球分析装置、尿分析装置などである。検体分析装置４０００の分析対象となる分析物は、例えば、細胞、有形成分、たんぱくなどである。

【0022】

測定ユニット４００は、検体を測定し、検体に関するデータを取得する。分析ユニット３００は、測定ユニット４００によって取得されたデータを分析する。分析ユニット３００は、測定ユニット４００における測定試料の測定条件の設定や測定実行のための制御を行う機能を備えてもよい。図１の上段では、分析ユニット３００は、測定ユニット４００と別の装置（例えばコンピュータ）として構成され、測定ユニット４００に接続される。分析ユニット３００および測定ユニット４００は、有線または無線により接続される。

【0023】

測定ユニット４００は、検体から調製された測定試料を測定するための光学式検出部を備える。光学式検出部は、例えば、フローサイトメトリーに基づくＦＣＭ検出部４１０（図２参照）であり、血液検体や尿検体の測定に用いられる。光学式検出部は、フローセルを流れる測定試料に光を照射することで、光学的信号を取得する。例えば、光学式検出部は、フローセルを流れる分析物（例えば、細胞や有形成分）を含む測定試料に光を照射して、分析物から前方散乱光、側方散乱光および蛍光を生じさせる。光学式検出部に設けられた光検出器は、生じた光を受光し、受光した光の強度に対応する光学的信号を出力する。光学的信号は、前方散乱光、側方散乱光および蛍光の時間変化に対応する波形状のアナログ信号である。

【0024】

光学式検出部に設けられたＡ／Ｄ変換部４６１（図２参照）は、光学的信号をデジタル変換し、分析物の各々に対応する波形状のデジタルデータ（以下、「波形データ」と称する）を取得する。この場合の波形データは、例えば、血液検体中の白血球種の分類、血液検体中の赤血球および白血球数の分類や、尿検体中の有形成分の分類などに用いられる。

【0025】

図２は、ＦＣＭ検出部４１０の光学系の構成例を模式的に示す図である。

【0026】

光源４１１１から出射された光は、照射レンズ系４１１２を介してフローセル（シースフローセル）４１１３内を通過する測定試料中の分析物に照射される。これにより、フローセル４１１３内を流れる分析物から散乱光および蛍光が発せられる。

【0027】

光源４１１１から出射される光の波長は特に限定されず、蛍光色素の励起に好適な波長が選択される。光源４１１１として、例えば、半導体レーザ光源、アルゴンレーザ光源、ヘリウム－ネオンレーザ等の気体レーザ光源、水銀アークランプなどが使用される。半導体レーザ光源は、気体レーザ光源に比べて非常に安価である。

【0028】

フローセル４１１３内の分析物から生じる前方散乱光は、集光レンズ４１１４およびピンホール部４１１５を介して、受光素子４１１６によって受光される。受光素子４１１６は、例えば、フォトダイオードである。フローセル４１１３内の分析物から生じる側方散乱光は、集光レンズ４１１７、ダイクロイックミラー４１１８、バンドパスフィルタ４１１９、およびピンホール部４１２０を介して、受光素子４１２１によって受光される。受光素子４１２１は、例えば、フォトダイオードである。フローセル４１１３内の分析物から生じる蛍光は、集光レンズ４１１７およびダイクロイックミラー４１１８を介して、受光素子４１２２によって受光される。受光素子４１２２は、例えば、アバランシェフォトダイオードである。なお、受光素子４１１６、４１２１、４１２２として、光電子増倍管が用いられてもよい。

【0029】

各受光素子４１１６、４１２１、４１２２から出力されたアナログの受光信号（光学的信号）は、それぞれ、アンプ４１５１、４１５２、４１５３を介して、アナログ処理部４２０に入力される。アナログ処理部４２０は、ＦＣＭ検出部４１０から入力される光学的信号に対してノイズ除去や平滑化などの処理を行い、処理後の光学的信号をＡ／Ｄ変換部４６１に対して出力する。Ａ／Ｄ変換部４６１は、アナログ処理部４２０から出力された、測定試料の測定開始から測定終了までのアナログの各光学的信号をデジタルデータに変換する。

【0030】

図３は、波形データの生成を説明するための模式図である。

【0031】

図３の上段に例示するように、Ａ／Ｄ変換部４６１には、受光素子４１１６、４１２１、４１２２から出力された３種類の光学的信号（前方散乱光信号、側方散乱光信号および蛍光信号）が、それぞれ対応する複数の信号伝送経路４２０ａ（図２参照）を介して入力される。Ａ／Ｄ変換部４６１は、複数の信号伝送経路４２０ａから入力された光学的信号のそれぞれをデジタルデータに変換する。それぞれの信号伝送経路４２０ａは、例えば、アナログの光学的信号を差動信号として伝送するように構成されてもよい。

【0032】

図３の中段に例示するように、Ａ／Ｄ変換部４６１は、光学的信号の信号レベルと所定の閾値とを比較して、光学的信号の信号レベルが閾値より大きくなると、光学的信号のサンプリングを開始し、所定のサンプリング期間、光学的信号をサンプリングする。所定のサンプリング期間は、フローセル４１１３の光照射領域を１つの分析物が通過する期間より長く、当該分析物の次の分析物が照射領域に到達するまでの期間より短い固定の期間である。Ａ／Ｄ変換部４６１は、所定のサンプリングレート（例えば、所定のサンプリング期間が１０２４０ナノ秒である場合、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、または１６０ナノ秒間隔で６４ポイントのサンプリング等）で、アナログの光学的信号をサンプリングする。

【0033】

Ａ／Ｄ変換部４６１は、例えば、各分析物に対応する３種類の光学的信号に対してサンプリング処理を実行することで、各分析物について前方散乱光信号のデジタルデータ（波形データ）、側方散乱光信号のデジタルデータ（波形データ）、および蛍光信号のデジタルデータ（波形データ）を生成する。各デジタルデータ（波形データ）は、検体中の分析物の各々に対応する。

【0034】

図３の下段に例示するように、サンプリングによって、１つの分析物に対応する波形データとして、複数の時点におけるアナログ信号レベルをデジタルに示す値を要素とする行列データ（図３の例では、一次元の配列データ）が得られる。Ａ／Ｄ変換部４６１は、分析物ごとに、前方散乱光の波形データ、側方散乱光の波形データ、および蛍光の波形データを生成する。Ａ／Ｄ変換部４６１は、例えば、取得された分析物の数が所定数に達するまで、または検体がフローセル４１１３に流されてから所定時間が経過するまで、波形データの生成を繰り返す。これにより、１つの検体に含まれるＮ個の分析物の波形データで構成されるデジタルデータが得られる。各分析物に対するサンプリングデータの集合（例えば、ｔ＝０ｎｓからｔ＝１０２４０ｎｓまで１０ナノ秒毎に１０２４個のデジタル値の集合）が波形データに相当する。

【0035】

Ａ／Ｄ変換部４６１によって生成された各々の波形データには、図３の下段に例示するように、各々の分析物を識別するためのインデックスが付与されてもよい。インデックスは、例えば、生成された波形データの順に１～Ｎの整数が付与され、同じ分析物から得られた前方散乱光の波形データ、側方散乱光の波形データ、および蛍光の波形データには、それぞれ、同一のインデックスが付与される。同じ分析物に対応する波形データに同一のインデックスが付与されることで、後述するＡＩアルゴリズム６０は、個々の分析物に対応する前方散乱光の波形データ、側方散乱光の波形データ、および蛍光の波形データを１セットとし、当該セットが複数集合した集合データを解析し、分析物の種別を分類できる。

【0036】

Ａ／Ｄ変換部４６１で生成された波形データは、分析ユニット３００に送られる。分析ユニット３００は、波形データをＡＩアルゴリズムによって分析する。

【0037】

次に、測定ユニット４００により取得された波形データを用いて分析ユニット３００が行う分析の例を説明する。

【0038】

図４、５は、検体中の分析物の波形データをＡＩアルゴリズム６０により分析する方法を模式的に示す図である。ＡＩアルゴリズム６０は、例えば、深層学習（ディープラーニング）に基づいて構築されたアルゴリズムである。

【0039】

図４に示すように、分析物がフローサイトメトリーに基づいて測定されることにより、分析物から前方散乱光に対応する光学的信号８０ａ、側方散乱光に対応する光学的信号８０ｂ、および蛍光に対応する光学的信号８０ｃが取得される。分析物に対応する波形データ８１ａ、８１ｂ、８１ｃは、それぞれ、光学的信号８０ａ、８０ｂ、８０ｃに基づいて取得される。そして、波形データ８１ａ、８１ｂ、８１ｃからなる分析データ８１が生成される。分析データ８１は、測定された分析物の各々に対して複数生成される。

【0040】

図５に示すように、複数の分析データ８１で構成される集合データ（例えば、後述する行列Ｓ）が、訓練済みのＡＩアルゴリズム６０に入力される。ＡＩアルゴリズム６０は、機能として、関連度計算部６１および分類判定部６２を備える。関連度計算部６１および分類判定部６２は、ニューラルネットワークにより構成される。図５では、分類判定部６２のニューラルネットワークが模式的に図示されている。

【0041】

ＡＩアルゴリズム６０の関連度計算部６１は、集合データを構成する複数の分析データ８１間の関連度を計算する。関連度計算部６１は、例えば、集合データを構成する複数の分析データ８１のうち、互いに関連すると判定された分析データ８１の特徴が近くなるように分析データ８１を補正する。補正は、関連度に基づくデータの特徴量への重み付けである。例えば、補正が行われる前において、ある分析物がＡである確率が４８％、Ｂである確率が４８％である場合、関連度計算部６１による関連度に基づく補正によって、当該分析物がＡである確率が７０％、Ｂである確率が２５％となる。言い換えると、関連度計算部６１により、分析データ８１を構成する波形データの特徴量が他の波形データとの関連度が考慮されて再構成される。

【0042】

この例のように、関連度計算部６１による関連度の計算により、例えば、関連度が高い分析物の集団が形成され、ある集団に属する分析物に対応する分析データ８１の特徴量と、他の集団に属する分析物に対応する分析データ８１の特徴量と、の差が大きくなる。また、関連度計算部６１による関連度の計算により、例えば、ある集団に属する分析物に対応する分析データ８１間の特徴量が近似するようになる。これにより、各分析物の分類種別の確率的な区別がしやすくなり、結果として、ＡＩアルゴリズム６０による分類精度が向上する。

【0043】

ＡＩアルゴリズム６０の分類判定部６２は、関連度計算部６１により補正された分析データ８１に基づいて、各分析物の種別を分類する。補正された分析データ８１は、例えば、分類判定部６２を構成するニューラルネットワークの入力層６２ａに入力される。入力層６２ａと出力層６２ｃの間には中間層６２ｂが位置づけられる。関連度計算部６１には集合データ（行列Ｓ）が入力されたが、入力層６２ａには、例えば、補正後の集合データを構成する分析データ８１毎にデータが入力される。例えば、入力層６２ａに、ある分析物に対応する分析データ８１（例えば、分析物に対応する３つの波形データ）が入力され、当該分析データ８１に対応する分析物の種別が分類される。この処理が、分析の対象となる全ての分析データ８１について順次実行される。

【0044】

分類情報８２は、出力層６２ｃから、分析物毎（分析データ８１のインデックス毎）に出力される。分類情報８２は、例えば、分析物が複数の種別の各々に該当する確率を含む。その後、確率が最も高い種別が、当該分析物が属する種別であると判断され、その種別を表す識別子であるラベル値８３が、分類結果として出力される。ラベル値８３には、当該ラベル値８３に対応する種別を示す文字列やインデックスを示す番号を含んでもよい。

【0045】

図５では、分析物が血液検体中の細胞である例が示されている。この場合、図６に例示するような細胞種に対応するラベル値８３が、分類結果として生成される。例えば、ある分析物の細胞種が好中球である確率が最も高いと判定された場合、当該分析物に対応するラベル値８３が「１」に決定される。集合データを構成する分析データ８１の各々に対応する分析物について、ラベル値８３が決定される。

【0046】

本実施形態では、関連度により分析データ８１が補正されているため、分類情報８２において最も高い確率の種別と、２番目に高い確率の種別との間で、確率に開きが生じる。このため、確率が最も高い種別が真の種別である可能性が高くなり、確率が最も高い種別を分類結果として精度よく提供できる。

【0047】

なお、入力層６２ａには、補正後の分析データ８１の集合データが一度に入力されてもよい。この場合、全ての分析物の種別に関する分類情報８２が出力層６２ｃから出力される。また、ＡＩアルゴリズム６０は、出力層６２ｃから分類情報８２を出力したが、出力層６２ｃから各分析物のラベル値８３を出力するよう構成されてもよい。

【0048】

図７は、複数の分析データ８１で構成される集合データの構成例を示す図である。

【0049】

図７に例示される集合データは、ＡＩアルゴリズム６０に入力される行列Ｓである。行列Ｓは、測定された複数の分析物に各々対応する分析データ８１（第１データ）の集合である。行列Ｓには、Ｎ個の分析物の各々に対応する複数の分析データ８１が格納される。行列Ｓのサイズは、分析対象となる分析物の数と、波形データのサイズに応じて決められる。例えば、３種類の波形データの各々が１０２４サンプリングポイントで生成され、分析物の数がＮである場合、行列Ｓのサイズは、Ｎ×（１０２４×３）となる。

【0050】

図８は、ＡＩアルゴリズム６０の関連度計算部６１による集合データの処理の例を示す図である。

【0051】

図８の（１）に例示されるように、行列Ｓおよび行列Ｔ（Ｔ＝Ｓ）に基づき、行列Ｑ、Ｋ、Ｖがそれぞれ計算される。Ｑはクエリであり、Ｋはキーであり、Ｖはバリューである。図８の（１）中のＷ_ｑ、Ｗ_ｋおよびＷ_ｖは、それぞれＡＩアルゴリズム６０の学習によって得られた重みである。Ｗ_ｑ、Ｗ_ｋおよびＷ_ｖは、それぞれ行列である。

【0052】

次に、図８の（２）に例示された式で、各細胞に対応する分析データ８１間の関連度が計算される。行列Ｑと、行列Ｋの転置行列である行列Ｋ^Ｔの内積が、Softmax関数によって計算される。Softmax関数により、行列Ｚが計算される。行列Ｚは、各細胞に対応する分析データ８１間の関連度を表す行列である。行列Ｚは、分析データ８１間の関連度に応じて、各データに重み付けをするための行列である。図８の（１）、（２）に示すように、行列Ｚは、行列Ｓと行列Ｔ（Ｔ＝Ｓ）の各行の関連度を表す行列である。行列Ｓと行列Ｔの各行は、各細胞の分析データ８１に対応する。よって、行列Ｓと行列Ｔの各行の関連度を表す行列Ｚは、分析データ８１間の関連度を表す。図７に例示したように行列ＳがＮ行の行列である場合、行列Ｚは、Ｎ×Ｎの行列となる。

【0053】

次に、図８の（３）に例示された式で、行列Ｖに上述の関連度を反映する処理が実行される。図８の（３）の例では、行列Ｖと行列Ｚの内積が計算される。ＡＩアルゴリズム６０の分類判定部６２は、図８の（３）で算出された行列データ（行列Ｖと行列Ｚの内積）に基づいて、細胞種を分類する。

【0054】

本実施形態のＡＩアルゴリズム６０は、複数の分析物に各々対応する分析データ８１間の関連度を計算する。ＡＩアルゴリズム６０の関連度計算部６１は、関連度が高い分析データ８１の特徴がより近くなるように、入力された分析データ８１を補正する。例えば、Ａ集団とＢ集団の境界付近の分析データ８１がＢ集団により関連が高いと判定された場合、当該分析データ８１はＢ集団に近くなるように補正される。関連度に基づく補正により、いずれの集団に属するかが不明確であることにより種別の分類が困難となる分析データ８１の数を減らすことができる。これにより、関連度を判定可能な本実施形態のＡＩアルゴリズム６０は、関連度を判定しないＡＩアルゴリズムよりも分析物の分類精度が向上する。

【0055】

図９は、検体分析装置４０００による検体の分析処理の動作例を示すフローチャートである。

【0056】

ステップＳ１において、測定ユニット４００は、分析物が含まれる測定試料を検出部によって検出する。検出部は、例えば、分析物に対応する光学的信号を検出可能なフローサイトメーターであり、具体的にはＦＣＭ検出部４１０である。また、ステップＳ１において、測定ユニット４００は、検出部で検出された信号からデジタルデータ（波形データ）を取得する。取得された波形データは、分析ユニット３００に送られる。

【0057】

ステップＳ２において、分析ユニット３００（具体的には、例えば、後述の図３３に示すプロセッサ３００１）は、測定ユニット４００で取得された波形データを分析する。具体的には、分析ユニット３００は、複数の細胞に各々対応する波形データの集合をＡＩアルゴリズム６０により分析する。ＡＩアルゴリズム６０による集合データの分析処理は、上述の通りである。これにより、分析物の種別が判定され、分類情報８２および分類結果（ラベル値８３）が取得される。

【0058】

ステップＳ３において、分析ユニット３００（具体的には、例えば、後述の図３３に示すプロセッサ３００１）は、分析結果を提供する。分析結果は、各分析物の種別の分類結果を反映した内容である。例えば、分析結果は、分類結果に応じた分析物の数や濃度である。ステップＳ３において、例えば、分析ユニット３００は、表示部への分析結果の表示や、他のコンピュータに対する分析結果の送信などを行う。

【0059】

次に、ＡＩアルゴリズム６０の学習の例を説明する。

【0060】

図１０、１１は、訓練データに基づいてＡＩアルゴリズム６０を学習させる方法を模式的に示す図である。

【0061】

図１０の上段に例示される集合データは、行列Ｓ０である。行列Ｓ０は、上述の行列Ｓと同様の構成であり、測定された複数の分析物に各々対応する分析データ７１の集合である。また、図１０の下段に例示される正解ラベル値７３は、例えば、行列Ｓ０に対応する各分析物の種別を示す。正解ラベル値７３に基づいて、分析物ごとに分類情報７２が生成される。この場合の分類情報７２では、正解ラベル値７３で示される種別の確率のみが１００％とされる。例えば、インデックス＃１の分析物は正解ラベル値７３が３の単球であるため、単球の確率が１００％、それ以外の種別の確率が０％となるよう、当該分析物の分類情報７２が生成される。行列Ｓ０と各分析物の分類情報７２とにより、訓練データが構成される。このような訓練データが、学習のためにＡＩアルゴリズム６０に入力される。

【0062】

行列Ｓ０は、例えば、病院や検査施設での検体の測定結果として蓄積された波形データを基に生成される。行列Ｓ０は、例えば、病院や検査施設で測定された分析物の前方散乱光、側方散乱光および蛍光の各々に対応する波形データに基づいて生成される。

【0063】

正解ラベル値７３は、例えば、行列Ｓ０を構成する波形データの分析に基づく分類結果から生成される。この場合の分類結果は、ＡＩアルゴリズム６０による分析とは異なる分析により生成される。例えば、側方散乱光に基づく波形データのピーク値および蛍光に基づく波形データのピーク値に基づいて、検体中の分析物（例えば細胞）が、好中球、リンパ球、単球、好酸球、好塩基球、幼若顆粒球および異常細胞の集団に分類される。分類された細胞種別に対応する正解ラベル値７３は、その細胞の分析データ７１（例えば、３種類の波形データ）に対応付けられる。

【0064】

なお、訓練データの生成方法はこれに限らず、例えば、セルソータによって回収された既知の種別の細胞をフローサイトメトリーに基づいて測定し、分析データ７１（波形データ）を取得することにより生成してもよい。

【0065】

図１１に示すように、図４と同様、例えば、分析物がフローサイトメトリーに基づいて測定されることにより、分析物から訓練用の波形データ７１ａ、７１ｂ、７１ｃが取得される。そして、波形データ７１ａ、７１ｂ、７１ｃからなる分析データ７１が生成される。波形データ７１ａ、７１ｂ、７１ｃは、それぞれ前方散乱光の波形データ、側方散乱光の波形データ、および蛍光の波形データである。分析データ７１は、測定された分析物の各々に対して生成される。複数の分析物の分析データ７１に基づいて、行列Ｓ０が生成される。また、複数の分析物に対してそれぞれ分類結果が取得され、分類結果に基づいて正解ラベル値７３が生成される。そして、分析物ごとに、正解ラベル値７３に基づいて分類情報７２が生成される。

【0066】

図１１の例のように、行列Ｓ０が、関連度計算部６１に入力され、分類情報７２が、分析物ごとに出力層６２ｃに順次入力される。ＡＩアルゴリズム６０によって行列Ｓ０が処理され、ＡＩアルゴリズム６０による各分析物の分類結果が、対応する分類情報７２に近づくように、関連度計算部６１の重み行列（図８のＷ_ｑ、Ｗ_ｋ、Ｗ_ｖ）と、分類判定部６２の重み行列とが調整される。このとき、行列Ｓ０が関連度計算部６１によって各種パラメータを含んだ状態で補正され、補正後の行列Ｓ０に基づく分類判定部６２の分類と、入力された分類情報７２とが近づくようにＡＩアルゴリズム６０の学習が行われる。したがって、ＡＩアルゴリズム６０に対して行列Ｓ０と分類情報７２とが入力されることにより、関連度計算部６１および分類判定部６２の両方の重み行列の調整が行われる。

【0067】

ＡＩアルゴリズム６０の関連度計算部６１および分類判定部６２の重み行列が、調整された重み行列に置き換えられることで、学習結果がＡＩアルゴリズム６０に適用される。こうして、図１１に例示された処理で学習されたＡＩアルゴリズム６０が、分析ユニット３００に設定される。

【0068】

次に、実施形態１のその他の構成について説明する。

【0069】

実施形態１の検体として、被検者から採取された生体試料を挙げることができる。検体は、例えば、静脈血、動脈血等の末梢血、尿、血液および尿以外の体液を含み得る。血液および尿以外の体液は、例えば、骨髄液、腹水、胸水、脳脊髄液等を含み得る。以下、血液および尿以外の体液を単に「体液」という場合がある。血液試料は、細胞数の計数および細胞種別の判定ができる状態である限り、制限されない。血液は、好ましくは末梢血である。例えば、血液は、エチレンジアミン四酢酸塩ナトリウム塩またはカリウム塩）、ヘパリンナトリウム等の抗凝固剤を使用して採血された末梢血を挙げることができる。末梢血は、動脈から採取されても静脈から採取されてもよい。

【0070】

本実施形態において判定しようとする細胞種別は、形態学的な分類に基づく細胞種別を基準とするものであり、検体の種類に応じて異なる。検体が血液である場合であって、血液が健常者から採血されたものである場合、本実施形態において判定しようとする細胞種別には、例えば、有核赤血球、白血球等の有核細胞、赤血球、血小板等が含まれる。有核細胞には、例えば、好中球、リンパ球、単球、好酸球、好塩基球が含まれる。好中球には、例えば、分葉核好中球および桿状核好中球が含まれる。血液が非健常者から採血されたものである場合、有核細胞には、例えば、幼若顆粒球および異常細胞からなる群から選択される少なくとも一種が含まれる場合がある。このような細胞も本実施形態において判定しようとする細胞種別に含まれる。幼若顆粒球には、例えば、後骨髄球、骨髄球、前骨髄球、骨髄芽球等の細胞が含まれ得る。

【0071】

また、有核細胞には、正常細胞の他、健常人の末梢血には含まれない異常細胞が含まれていてもよい。異常細胞の例は、所定の疾患に罹患した際に出現する細胞であり、例えば腫瘍細胞である。造血系の場合、所定の疾患は、例えば、骨髄異型性症候群、急性骨髄芽球性白血病、急性前骨髄球性白血病、急性骨髄単球性白血病、急性単球性白血病、赤白血病、急性巨核芽球性白血病、急性骨髄性白血病、急性リンパ球性白血病、リンパ芽球性白血病、慢性骨髄性白血病、または慢性リンパ球性白血病等の白血病、ホジキンリンパ腫、非ホジキンリンパ腫等の悪性リンパ腫、および多発性骨髄腫よりなる群から選択される疾患であり得る。

【0072】

さらに、異常細胞には、例えば、リンパ芽球、形質細胞、異型リンパ球、反応性リンパ球、前赤芽球、好塩基性赤芽球、多染性赤芽球、正染性赤芽球、前巨赤芽球、好塩基性巨赤芽球、多染性巨赤芽球、および正染性巨赤芽球等の有核赤血球である赤芽球、およびミクロメガカリオサイトを含む巨核球等の健常人の末梢血では通常認められない細胞が含まれ得る。

【0073】

また、検体が尿である場合、本実施形態において判定しようとする細胞種別には、例えば、移行上皮、扁平上皮等の上皮細胞、赤血球、白血球等が含まれ得る。異常細胞としては、例えば、細菌、糸状菌、酵母等の真菌、腫瘍細胞等が含まれ得る。

【0074】

検体が腹水、胸水、髄液等の通常血液成分を含まない体液である場合、細胞種別には、例えば、赤血球、白血球、大型細胞を含み得る。ここで挙げた大型細胞とは、体腔内膜または内臓の腹膜から剥がれた細胞で白血球より大きいものを指し、例えば、中皮細胞、組織球、腫瘍細胞等が該当する。

【0075】

検体が骨髄液である場合、本実施形態において判定しようとする細胞種別は、正常な細胞として、成熟した血球細胞と幼若な血球系細胞を含み得る。成熟した血球細胞には、例えば、有核赤血球、白血球等の有核細胞、赤血球、血小板等が含まれる。白血球等の有核細胞には、例えば、好中球、リンパ球、形質細胞、単球、好酸球、好塩基球が含まれる。好中球には、例えば、分葉核好中球および桿状核好中球が含まれる。幼若な血球系細胞には、例えば、造血系幹細胞、幼若顆粒球系細胞、幼若リンパ球系細胞、幼若単球系細胞、幼若赤血球系細胞、巨核球系細胞、間葉系細胞等が含まれる。幼若顆粒球には、例えば、後骨髄球、骨髄球、前骨髄球、骨髄芽球等の細胞が含まれ得る。幼若リンパ球系細胞には、例えば、リンパ芽球等が含まれる。幼若単球系細胞には、単芽球等が含まれる。幼若赤血球系細胞には、例えば、前赤芽球、好塩基性赤芽球、多染性赤芽球、正染性赤芽球、前巨赤芽球、好塩基性巨赤芽球、多染性巨赤芽球、および正染性巨赤芽球等の有核赤血球が含まれる。巨核球系細胞には、例えば、巨核芽球等が含まれる。

【0076】

骨髄に含まれ得る異常細胞としては、例えば、上述した骨髄異型性症候群、急性骨髄芽球性白血病、急性前骨髄球性白血病、急性骨髄単球性白血病、急性単球性白血病、赤白血病、急性巨核芽球性白血病、急性骨髄性白血病、急性リンパ球性白血病、リンパ芽球性白血病、慢性骨髄性白血病、または慢性リンパ球性白血病等の白血病、ホジキンリンパ腫、非ホジキンリンパ腫等の悪性リンパ腫、および多発性骨髄腫よりなる群から選択される造血系腫瘍細胞、骨髄以外の器官に発生した悪性腫瘍の転移腫瘍細胞を挙げることができる。

【0077】

光学的信号は、好ましくは、細胞に光を照射することで光学的な応答として得られる光信号である。光信号は、光散乱に基づく信号、光吸収に基づく信号、透過光に基づく信号、および蛍光に基づく信号から選択される少なくとも一種を含み得る。

【0078】

光散乱に基づく信号は、光照射によって生じる散乱光信号および光照射によって生じる光損失信号を含み得る。散乱光信号は、照射光の進行方向に対する散乱光の受光角度に応じて、検体中の分析物の特徴を表す。前方散乱光信号は、分析物の大きさを表す代表値の算出に用いられる。側方散乱光信号は、検体中の分析物が細胞である場合に、当該細胞の核の複雑さを表す代表値の算出に用いられる。

【0079】

前方散乱光の「前方」は、光源から発せられた光の進行方向を意図する。「前方」には、照射光の角度を０度とした場合に、受光角度が０°から５°付近である前方低角、および／または受光角度が５°から２０°付近である前方高角を含み得る。「側方」は、「前方」と重ならない限り制限されない。「側方」には、照射光の角度を０°とした場合、受光角度が２５°から１５５°付近、好ましくは４５°から１３５°付近、より好ましくは９０°付近を含み得る。本実施形態の蛍光は、側方散乱光と同様の受光角度において検出される。

【0080】

光散乱に基づく信号は、偏光または偏光解消を信号の成分として含んでもよい。例えば、検体中の分析物に光を照射して生じる散乱光を、偏光板を通して受光することで、特定角度に偏光した散乱光のみを受光することができる。また、偏光板を通して光を検体中の分析物に照射し、生じた散乱光を照射用の偏光板と異なる角度の偏光のみを透過する偏光板を通して受光することで、偏光解消散乱光のみを受光することができる。

【0081】

光損失信号は、光が分析物に照射されて散乱することで受光部における受光量が減少することに基づく、受光量の損失量を表す。光損失信号は、好ましくは、照射光の光軸方向における光損失（軸方向光損失）として得られる。光損失信号は、測定試料がフローセルを流れていない状態で受光部における受光量を１００％としたときの、測定試料がフローセルを流れた時の受光量の割合として表すことができる。軸方向光損失は、前方散乱光信号と同様に分析物の大きさを表す代表値の算出に用いられるが、細胞が透光性を有する場合とそうでない場合とで得られる信号は異なる。

【0082】

蛍光に基づく信号は、蛍光物質によって標識した分析物に対して光を照射することで励起される蛍光であってもよいし、非染色の分析物から生じる自家蛍光であってもよい。検体中の分析物が細胞である場合、蛍光物質は、核酸や膜タンパクに結合する蛍光色素であってもよいし、細胞の特定のタンパク質に結合する抗体を蛍光色素で修飾した標識抗体であってもよい。

【0083】

光学的信号は、検体中の分析物に対して光を照射し、光が照射された分析物を撮像することによって得られる画像データの形式で取得されてもよい。画像データは、フローセルの流路を流れる個々の分析物をＴＤＩカメラやＣＣＤカメラ等の撮像素子によって撮像することで得ることができる。または、スライドガラス上に細胞を含む検体または測定試料を塗布し、散布し、または点着し、スライドガラスを撮像素子によって撮像することで細胞の画像データが取得されてもよい。

【0084】

検体中の分析物から得られる信号は、光学的信号に限られず、細胞から得られる電気的信号であってもよい。電気的信号は、例えば、フローセルに直流電流を印加し、分析物がフローセルを流れることによって生じるインピーダンスの変化を電気的信号として用いてもよい。このようにして得られる電気的信号は、分析物の容積を反映する代表値の算出に用いられる。あるいは、電気的信号は、フローセルを流れる分析物に無線周波を印加したときのインピーダンスの変化でもよい。このようにして得られる電気的信号は、分析物の伝導度を反映する代表値の算出に用いられる。

【0085】

検体中の分析物から得られる信号は、上述の信号のうち少なくとも２種類以上の信号を組み合わせてもよい。複数の信号を組み合わせることで、分析物の特徴を多面的に分析することができ、より高精度な細胞の分類が可能になる。組み合わせは、複数の光学的信号、例えば、前方散乱光信号、側方散乱光信号、および蛍光信号のうち少なくとも２つを組み合わせてもよく、角度の異なる散乱光信号、例えば、低角度散乱光信号および高角度散乱光信号を組み合わせてもよい。または光学的信号および電気的信号を組み合わせてもよく、組み合わせる信号の種類および数は特に制限されない。

【0086】

［実施形態２］
実施形態２は、検体の測定によって取得されたデータに対して、ＡＩ分析と、ＡＩアルゴリズムを用いない分析を行う検体分析方法、双方の分析を実行可能な検体分析装置、検体分析方法およびプログラムを開示する。

【0087】

ＡＩアルゴリズムを用いない分析では、例えば、分析物の特徴に対応する代表値に対する計算処理によってデータが分析される。以下、ＡＩアルゴリズムを用いずに、分析物の特徴に対応する代表値に対する計算処理によってデータを分析する分析方法を、便宜上、「計算処理分析」または「非ＡＩ分析」と称する。計算処理分析において処理される代表値は、ＡＩ分析においてＡＩアルゴリズムに入力されるデータよりもデータ量が小さい。計算処理分析では、処理対象のデータ量と演算処理量がＡＩ分析と比較して少ないため、ＡＩ分析に比べて、分析を行うコンピュータに対する負荷が少ない。これにより、測定結果の分析のＴＡＴ（Turn Around Time）を短くすることができる。

【0088】

実施形態２の検体分析方法、検体分析装置およびプログラムによれば、検体の測定によって取得されたデータの分析を、ＡＩ分析と計算処理分析とで分担して実行することで、分析を行うコンピュータの負荷を軽減できる。

【0089】

図１２は、計算処理分析およびＡＩ分析の概要を示す図である。

【0090】

図１２において、左側の図は計算処理分析の概要を示しており、右側の図はＡＩ分析の概要を示している。図１２中のＦＳＣ、ＳＳＣおよびＦＬは、それぞれ、測定ユニット４００の光学式検出部が取得した前方散乱光強度、側方散乱光強度および蛍光に対応する光学的信号を示している。ＡＩ分析においては、複数の分析物に各々対応する波形データの集合（集合データ）が、ＡＩアルゴリズム６０に入力される。

【0091】

測定ユニット４００は、光学的信号をデジタル変換したデジタルデータにおいて、図１３の上段のグラフに示すように、所定の閾値より大きい値の領域を、検体中の分析物に対応する領域として特定する。光学的信号がデジタル変換されたデジタルデータの閾値より値が大きい領域は、検体中の分析物の各々に対応する領域である。図１３の各グラフには、デジタルデータにおいて特定された、検体中の１つの分析物に対応する領域（例えば、図１３の上段のグラフにおける「波形データ」の領域）が模式的に示されている。なお、所定の閾値より値が大きい領域の特定は、光学的信号に対して行われてもよい。

【0092】

測定ユニット４００は、例えば、光学的信号がデジタル変換されたデジタルデータから、検体中の分析物の各々に対応する領域を波形データとして取得する。波形データは、検体中の複数の分析物に対応して取得される。分析ユニット３００は、波形データのうち、分析物の特徴に対応する代表値を計算処理によって算出する。図１３の各グラフに示すように、分析ユニット３００は、代表値として、例えば、波形データのピーク値、幅および面積などの量を算出する。ピーク値は、波形データの最大値であり、幅は、波形データの時間軸方向の幅であり、面積は、波形データによって囲まれる面積である。

【0093】

計算処理分析では、分析物の特徴に対応する代表値は予め定められている。例えば、分析物である血球の分類と計数を行う場合、計算処理分析のアルゴリズムで予め定められている代表値はピーク値である。分析ユニット３００は、波形データから、予め定められた代表値を所定の計算によって取得し、分析物を分析するために取得した代表値を処理する。分析ユニット３００は、測定ユニット４００で得られた複数の波形データのそれぞれについて、予め定められた代表値を取得する。つまり、分析ユニット３００による所定の計算によって、複数の波形データのそれぞれから同一種類の代表値（例えばピーク値）が取得される。予め定められた代表値は、測定ユニット４００によって取得され、取得された代表値と波形データが分析ユニット３００に送信されてもよい。

【0094】

一方、ＡＩ分析では、ＡＩアルゴリズム６０が波形データの特徴を抽出するため、代表値は予め定められていない。ＡＩアルゴリズム６０が抽出する波形データの特徴（すなわち、分析物に対応する特徴）および波形データ間の関連度はＡＩアルゴリズム６０の学習内容に応じて変わりうるため、ＡＩ分析において代表値を予め定めなくてもよい。ＡＩアルゴリズム６０は、学習内容に応じて波形データの多様な特徴を抽出しうるため、代表値のみではなく波形データ自体で構成される集合データがＡＩアルゴリズム６０に入力される。波形データ自体で構成される集合データがＡＩアルゴリズム６０に入力されるため、ＡＩ分析では、計算処理分析に比べて、データの演算のためのコンピュータ負荷が高くなり、演算に要するＴＡＴ（Turn Around Time）も長くなる。

【0095】

図１２の左側に示すように、分析ユニット３００は、計算処理分析において、分析物に対応して取得された波形データから代表値を取得し、取得した代表値に基づいて、例えば、スキャッタグラムＳＣを生成する。図１２の左側に例示するスキャッタグラムＳＣにおいて、横軸のＳＳＣＰは、側方散乱光に基づく波形データのピーク値であり、縦軸のＦＬＰは、蛍光に基づく波形データのピーク値である。スキャッタグラムＳＣには、複数の分析物がプロットされる。分析ユニット３００は、スキャッタグラムＳＣに基づいて、検体中の分析物の分類および分析を実行する。

【0096】

図１２の右側に示すように、分析ユニット３００は、ＡＩ分析において、複数の分析物に各々対応する波形データの集合（集合データ）をＡＩアルゴリズム６０に入力し、検体中の分析物の分類および分析を実行する。ＡＩアルゴリズム６０は、学習済みのＡＩアルゴリズムであり、図１１を参照して説明したように、訓練前のＡＩアルゴリズムに波形データ７１ａ、７１ｂ、７１ｃの集合（集合データ）を入力して学習させることで生成される。計算処理分析において取得される代表値は、ＡＩ分析においてＡＩアルゴリズム６０に入力される波形データよりもデータ量が小さい。

【0097】

計算処理分析およびＡＩ分析によって分類される分析物の種別は、例えば、血液検体中の血球の種別や、尿検体中の有形成分の種別などである。例えば、分析ユニット３００は、血液検体中の白血球の種別を分類する測定項目についてＡＩ分析を実行し、その他の測定項目について計算処理分析を実行する。

【0098】

図１４は、実施形態２の検体分析方法の例を示すフローチャートである。

【0099】

ステップＳ４において、測定ユニット４００は、光学式検出部によって光学的信号を取得し、取得した光学的信号から波形データを取得する。

【0100】

ステップＳ５において、分析ユニット３００は、測定ユニット４００で取得された波形データのうち、ＡＩ分析の対象となる波形データ（第１データ）の集合に対してＡＩ分析を実行する。例えば、分析ユニット３００は、ＡＩ分析の対象である測定項目に対応する波形データを第１データとして特定し、特定した複数の第１データで構成される集合データに対してＡＩ分析を実行する。

【0101】

ステップＳ６において、分析ユニット３００は、測定ユニット４００で取得された波形データのうち、計算処理分析の対象となる波形データ（第２データ）に対して計算処理分析を実行する。例えば、分析ユニット３００は、計算処理分析の対象である測定項目に対応する波形データを第２データとして特定し、特定した第２データに対して計算処理分析を実行する。

【0102】

上記ステップＳ５、Ｓ６において、血液検体中の白血球の種別を分類する測定がＡＩ分析の対象となっている場合を例として説明する。測定ユニット４００は、例えば、白血球分類の測定に対応した試薬で血液検体を調製し、調製した測定試料をフローサイトメトリーに基づく光学式検出部で測定する。分析ユニット３００は、白血球分類に関する測定はＡＩ分析の対象であるため、白血球分類の測定試料に基づく波形データ（第１データ）の集合を特定する。分析ユニット３００は、ＡＩアルゴリズム６０によって当該第１データの集合データを分析し、白血球を分類する。一方、分析ユニット３００は、白血球分類以外の測定試料に基づく波形データを第２データとして特定する。分析ユニット３００は、第２データから分析物の特徴に対応する代表値を特定し、特定した代表値を処理する計算処理分析を実行し、白血球以外の血球を分類する。

【0103】

ステップＳ７において、分析ユニット３００は、取得された分析結果を提供する。ステップＳ７において、例えば、分析ユニット３００は、表示部への分析結果の表示や、他のコンピュータに対する分析結果の送信などを行う。

【0104】

なお、ステップＳ４において、測定ユニット４００は、１つの測定試料から、光学式検出部によって光学的信号を取得し、取得した光学的信号から波形データを取得してもよい。この場合、第１データおよび第２データは、それぞれが複数のデータであり、一部のデータが互いに同じデータであってもよい。

【0105】

また、ステップＳ４において、同一の被検者から採取した検体を含む複数の測定試料のそれぞれから、光学式検出部によって光学的信号を取得し、取得した光学的信号のそれぞれから波形データを取得してもよい。例えば、分析ユニット３００は、ステップＳ５において、一の測定試料から取得された波形データ（第１データ）が複数集合した集合データに対してＡＩ分析を実行し、ステップＳ６において、他の測定試料から取得された波形データ（第２データ）に対して計算処理分析を実行する。同一の被検者から採取した検体を含む複数の測定試料は、互いに同種の試薬を用いて調製されてもよいし、互いに異種の試薬を用いて調製されてもよい。

【0106】

また、ステップＳ４において、互いに異なる被検者から採取した検体を含む複数の測定試料のそれぞれから、光学式検出部によって光学的信号を取得し、取得した光学的信号のそれぞれから波形データを取得してもよい。例えば、分析ユニット３００は、ステップＳ５において、一の測定試料から取得された波形データ（第１データ）が複数集合した集合データに対してＡＩ分析を実行し、ステップＳ６において、他の測定試料から取得された波形データ（第２データ）に対して計算処理分析を実行する。互いに異なる被検者から採取した検体を含む複数の測定試料は、互いに同種の試薬を用いて調製されてもよいし、互いに異種の試薬を用いて調製されてもよい。

【0107】

また、上記実施形態２では、計算処理分析として、ステップＳ６において、分析ユニット３００が、第２データから分析物の特徴に対応する代表値を特定し、特定した代表値を処理しているが、これには限定されない。例えば、ステップＳ４において、測定ユニット４００が波形データから代表値を取得し、波形データおよび代表値を分析ユニット３００に出力し、計算処理分析として、ステップＳ６において、分析ユニット３００が、測定ユニット４００から取得した代表値を処理してもよい。

【0108】

［実施形態３］
実施形態３では、分析ユニット３００に設定されたルールに基づいて、ＡＩ分析および計算処理分析が選択される。

【0109】

分析動作の選択のためのルールは、例えば、分析ユニット３００を介してユーザにより設定される。ユーザは、例えば、検査室の運用方針に応じたルールを分析ユニット３００に設定することができる。これにより、検査室の運用方針に応じて、ＡＩ分析と計算処理分析の分担を適宜変更することが可能となる。

【0110】

分析動作のためのルールが設定可能であることにより、分析ユニット３００の負荷を軽減させながら、ＡＩ分析と計算処理分析の分担を柔軟に変更することが可能となる。例えば、ＡＩアルゴリズム６０に追加の学習をさせることによってＡＩ分析の精度が向上した場合、ＡＩ分析の対象となるデータが増えるようにルールを設定することが可能となる。また、例えば、測定結果の分析のＴＡＴ（Turn Around Time）を短くすることを優先する場合、計算処理分析の対象となるデータが増えるようにルールを設定することも可能となる。

【0111】

図１５は、分析ユニット３００に設定されたルールに基づいて分析動作を設定する例を示すフローチャートである。

【0112】

ステップＳ１１において、測定ユニット４００は、光学式検出部によって光学的信号を取得し、取得した光学的信号から波形データを取得する。ステップＳ１２において、分析ユニット３００は、分析動作を選択するためのルールを参照し、参照したルールに基づいて、ステップＳ１１で取得された波形データに対して、ＡＩ分析および計算処理分析の対象となる波形データをそれぞれ特定する。

【0113】

ステップＳ１３において、分析ユニット３００は、ステップＳ１２で特定した波形データに、ＡＩ分析の対象となる波形データが含まれているか否かを判定する。ＡＩ分析の対象となる波形データが含まれている場合（Ｓ１３：ＹＥＳ）、ステップＳ１４において、分析ユニット３００は、ステップＳ１２で特定したＡＩ分析の対象となる波形データ（第１データ）の集合データに対して、ＡＩ分析を実行する。

【0114】

続いて、ステップＳ１５において、分析ユニット３００は、ＡＩ分析された波形データの他に、計算処理分析の対象となる波形データがあるか否かを判定する。計算処理分析の対象となる波形データ（第２データ）がある場合（Ｓ１５：ＹＥＳ）、ステップＳ１６において、分析ユニット３００は、ステップＳ１２で特定した計算処理分析の対象となる波形データに対して、計算処理分析を実行する。

【0115】

測定ユニット４００は、ステップＳ１２において、ＡＩ分析の対象となる波形データと計算処理分析の対象となる波形データの両方を取得する場合がある。例えば、測定ユニット４００は、測定オーダーに応じて、白血球分類に関する測定および網状赤血球（レチクロサイト）に関する測定を実行した場合、白血球分類のための波形データおよび網状赤血球測定のための波形データを取得する。白血球分類がＡＩ分析の対象であり、網状赤血球測定が計算処理分析の対象である場合、分析ユニット３００は、ＡＩ分析の対象である白血球分類用の波形データが含まれていると判定し（Ｓ１３：ＹＥＳ）、複数の当該波形データで構成される集合データに対してＡＩ分析を実行する。さらに、分析ユニット３００は、計算処理分析の対象である網状赤血球分類用の波形データも含まれていると判定し（Ｓ１５：ＹＥＳ）、当該波形データに対して計算処理分析を実行する。

【0116】

他方、測定ユニット４００によって取得された波形データに、ＡＩ分析の対象となる波形データが含まれていない場合（Ｓ１３：ＮＯ）、ステップＳ１６において、分析ユニット３００は、ステップＳ１２で特定した計算処理分析の対象となる波形データに対して、計算処理分析を実行する。また、ＡＩ分析が実行され、計算処理分析の対象となる波形データが含まれていない場合（Ｓ１５：ＮＯ）、計算処理分析は実行されず、処理がステップＳ１７に進められる。

【0117】

ステップＳ１７において、分析ユニット３００は、分析結果を提供する。

【0118】

なお、分析ユニット３００は、ステップＳ１３において計算処理分析の対象となる波形データが含まれているか否かを判定し、ステップＳ１５においてＡＩ分析の対象となる波形データが含まれているか否かを判定してもよい。この場合、分析ユニット３００は、ステップＳ１３で計算処理分析の対象となる波形データが含まれていると判定すると、ステップＳ１４で計算処理分析を実行する。さらに、分析ユニット３００は、ステップＳ１５でＡＩ分析の対象となる波形データが含まれていると判定すると、ステップＳ１６でＡＩ分析を実行する。

【0119】

［実施形態４］
実施形態４では、ＡＩ分析と計算処理分析とが分担される種々の例を説明する。

【0120】

例えば、ＡＩ分析と計算処理分析の分担は、分析ユニット３００が波形データの分析を実行するためのソフトウェアプログラムが決定する。分析ユニット３００のソフトウェアプログラムは、ＡＩ分析の対象となる波形データと計算処理分析の対象となる波形データとをそれぞれ特定し、分析を実行する。ソフトウェアプログラムは、例えば、検査に関する要件（例えば、ＴＡＴを向上させる、分析精度を高める）に応じて設計される。

【0121】

図１６は、測定項目に応じて分析が実行される例を示すフローチャートである。

【0122】

図１６では、図１５と比較して、ステップＳ１２、Ｓ１３、Ｓ１５に代えて、それぞれステップＳ２１、Ｓ２２、Ｓ２３が追加されている。以下、図１５からの変更点について説明する。

【0123】

ステップＳ２１において、分析ユニット３００は、測定項目に基づいてＡＩ分析および計算処理分析の何れを行うかを含むルールを参照し、参照したルールに基づいて、ステップＳ１１で取得された波形データに対して、ＡＩ分析の対象となる測定項目の波形データと、計算処理分析の対象となる測定項目の波形データとをそれぞれ特定する。

【0124】

図１７は、測定項目ごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。図１７に例示する測定項目は、血球分析装置に関するものである。

【0125】

図１７の画面は、例えば、分析ユニット３００が備える表示部に表示される。図１７の画面は、測定項目ごとに、ＡＩ分析を設定するためのチェックボックスおよび計算処理分析を設定するためのチェックボックスを備える。１つの測定項目に対するＡＩ分析のチェックボックスおよび計算処理分析のチェックボックスは、いずれか一方のみを選択可能に構成されている。ユーザは、チェックボックスを操作して測定項目ごとにＡＩ分析と計算処理分析の何れの分析を行うかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0126】

なお、ユーザは、図１７に示した画面を介して各測定項目に対してＡＩ分析および計算処理分析のいずれか一方を設定したが、ＡＩ分析および計算処理分析の両方が設定可能となるよう画面が構成されてもよい。これにより、ＡＩ分析の結果と計算処理分析の結果とを比較することができる。また、各測定項目に対する分析の選択は、あらかじめ装置の出荷時に設定されてもよく、管理者のみが設定を変更可能であってもよい。

【0127】

図１６に戻り、ステップＳ２２において、分析ユニット３００は、ステップＳ２１で特定した波形データに、ＡＩ分析の対象となる測定項目の波形データが含まれているか否かを判定する。ＡＩ分析の対象となる測定項目の波形データが含まれている場合（Ｓ２２：ＹＥＳ）、ステップＳ１４において、分析ユニット３００は、ステップＳ２１で特定したＡＩ分析の対象となる測定項目の波形データが複数集合した集合データに対して、当該測定項目に関するＡＩ分析を実行する。

【0128】

例えば、測定ユニット４００は、白血球（例えば、好中球、リンパ球、単球、好酸球、好塩基球の５分類）を分類する測定オーダーに応じて、当該分類に対応する試薬と検体を混合し、白血球測定試料を調製する。測定ユニット４００は、光学式検出部によって白血球測定試料に対応する光学的信号を取得する。測定ユニット４００は、取得した光学的信号に対応する波形データに基づき、該波形データが複数集合した集合データを取得する。白血球の分類に関する測定項目（例えば、好中球、リンパ球、単球、好酸球、好塩基球の各々の計数と割合）がＡＩ分析の対象となっている場合、分析ユニット３００は、測定ユニット４００が白血球測定試料の測定により取得した波形データの集合で構成される集合データに対して、ＡＩ分析を実行する。

【0129】

続いて、ステップＳ２３において、分析ユニット３００は、ステップＳ２１で特定した波形データに、計算処理分析の対象となる測定項目の波形データがあるか否かを判定する。計算処理分析の対象となる波形データがある場合（Ｓ２３：ＹＥＳ）、ステップＳ１６において、分析ユニット３００は、ステップＳ２１で特定した計算処理分析の対象となる波形データに対して、当該測定項目に関する計算処理分析を実行する。

【0130】

例えば、測定ユニット４００は、網状赤血球を分類する測定オーダーに応じて、当該分類に対応する試薬と検体を混合し、網状赤血球測定試料を調製する。測定ユニット４００は、光学式検出部によって網状赤血球測定試料に対応する光学的信号を取得する。測定ユニット４００は、取得した光学的信号に対応する波形データを取得する。網状赤血球の分類に関する測定項目（例えば、網状赤血球の計数と割合）が計算処理分析の対象となっている場合、分析ユニット３００は、測定ユニット４００が網状赤血球測定試料の測定により取得した波形データに対して、計算処理分析を実行する。

【0131】

なお、検体分析装置４０００は、血球分析装置であることに限らず、尿分析装置でもよい。例えば、検体分析装置４０００が尿分析装置である場合、分析ユニット３００は、一部の測定項目についてＡＩ分析を実行し、残りの測定項目について計算処理分析を行う。

【0132】

図１８は、測定オーダーに応じて分析が実行される例を示すフローチャートである。

【0133】

図１８では、図１５と比較して、ステップＳ１２、Ｓ１３に代えて、それぞれステップＳ３１、Ｓ３２が追加され、ステップＳ１５が削除されている。以下、図１５からの変更点について説明する。

【0134】

ステップＳ３１において、分析ユニット３００は、測定オーダーに基づいて、ステップＳ１１で取得した波形データが、ＡＩ分析の対象となる波形データおよび計算処理分析の対象となる波形データの何れであるかを特定する。例えば、測定オーダーに対する分析モードは、ＡＩ分析モードおよび計算処理分析モードのいずれかであり、測定オーダーに対応付けて分析ユニット３００の記憶部に記憶されている。

【0135】

図１９は、測定オーダーに対して分析モードを設定するための画面を模式的に示す例示図である。

【0136】

図１９の画面は、例えば、分析ユニット３００が備える表示部に表示される。図１９の画面において、各行は、検体番号によって識別される測定オーダーに対応している。図１９の画面は、測定オーダーごとに、ＡＩ分析モードを設定するためのチェックボックスおよび計算処理分析モードを設定するためのチェックボックスを備える。ユーザは、チェックボックスを操作して、測定オーダーごとに、分析ユニット３００に対してＡＩ分析と計算処理分析の何れの分析を行わせるかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部に、測定オーダーに対応づけて分析モードが記憶される。

【0137】

なお、各測定オーダーに関連付けられる分析モードは、ユーザによって分析ユニット３００を介して設定されることに限らず、ホストコンピュータ等で測定オーダーの設定時にあらかじめ設定されてされてもよい。

【0138】

図１８に戻り、ステップＳ３２において、分析ユニット３００は、ステップＳ３１で特定した波形データが、ＡＩ分析対象の測定オーダーの波形データであるか否かを判定する。特定した波形データがＡＩ分析の対象の測定オーダーの波形データである場合（Ｓ３２：ＹＥＳ）、ステップＳ１４において、分析ユニット３００は、当該測定オーダーの波形データが複数集合した集合データに対してＡＩ分析を行う。他方、特定した波形データが計算処理分析の対象の測定オーダーの波形データである場合（Ｓ３２：ＮＯ）、ステップＳ１６において、分析ユニット３００は、当該測定オーダーの波形データに対して計算処理分析を行う。

【0139】

図２０は、装置の分析モードに応じて分析が実行される例を示すフローチャートである。

【0140】

図２０では、図１５と比較して、ステップＳ１２、Ｓ１３に代えて、それぞれステップＳ４１、Ｓ４２が追加され、ステップＳ１５が削除されている。以下、図１５からの変更点について説明する。

【0141】

ステップＳ４１において、分析ユニット３００は、分析ユニット３００の分析モードを含むルールを参照し、参照したルールに基づいて、ステップＳ１１で取得された波形データが、ＡＩ分析の対象となる波形データおよび計算処理分析の対象となる波形データの何れであるかを特定する。上記ルールにおいてＡＩ分析モードが設定されている場合、ＡＩ分析モードに設定されている間に取得された波形データはＡＩ分析の対象となり、上記ルールにおいて計算処理分析モードが設定されている場合、計算処理分析モードに設定されている間に取得されたデータは計算処理分析の対象となる。

【0142】

図２１は、分析ユニット３００の分析モードを設定するための画面を模式的に示す例示図である。

【0143】

図２１の画面は、例えば、分析ユニット３００が備える表示部に表示される。図２１の画面は、分析ユニット３００に対して、ＡＩ分析モードを設定するためのチェックボックスおよび計算処理分析モードを設定するためのチェックボックスを備える。ユーザは、チェックボックスを操作して、分析ユニット３００に対してＡＩ分析と計算処理分析の何れの分析を行わせるかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0144】

図２０に戻り、ステップＳ４２において、分析ユニット３００は、ステップＳ４１で特定した波形データが、ＡＩ分析の対象となる波形データであるか否かを判定する。特定した波形データがＡＩ分析の対象のデータである場合（Ｓ４２：ＹＥＳ）、すなわち分析ユニット３００の分析モードがＡＩ分析モードである場合、ステップＳ１４において、分析ユニット３００は、当該波形データが複数集合した集合データに対してＡＩ分析を行う。他方、特定した波形データが計算処理分析の対象の波形データである場合（Ｓ４２：ＮＯ）、すなわち分析ユニット３００の分析モードが計算処理分析モードである場合、ステップＳ１６において、分析ユニット３００は、当該波形データに対して計算処理分析を行う。

【0145】

図２２は、測定オーダーの種別に応じて分析が実行される例を示すフローチャートである。

【0146】

図２２では、図１５と比較して、ステップＳ１２、Ｓ１３に代えて、それぞれステップＳ５１、Ｓ５２が追加され、ステップＳ１５が削除されている。以下、図１５からの変更点について説明する。

【0147】

ステップＳ５１において、分析ユニット３００は、測定オーダーの種別に対応する分析モードを含むルールを参照し、測定オーダーの種別と参照したルールとに基づいて、ステップＳ１１で取得された波形データが、ＡＩ分析の対象となる波形データおよび計算処理分析の対象となる波形データの何れであるかを特定する。測定オーダーの種別には、初検等の通常の測定に対応する「Normal」と、初検と同一の測定項目が設定された再検に対応する「Rerun」と、初検から測定項目が変更された再検に対応する「Reflex」とが含まれる。上記ルールには、測定オーダーの種別ごとにＡＩ分析モードおよび計算処理分析モードのいずれかが設定されている。

【0148】

図２３は、測定オーダーの種別ごとに分析モードを設定するための画面を模式的に示す例示図である。

【0149】

図２３の画面は、例えば、分析ユニット３００が備える表示部に表示される。図２３の画面は、測定オーダーの種別（Normal、Rerun、Reflex）ごとにＡＩ分析モードを設定するためのチェックボックスおよび計算処理分析モードを設定するためのチェックボックスを備える。ユーザは、チェックボックスを操作して、測定オーダーの種別ごとにＡＩ分析と計算処理分析の何れの分析を行わせるかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0150】

なお、各測定オーダーの種別に関連付けられる分析モードは、ユーザによって分析ユニット３００を介して設定されることに限らず、ホストコンピュータ等で測定オーダーの種別に応じてあらかじめ設定されてされてもよい。

【0151】

図２２に戻り、ステップＳ５２において、分析ユニット３００は、ステップＳ５１で特定した波形データが、ＡＩ分析の対象となる波形データであるか否かを判定する。特定した波形データがＡＩ分析の対象の波形データである場合（Ｓ５２：ＹＥＳ）、すなわち測定オーダーの種別に応じた分析モードがＡＩ分析モードである場合、ステップＳ１４において、分析ユニット３００は、当該波形データが複数集合した集合データに対してＡＩ分析を行う。他方、特定した波形データが計算処理分析の対象の波形データである場合（Ｓ５２：ＮＯ）、すなわち測定オーダーの種別に応じた分析モードが計算処理分析モードである場合、ステップＳ１６において、分析ユニット３００は、当該波形データに対して計算処理分析を行う。

【0152】

図２４は、測定項目および測定オーダーの種別に応じて分析が実行される例を示すフローチャートである。

【0153】

図２４では、図１５と比較して、ステップＳ１２に代えてステップＳ６１が追加されている。以下、図１５からの変更点について説明する。

【0154】

ステップＳ６１において、分析ユニット３００は、分析動作を選択するためのルールを参照し、測定項目および測定オーダーの種別に基づいて、ステップＳ１１で取得された波形データに対して、ＡＩ分析の対象となる波形データおよび計算処理分析の対象となる波形データをそれぞれ特定する。

【0155】

図２５は、測定項目および測定オーダーの種別ごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。

【0156】

図２５の画面は、例えば、分析ユニット３００が備える表示部に表示される。図２５の画面は、測定項目ごとに、ＡＩ分析および計算処理分析のいずれかを設定するためのチェックボックスおよび計算処理分析を設定するためのチェックボックスを備え、測定オーダーの種別（Normal、Rerun、Reflex）ごとにＡＩ分析と計算処理分析のいずれかを設定するためのチェックボックスを備える。ユーザは、上段のリストのチェックボックスを操作して、測定項目ごとにＡＩ分析と計算処理分析の何れの分析を行わせるかを選択し、下段のリストのチェックボックスを操作して、測定オーダーの種別ごとにＡＩ分析と計算処理分析の何れの分析を行わせるかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0157】

図２５に示すように設定が行われると、測定オーダーの種類が「Normal」である場合、分析ユニット３００は、測定ユニット４００で取得された波形データを計算処理分析の対象として特定する。例えば、測定オーダーの種類が「Normal」である場合、測定項目ごとの分析の設定にかかわらず、当該測定オーダーに基づく全ての測定項目に対して、計算処理分析が実行される。また、測定オーダーの種類が「Rerun」または「Reflex」である場合、分析ユニット３００は、測定項目ごとに設定された分析設定に応じて、測定ユニット４００で取得された波形データをＡＩ分析または計算処理分析の対象として設定する。例えば、測定オーダーの種別が「Rerun」および「Reflex」である場合、有核赤血球（ＮＲＢＣ）および好塩基球（ＢＡＳＯ）に関する測定項目はＡＩ分析の対象となり、他の測定項目は計算処理分析の対象となる。

【0158】

図２４に戻り、ステップＳ１３において、分析ユニット３００は、ステップＳ６１で特定した波形データに、ＡＩ分析の対象となるデータが含まれているか否かを判定する。ＡＩ分析の対象となる波形データがある場合（Ｓ１３：ＹＥＳ）、ステップＳ１４において、分析ユニット３００は、ステップＳ６１で特定したＡＩ分析の対象となる波形データが複数集合した集合データに対して、ＡＩ分析を実行する。

【0159】

続いて、ステップＳ１５において、分析ユニット３００は、ステップＳ６１で特定した波形データに、計算処理分析の対象となる波形データが含まれているか否かを判定する。計算処理分析の対象となる波形データがある場合（Ｓ１５：ＹＥＳ）、ステップＳ１６において、分析ユニット３００は、ステップＳ６１で特定した計算処理分析の対象となる波形データに対して、計算処理分析を実行する。

【0160】

図２６は、計算処理分析によるフラグに基づいてＡＩ分析の要否が決定される例を示すフローチャートである。

【0161】

図２６では、図１５と比較して、ステップＳ１１の後段にステップＳ７１～Ｓ７４が追加され、ステップＳ１２～Ｓ１６が削除されている。以下、図１５からの変更点について説明する。

【0162】

ステップＳ７１において、分析ユニット３００は、ステップＳ１１で取得された波形データに対して計算処理分析を実行し、計算処理分析の結果に基づいて、検体中の分析物に関する異常を示唆するフラグを設定する。フラグは、例えば、所定の異常細胞が検出されたことを示すフラグや、所定の血球の計数値が異常値であることを示すフラグなどである。ステップＳ７２において、分析ユニット３００は、フラグの分析結果についてＡＩ分析を行うか否かを含むルールを参照する。

【0163】

図２７は、分析結果のフラグごとにＡＩ分析を設定するための画面を模式的に示す例示図である。

【0164】

図２７の画面は、例えば、分析ユニット３００が備える表示部に表示される。図２７の画面は、計算処理分析による分析結果に付与されたフラグごとに、ＡＩ分析を設定するためのチェックボックスを備える。検体分析装置４０００が血球分析装置である場合、計算処理分析により分析結果に付与されるフラグには、血球の減少および増多や、異常な細胞の出現などが含まれる。ユーザは、チェックボックスを操作してフラグごとにＡＩ分析を行うかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0165】

フラグに対するチェックボックスがオンになると、当該分析結果に対応する波形データに対してＡＩ分析が実行される。図２７に示す例では、芽球／異常リンパ球、芽球、異常リンパ球、および異型リンパ球の分析結果に対してチェックボックスがオンになっており、計算処理分析によってこれらの血球が存在するとのフラグが設定された場合に、これらの血球に対してＡＩ分析が実行される。

【0166】

図２６に戻り、ステップＳ７３において、分析ユニット３００は、ステップＳ７１で取得した分析結果に付与されたフラグと、ステップＳ７２で参照したルールとに基づいて、検体がＡＩ分析対象であるか否かを判定する。検体がＡＩ分析対象であると（Ｓ７３：ＹＥＳ）、ステップＳ７４において、分析ユニット３００は、各波形データが複数集合した集合データに対して、ＡＩ分析を実行する。例えば、計算処理分析で芽球が検出されたことを示すフラグが出た場合、図２７に例示したルールによれば、ステップＳ１１で取得した各波形データが複数集合した集合データに対してＡＩ分析が実行される。

【0167】

他方、検体がＡＩ分析対象ではない場合（Ｓ７３：ＮＯ）、分析ユニット３００は、ステップＳ７４をスキップする。

【0168】

図２８は、計算処理分析で分類された特定の分析物に対してＡＩ分析を実行する例を示すフローチャートである。

【0169】

図２８では、図１５と比較して、ステップＳ１１の後段にステップＳ８１～Ｓ８４が追加され、ステップＳ１２～Ｓ１６が削除されている。以下、図１５からの変更点について説明する。

【0170】

ステップＳ８１において、分析ユニット３００は、ステップＳ１１で取得された波形データに対して計算処理分析を実行し、分析物を分類する。ステップＳ８２において、分析ユニット３００は、分析物の種別ごとにＡＩ分析を行うか否かを含むルールを参照する。

【0171】

図２９は、分析物の種別ごとにＡＩ分析を行うか否かを設定するための画面を模式的に示す例示図である。

【0172】

図２９の画面は、例えば、分析ユニット３００が備える表示部に表示される。図２９の画面は、分析物の種別ごとに、ＡＩ分析を設定するためのチェックボックスを備える。検体分析装置４０００が血球分析装置である場合、計算処理分析によって分類される種別には、好酸球、好中球、リンパ球および単球などが含まれる。ユーザは、チェックボックスを操作して分析物の種別ごとにＡＩ分析を行うか否かを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0173】

分析物の種別に対するチェックボックスがオンになると、当該種別に分類された波形データが複数集合した集合データに対してＡＩ分析が実行される。図２９に示す例では、単球およびリンパ球に対してＡＩ分析が実行される。

【0174】

図２８に戻り、ステップＳ８３において、分析ユニット３００は、ステップＳ８１で分類した分析物の種別と、ステップＳ８２で参照したルールとに基づいて、特定分類に分類された分析物（例えば、図２９に示すルールの場合は単球およびリンパ球）に対応する波形データを特定する。ステップＳ８４において、分析ユニット３００は、特定した波形データが複数集合した集合データに対して、ＡＩ分析を実行する。

【0175】

図３０は、図２８に示す処理で実行される、計算処理分析およびＡＩ分析による分類方法を説明する図である。

【0176】

計算処理分析では、波形データから算出された２種類の代表値を軸とするスキャッタグラムが用いられる。例えば、図３０に示したように、単球およびリンパ球に対してＡＩ分析を実行するよう設定された場合、ステップＳ８１において、計算処理分析により、スキャッタグラム上の単球およびリンパ球に対応する破線の囲み領域のプロットが特定される。そして、ステップＳ８３において、囲み領域のプロットに対応する波形データが特定され、ステップＳ８４において特定された波形データが複数集合した集合データに対してＡＩ分析が実行される。

【0177】

図２８に戻り、ステップＳ１７において、分析ユニット３００は、計算処理分析およびＡＩ分析による分析結果を提供する。このとき、分析ユニット３００は、ステップＳ８１において計算処理分析によって得られた分析結果のうち、ＡＩ分析の対象となった種別の分析結果を、ＡＩ分析で得られた分析結果に置き換えて提供する。なお、計算処理分析による分析結果と、ＡＩ分析による分析結果とが、合わせて提供されてもよい。

【0178】

図３１は、計算処理分析で特定の分類が行われた場合にＡＩ分析を実行する例を示すフローチャートである。

【0179】

図３１では、図１５と比較して、ステップＳ１１の後段にステップＳ９１～Ｓ９５が追加され、ステップＳ１２～Ｓ１６が削除されている。以下、図１５からの変更点について説明する。

【0180】

ステップＳ９１において、分析ユニット３００は、ステップＳ１１で取得された波形データに対して計算処理分析を実行し、分析物を分類する。ステップＳ９２において、分析ユニット３００は、特定の種別の分析物、例えば、健常者の末梢血には存在しない細胞に対してＡＩ分析を行うか否かを含むルールを参照する。

【0181】

図３２は、特定の種別の分析物に対してＡＩ分析を行うか否かを設定するための画面を模式的に示す例示図である。

【0182】

図３２の画面は、例えば、分析ユニット３００が備える表示部に表示される。図３２の画面は、特定の分析物の種別ごとに、ＡＩ分析を設定するためのチェックボックスを備える。検体分析装置４０００が血球分析装置である場合、計算処理分析によって分類される種別には、芽球、異常リンパ球、異型リンパ球、および幼若顆粒球などが含まれ得る。ユーザは、チェックボックスを操作して特定の分析物の種別ごとにＡＩ分析を行うか否かを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0183】

特定の分析物の種別に対するチェックボックスがオンになると、当該種別に分類された波形データが複数集合した集合データに対してＡＩ分析が実行される。図３２に示す例では、芽球、異常リンパ球、および異型リンパ球に対してＡＩ分析が実行される。

【0184】

図３１に戻り、ステップＳ９３において、分析ユニット３００は、ステップＳ９１で分類した分析物の種別と、ステップＳ９２で参照したルールとに基づいて、特定分類に分類された分析物（例えば、図３２に示すルールの場合は芽球、異常リンパ球、および異型リンパ球）が検出されているか否かを判定する。特定分類に分類された分析物が検出されていると（Ｓ９３：ＹＥＳ）、ステップＳ９４において、分析ユニット３００は、特定分類に分類された分析物に対応する波形データを特定する。ステップＳ９５において、分析ユニット３００は、特定した波形データが複数集合した集合データに対して、ＡＩ分析を実行する。

【0185】

ステップＳ１７において、分析ユニット３００は、計算処理分析およびＡＩ分析による分析結果を提供する。このとき、分析ユニット３００は、ステップＳ９１において計算処理分析によって得られた分析結果のうち、ＡＩ分析の対象となった種別の分析結果を、ＡＩ分析で得られた分析結果に置き換えて提供する。なお、計算処理分析による分析結果と、ＡＩ分析による分析結果とが、合わせて提供されてもよい。

【0186】

［実施形態５］
実施形態５では、検体分析装置４０００が血液検体中の血球の計数および分類を実行する場合の例を示す。

【0187】

図３３は、分析ユニット３００の電気・制御系の機能構成を示すブロック図である。

【0188】

分析ユニット３００は、プロセッサ３００１と、ＲＡＭ３０１７と、バス３００３と、記憶部３００４と、ＩＦ部３００６と、表示部３０１１と、操作部３０１２と、を備える。分析ユニット３００は、例えば、パーソナルコンピュータによって構成されている。分析ユニット３００は、ＩＦ部３００６を介して測定ユニット４００と接続される。

【0189】

プロセッサ３００１は、例えば、ＣＰＵにより構成される。プロセッサ３００１は、記憶部３００４からＲＡＭ３０１７に展開されたプログラムを実行する。ＲＡＭ３０１７は、いわゆるメインメモリである。プロセッサ３００１は、分析用のプログラムを実行することにより、測定ユニット４００で取得された波形データを分析する。プロセッサ３００１は、制御用のプログラムを実行することにより、分析ユニット３００および測定ユニット４００を制御する。

【0190】

記憶部３００４は、例えば、ハードディスクドライブ（ＨＤＤ）やソリッドステートドライブ（ＳＳＤ）により構成される。記憶部３００４には、測定ユニット４００から受信した波形データと、分析ユニット３００および測定ユニット４００を制御するためのプログラムと、波形データを分析するためのプログラムとが記憶されている。波形データを分析するためのプログラムは、例えば、上述の計算処理分析とＡＩ分析に基づいて、波形データを分析するように構成されている。また、記憶部３００４は、ＡＩ分析と計算処理分析の各々の対象となる波形データを特定するためのルールや、分析動作を選択するためのルールを記憶する。

【0191】

表示部３０１１は、例えば、液晶ディスプレイにより構成される。表示部３０１１は、バス３００３およびＩＦ部３００６を介して、プロセッサ３００１に接続されている。表示部３０１１には、例えば、分析ユニット３００で取得された分析結果が表示される。

【0192】

操作部３０１２は、例えば、キーボード、マウス、およびタッチパネルを含むポインティングデバイスなどにより構成される。医師や検査技師等のユーザは、操作部３０１２を操作することで、検体分析装置４０００に測定オーダーを入力し、測定オーダーに基づく測定指示を入力することができる。ユーザは、操作部３０１２を操作することで、分析結果を表示する指示を入力することもできる。分析結果は、例えば、分析に基づく数値結果、グラフ、チャート、検体に付与されたフラグ情報などを含む。

【0193】

図３４は、検体分析装置４０００が血液検体中の血球の計数および分類を実行する場合の、測定ユニット４００の電気・制御系の機能構成を示すブロック図である。

【0194】

図３４の測定ユニット４００は、ＦＣＭ検出部４１０と、ＲＢＣ／ＰＬＴ検出部４１０１と、ＨＧＢ検出部４１０２と、アナログ処理部４２０、４２０１、４２０２と、装置機構部４３０と、試料調製部４４０と、検体吸引部４５０と、測定ユニット制御部４６０と、を備える。

【0195】

検体吸引部４５０は、例えば、検体容器から検体を吸引し、吸引した検体を反応容器（例えば、反応チャンバ、反応キュベット）に吐出する。試料調製部４４０は、例えば、測定試料を調製するための試薬を吸引し、検体が収容された反応容器に試薬を吐出する。反応容器内で検体および試薬が混合されることにより、測定試料が調製される。装置機構部４３０は、測定ユニット４００内の機構を含む。

【0196】

ＦＣＭ検出部４１０は、図２に示したように、フローサイトメトリーに基づいて血球の測定を行う。ＲＢＣ／ＰＬＴ検出部４１０１は、電気抵抗式の検出部であり、ＲＢＣ／ＰＬＴ測定試料に基づいて、シースフローＤＣ検出法により血球の測定を行う。ＨＧＢ検出部４１０２は、ヘモグロビン測定試料に基づいて、ＳＬＳ－ヘモグロビン法によりヘモグロビンの測定を行う。アナログ処理部４２０、４２０１、４２０２は、それぞれ、ＦＣＭ検出部４１０、ＲＢＣ／ＰＬＴ検出部４１０１およびＨＧＢ検出部４１０２から出力されたアナログの光学的信号を処理する。

【0197】

ＲＢＣ／ＰＬＴ検出部４１０１およびＨＧＢ検出部４１０２のそれぞれから取得されたアナログ信号をＡ／Ｄ変換することで得られたデータは、計算処理分析の対象となる。ＲＢＣ／ＰＬＴ検出部４１０１に基づくデータにより、血液検体中の赤血球や血小板が計数される。ＨＧＢ検出部４１０２に基づくデータにより、血液検体中の血色素量が取得される。

【0198】

なお、ＲＢＣ／ＰＬＴ検出部４１０１およびＨＧＢ検出部４１０２のそれぞれから取得されたアナログ信号をＡ／Ｄ変換することで得られたデータは、ＡＩ分析の対象となってもよい。また、ＲＢＣ／ＰＬＴ検出部４１０１およびＨＧＢ検出部４１０２に基づくデータに対しても、ＡＩ分析と計算処理分析が使い分けられてもよい。これにより、データを処理する分析ユニット３００の負荷を軽減できる。

【0199】

測定ユニット制御部４６０は、Ａ／Ｄ変換部４６１、４６１１、４６１２と、ＩＦ（インターフェース）部４６２と、バス４６３と、ＩＦ部４６４、４６５と、を備える。

【0200】

Ａ／Ｄ変換部４６１、４６１１、４６１２は、それぞれ、アナログ処理部４２０、４２０１、４２０２から出力された、測定試料の測定開始から測定終了までのアナログの光学的信号をデジタルデータに変換する。Ａ／Ｄ変換部４６１、４６１１、４６１２で生成されたデジタルデータは、ＩＦ部４６２、４６５およびバス４６３を介して、分析ユニット３００に送信される。また、装置機構部４３０、試料調製部４４０および検体吸引部４５０は、ＩＦ部４６４、４６５およびバス４６３を介して、分析ユニット３００によって制御される。

【0201】

図３５は、図３４の測定ユニット４００における検体吸引部４５０および試料調製部４４０の流体系の機能構成を示すブロック図である。

【0202】

検体吸引部４５０は、採血管ＴＢから血液検体（例えば、全血）を吸引するためのノズル４５１と、ノズルに陰圧および陽圧を付与するためのポンプ４５２と、を備える。ノズル４５１は、装置機構部４３０（図３４参照）によって上下移動されることで採血管ＴＢに挿入される。ノズル４５１が採血管ＴＢに挿入された状態でポンプ４５２が陰圧を付与すると、ノズル４５１を介して血液検体が吸引される。なお、装置機構部４３０は、採血管ＴＢからの血液の吸引前に採血管ＴＢを転倒攪拌するハンド部材を備えてもよい。

【0203】

試料調製部４４０は、ＷＤＦ試料調製部４４０ａ、ＲＥＴ試料調製部４４０ｂ、ＷＰＣ試料調製部４４０ｃ、ＰＬＴ－Ｆ試料調製部４４０ｄ、およびＷＮＲ試料調製部４４０ｅを備える。試料調製部４４０ａ～４４０ｅは、それぞれ、検体と試薬（例えば、溶血剤および染色液）を混合するための反応チャンバを備える。試料調製部４４０ａ～４４０ｅは、それぞれ、ＷＤＦチャンネル、ＲＥＴチャンネル、ＷＰＣチャンネル、ＰＬＴ－Ｆチャンネル、ＷＮＲチャンネルにおいて用いられる。

【0204】

ここで、検体分析装置４０００は、調製する複数種類の測定試料にそれぞれ対応して、複数の測定チャンネルを備える。検体分析装置４０００は、例えば、ＷＤＦチャンネル、ＲＥＴチャンネル、ＷＰＣチャンネル、ＰＬＴ－Ｆチャンネル、およびＷＮＲチャンネルを備える。ＷＤＦチャンネルは、好中球、リンパ球、単球、および好酸球を検出するためのチャンネルである。ＲＥＴチャンネルは、網状赤血球を検出するためのチャンネルである。ＷＰＣチャンネルは、芽球およびリンパ球系の異常細胞を検出するためのチャンネルである。ＰＬＴ－Ｆチャンネルは、血小板を検出するためのチャンネルである。ＷＮＲチャンネルは、好塩基球以外の白血球、好塩基球、および有核赤血球を検出するためのチャンネルである。

【0205】

試料調製部４４０ａ～４４０ｅには、測定チャンネルに対応する試薬である溶血剤を収容した溶血剤容器と染色液を収容した染色液容器とが、流路を介して接続されている。例えば、ＷＤＦ試料調製部４４０ａには、ＷＤＦ測定用試薬であるＷＤＦ溶血剤（例えば、ライザセルＷＤＦ II；シスメックス株式会社製）を収容した溶血剤容器、およびＷＤＦ染色液（例えば、フルオロセルＷＤＦ；シスメックス株式会社製）を収容した染色液容器が、流路を介して接続されている。なお、ここでは１つの試料調製部が溶血剤容器と染色液容器とに接続された構成が例示されているが、１つの試料調製部が必ずしも溶血剤容器と染色液容器の両方に接続されていなくてもよく、複数の試料調製部によって１つの試薬容器が共用されてもよい。また、試料調製部と試薬容器とは流路で接続されている必要はなく、試薬容器からノズルにより試薬を吸引し、ノズルが移動し、吸引した試薬をノズルから試料調製部の反応チャンバに吐出する構成であってもよい。

【0206】

血液検体を吸引したノズル４５１は、装置機構部４３０による水平および上下移動によって、試料調製部４４０ａ～４４０ｅのうち、測定オーダーに対応する試料調製部の反応チャンバの上方に位置づけられる。この状態で、ポンプ４５２が陽圧を付与すると、ノズル４５１から対応する反応チャンバに、血液検体が吐出される。試料調製部４４０は、血液検体が吐出された反応チャンバに対応する溶血剤と染色液を供給し、反応チャンバ内で血液検体、溶血剤および染色液を混合することにより測定試料を調製する。

【0207】

ＷＤＦ試料調製部４４０ａにおいてＷＤＦ測定試料が調製され、ＲＥＴ試料調製部４４０ｂにおいてＲＥＴ測定試料が調製され、ＷＰＣ試料調製部４４０ｃにおいてＷＰＣ測定試料が調製され、ＰＬＴ－Ｆ試料調製部４４０ｄにおいてＰＬＴ－Ｆ測定試料が調製され、ＷＮＲ試料調製部４４０ｅにおいてＷＮＲ測定試料が調製される。調製された測定試料は、流路を介して反応チャンバからＦＣＭ検出部４１０に供給され、フローサイトメトリー法による細胞の測定が行われる。

【0208】

上述の測定チャンネル（ＷＤＦ、ＲＥＴ、ＷＰＣ、ＰＬＴ－Ｆ、ＷＮＲ）は、測定オーダーに含まれる測定項目に対応している。例えば、ＷＤＦチャンネルは白血球の分類に関する測定項目に対応し、ＲＥＴチャンネルは網状赤血球に関する測定項目に対応し、ＰＬＴ－Ｆチャンネルは血小板に関する測定項目に対応し、ＷＮＲチャンネルは白血球数および有核赤血球に関する測定項目に対応する。上述の測定チャンネルにおいて調製される測定試料は、ＦＣＭ検出部４１０により測定される。

【0209】

なお、ＲＢＣ／ＰＬＴ検出部４１０１による測定結果は、赤血球数に関する測定項目に対応する。ＨＧＢ検出部４１０２による測定結果は、血色素量に関する測定項目に対応する。

【0210】

図３６は、図３５に示した試料調製部４４０の他の流体系の機能構成を示すブロック図である。

【0211】

図３６に示す例では、ＡＩ分析と計算処理分析の分担に応じて、試料調製部４４０の測定チャンネルの構成が変更されている。具体的には、図３６の試料調製部４４０は、図３５の試料調製部４４０と比較して、ＷＮＲチャンネル用のＷＮＲ試料調製部４４０ｅと、ＷＮＲ試料調製部４４０ｅに接続された試薬（ＷＮＲ溶血剤およびＷＮＲ染色液）とに代えて、ＷＤＦチャンネル用のＷＤＦ試料調製部４４０ａと、ＷＤＦ試料調製部４４０ａに接続された試薬（ＷＤＦ溶血剤およびＷＤＦ染色液）が追加されている。すなわち、図３６の試料調製部４４０は、ＷＤＦチャンネルに対応したＷＤＦ試料調製部４４０ａおよび試薬からなる組を２つ備えている。なお、試料調製部４４０は、ＷＤＦチャンネルに対応したＷＤＦ試料調製部４４０ａおよび試薬からなる組を３以上備えてもよい。

【0212】

図３６に示すように試料調製部４４０が構成される場合、ＷＮＲチャンネルにおいて行われる好塩基球および有核赤血球の分類は、ＷＤＦチャンネルにおいて行われる。分析ユニット３００は、ＷＤＦチャンネルにおいて調製された測定試料から得られた波形データに対してＡＩ分析を実行することにより、好中球、リンパ球、単球、好酸球、好塩基球、および有核赤血球を分類する。この場合、例えば、ＷＤＦチャンネルによる測定で得られた波形データのうち、好中球、リンパ球、単球、好酸球、好塩基球、および有核赤血球に対応する波形データを、あらかじめ教師データとしてＡＩアルゴリズム６０に学習させる。これにより、ＷＤＦチャンネルの波形データから、好中球、リンパ球、単球、好酸球、好塩基球、および有核赤血球を分類可能なＡＩアルゴリズム６０が生成される。

【0213】

図３６の構成によれば、例えば、複数のＷＤＦ試料調製部４４０ａの各々の反応チャンバにおいて、異なる検体の測定試料を並行して調製できる。これにより、異なる検体に対するＷＤＦチャンネルの測定を並行して実行できる。

【0214】

また、図３６の構成では、元の測定チャンネル（ＷＮＲチャンネル）に対応する反応チャンバおよび試薬が、後の測定チャンネル（ＷＤＦチャンネル）に対応する反応チャンバおよび試薬に置き換えられている。この場合、元の測定チャンネルの分析は、後の測定チャンネルの分析によって行われる必要がある。

【0215】

図３６の構成では、元の測定チャンネル（ＷＮＲチャンネル）の分析が、後の測定チャンネル（ＷＤＦチャンネル）による波形データのＡＩ分析により行われる。これにより、元の測定チャンネル（ＷＮＲチャンネル）を後の測定チャンネル（ＷＤＦチャンネル）に置き換えることが可能となる。よって、検体分析装置４０００に設けられた測定チャンネルの総数を増やすことなく、増設したい測定チャンネルの数を増やすことができる。ＷＤＦチャンネルの数が増えることで、複数のＷＤＦチャンネルでそれぞれ異なる検体を並列的に測定でき、ＷＤＦチャンネルによる測定のスループットが向上する。また、ＡＩ分析および計算処理分析が分担されることにより、ＡＩ分析に要する演算負荷を軽減し、かつ、検体処理のスループットも向上できるという顕著な効果が得られる。

【0216】

本実施形態では、例えば、測定チャンネルに応じてＡＩ分析および計算処理分析の何れで分析するか決められてもよい。

【0217】

図３７は、測定チャンネルに応じて分析が実行される例を示すフローチャートである。

【0218】

図３７では、図１５と比較して、ステップＳ１２に代えてステップＳ１０１が追加されている。以下、図１５からの変更点について説明する。

【0219】

ステップＳ１０１において、分析ユニット３００は、測定チャンネルに基づいてＡＩ分析および計算処理分析の何れを行うかを含むルールを参照し、参照したルールに基づいて、ステップＳ１１で取得された波形データに対して、ＡＩ分析の対象となる波形データと、計算処理分析の対象となる波形データとをそれぞれ特定する。

【0220】

図３８は、測定チャンネルごとにＡＩ分析または計算処理分析を設定するための画面を模式的に示す例示図である。図３８に例示する測定チャンネルは、血球分析装置に関するものである。

【0221】

図３８の画面は、例えば、分析ユニット３００が備える表示部に表示される。図３８の画面は、測定チャンネルごとに、ＡＩ分析を設定するためのチェックボックスおよび計算処理分析を設定するためのチェックボックスを備える。ユーザは、チェックボックスを操作して測定チャンネルごとにＡＩ分析と計算処理分析の何れの分析を行うかを選択し、設定ボタンを操作する。これにより、分析ユニット３００の記憶部にルールが記憶される。

【0222】

図３７に戻り、ステップＳ１０１で特定した波形データに、ＡＩ分析の対象となる波形データが含まれている場合（Ｓ１３：ＹＥＳ）、ステップＳ１４において、分析ユニット３００は、ステップＳ１０１で特定したＡＩ分析の対象となる波形データが複数集合した集合データに対して、ＡＩ分析を実行する。ステップＳ１０１で特定した波形データに、計算処理分析の対象となる波形データが含まれている場合（Ｓ１５：ＹＥＳ）、ステップＳ１６において、分析ユニット３００は、ステップＳ１０１で特定した計算処理分析の対象となる波形データに対して、計算処理分析を実行する。

【0223】

図３８の例の場合、ＷＤＦチャンネルがＡＩ分析の対象に設定されているため、ＷＤＦチャンネルに対応付けられる測定項目（例えば、白血球の種別）の分析は、ＷＤＦチャンネルにおいて調製された測定試料から得られた波形データが複数集合した集合データに対するＡＩ分析により実行される。一方、他のチャンネルは計算処理分析の対象に設定されているため、他のチャンネルに対応づけられた測定項目の分析は、当該他のチャンネルにおいて調製された測定試料から得られた波形データに対する計算処理分析により実行される。

【0224】

なお、ＷＤＦチャンネルがＡＩ分析の対象に設定された場合、ＷＤＦチャンネルに対応する全ての測定項目に対してＡＩ分析が実行されてもよいし、ＷＤＦチャンネルに対応する一部の測定項目に対してＡＩ分析が実行され、残りの測定項目に対しては計算処理分析が実行されてもよい。

【0225】

図３７を参照して説明した分析方法において、分析ユニット３００は、例えば、ＷＤＦチャンネルによる測定で得られた波形データが複数集合した集合データのＡＩ分析によって、有核赤血球（ＮＲＢＣ）の分類および計数と、好塩基球（ＢＡＳＯ）の分類および計数とに加え、好酸球、好中球、リンパ球、および単球の分類および計数を実行してもよい。この例の場合、ＡＩアルゴリズム６０は、波形データにより、有核赤血球、好塩基球、好酸球、好中球、リンパ球、および単球の分類が可能となるように学習されている。このようなＡＩアルゴリズム６０を用いることで、ＷＮＲチャンネルをＷＤＦチャンネルに置き換えることが可能となる。

【0226】

図３９は、ＷＤＦチャンネルで取得される波形データに対してＡＩ分析を実行する例を示すフローチャートである。

【0227】

図３９に示すＡＩ分析の例において、分析ユニット３００は、例えば、ＷＤＦチャンネルによる測定で得られた波形データが複数集合した集合データのＡＩ分析によって、有核赤血球（ＮＲＢＣ）の分類および計数と、好塩基球（ＢＡＳＯ）の分類および計数とに加え、好酸球、好中球、リンパ球、および単球の分類および計数も実行する。この例の場合、ＡＩアルゴリズム６０は、波形データにより、有核赤血球、好塩基球、好酸球、好中球、リンパ球、および単球の分類が可能となるように学習されている。このようなＡＩアルゴリズム６０を用いることで、ＷＮＲチャンネルをＷＤＦチャンネルに置き換えることが可能となる。

【0228】

ステップＳ１１１において、測定ユニット４００は、ＷＤＦチャンネルにおいて調製した測定試料から光学的信号を取得し、取得した光学的信号から波形データを取得する。ステップＳ１１２において、分析ユニット３００は、ステップＳ１１１で取得した波形データが複数集合した集合データに対して、ＡＩ分析を実行する。ステップＳ１１３において、分析ユニット３００は、ＷＤＦチャンネルの波形データに対する分析結果、および他のチャンネルの波形データに対する分析結果を合わせて提供する。他のチャンネルの波形データの分析をＡＩ分析および計算処理分析でどのように分担して実行するかは、例えば、上述の実施形態で例示されたいずれかのルールに基づいて判定される。

【0229】

図４０は、ＷＤＦチャンネルで取得される波形データに基づいて、ＡＩ分析で有核赤血球と好塩基球を分類し、計算処理分析でその他を分類する例を示すフローチャートである。

【0230】

図４０の例では、分析ユニット３００は、例えば、ＷＤＦチャンネルで得られた波形データが複数集合した集合データのＡＩ分析によって、有核赤血球の分類および計数と、好塩基球の分類および計数とを行う。分析ユニット３００は、有核赤血球および好塩基球の何れにも分類されなかった細胞に対応する波形データに対して、計算処理分析を実行し、好酸球、好中球、リンパ球および単球の分類および計数を実行する。この例の場合、ＡＩアルゴリズム６０は、例えば、波形データから分析物を有核赤血球、好塩基球、およびそれ以外の分析物に分類できるように学習されている。

【0231】

分析ユニット３００は、有核赤血球および好塩基球の何れにも分類されなかった細胞に対応する波形データに対して、計算処理分析を実行する。例えば、有核赤血球および好塩基球の何れにも分類されなかった細胞に対応する波形データのピーク値が抽出され、側方散乱光に対応するピーク値および蛍光に対応するピーク値から生成される２次元グラフ（スキャッタグラム）に基づいて、細胞種別が分類される。例えば、当該２次元グラフに基づき、細胞が好酸球、好中球、リンパ球、単球およびそれ以外のいずれであるかが分類される。２次元グラフに基づく分析で好酸球、好中球、リンパ球および単球以外に分類された細胞は、例えば、デブリ（Debris）に分類される。

【0232】

ステップＳ１２１において、測定ユニット４００は、ＷＤＦチャンネルにおいて調製した測定試料から光学的信号を取得し、取得した光学的信号から波形データを取得する。ステップＳ１２２において、分析ユニット３００は、ステップＳ１２１で取得した波形データが複数集合した集合データに対して、ＡＩ分析を実行する。これにより、有核赤血球および好塩基球が分類される。ステップＳ１２３において、分析ユニット３００は、有核赤血球および好塩基球のいずれにも分類されない細胞に対応する波形データを特定する。

【0233】

ステップＳ１２４において、分析ユニット３００は、ステップＳ１２３で特定した波形データに対して計算処理分析を実行する。これにより、リンパ球、単球、好酸球、および好中球が分類される。ステップＳ１２５において、分析ユニット３００は、ＷＤＦチャンネルの波形データの分析結果、および他のチャンネルの波形データの分析結果を合わせて提供する。

【0234】

図４１は、ＷＤＦチャンネルにおける計算処理の分析により特定された好中球／好塩基球に対してＡＩ分析を実行する例を示すフローチャートである。

【0235】

図４１の例では、分析ユニット３００は、例えば、ＷＤＦチャンネルで得られた波形データの計算処理分析によって、リンパ球の分類および計数、単球の分類および計数、好酸球の分類および計数、ならびに、好中球または好塩基球の分類および計数が実行される。好中球または好塩基球の分類および計数において、例えば、好中球および好塩基球のいずれかに分類される細胞が計数される。続いて、分析ユニット３００は、リンパ球、単球、好酸球、および、好中球または好塩基球のいずれにも分類されなかった細胞、ならびに、好中球および好塩基球のいずれかに分類された細胞に対応する波形データが複数集合した集合データに対して、ＡＩ分析を実行する。これにより、分析物は、有核赤血球、好塩基球、およびそれ以外の細胞に分類される。

【0236】

例えば、計算処理分析で好中球および好塩基球のいずれかであると分類された細胞の計数結果から、ＡＩ分析により好塩基球と分類された細胞の計数結果が減算され、好中球および好塩基球の計数結果がそれぞれ算出される。ＡＩ分析で有核赤血球および好塩基球のいずれにも分類されなかった細胞は、例えば、デブリ（Debris）に分類される。

【0237】

ステップＳ１３１において、測定ユニット４００は、ＷＤＦチャンネルにおいて調製した測定試料から光学的信号を取得し、取得した光学的信号から波形データを取得する。ステップＳ１３２において、分析ユニット３００は、ステップＳ１３１で取得した波形データに対して、計算処理分析を実行する。これにより、リンパ球、単球、好酸球、ならびに、好中球および好塩基球からなる群が分類される。ステップＳ１３３において、分析ユニット３００は、（１）リンパ球、単球、好酸球、および、好中球または好塩基球のいずれにも分類されなかった細胞と、（２）好中球または好塩基球に分類された細胞と、に対応する波形データを特定する。

【0238】

ステップＳ１３４において、分析ユニット３００は、ステップＳ１３３で特定した波形データが複数集合した集合データに対してＡＩ分析を実行する。これにより、好中球および好塩基球が分類される。ステップＳ１３５において、分析ユニット３００は、ＷＤＦチャンネルの波形データの分析結果、および他のチャンネルの波形データの分析結果を合わせて提供する。

【0239】

［実施形態６］
実施形態６では、ホストプロセッサおよび並列処理プロセッサを含む検体分析装置４０００の構成例を示す。実施形態６では、並列処理プロセッサ３００２において波形データの分析に関する演算が並列処理にて実行され、並列処理による演算結果に基づいて分析物の各々の種別に関する情報が生成される。

【0240】

実施形態６によれば、１検体あたり数百メガバイトから数ギガバイトに及ぶ膨大な容量のデータを分析する場合であっても、ホストプロセッサとは別に設けられた並列処理プロセッサによって、波形データに関する処理を並列で実行できる。このため、例えば、膨大な容量のデータをＡＩアルゴリズム６０によって処理する場合であっても、検体分析装置４０００内でデータの処理が完結する。これにより、例えば、ＡＩアルゴリズム６０を格納した分析用サーバに、インターネットまたはイントラネットを介してデータを送信しなくてもよい。したがって、実施形態６によれば、検体分析装置４０００から分析用サーバに大容量のデータを送信し、分析用サーバから返ってくる分析結果を取得する必要がなく、検体中の分析物の分類精度を向上しながらも検体分析装置４０００の処理能力を高く維持することができる。

【0241】

図４２、４３を参照して、実施形態６の検体分析装置４０００の構成を説明する。図４２、４３に示す構成例では、測定ユニット４００が検体（例えば、血液検体、尿検体、体液、骨髄液）を測定するためのＦＣＭ検出部４１０を備える。

【0242】

図４２は、実施形態６に係る、検体分析装置４０００の電気・制御系の機能構成を示すブロック図である。

【0243】

実施形態６の検体分析装置４０００は、測定ユニット４００と、測定ユニット４００の内部に設けられた分析ユニット３００と、を備える。実施形態６の分析ユニット３００は、測定ユニット４００内のＡ／Ｄ変換部４６１、装置機構部４３０、試料調製部４４０および検体吸引部４５０と、測定ユニット４００と接続されたコンピュータ３０１と、に接続されている。

【0244】

図４３は、実施形態６に係る、分析ユニット３００の電気・制御系の機能構成を示すブロック図である。

【0245】

実施形態６の分析ユニット３００は、図３３に示した分析ユニット３００と比較して、並列処理プロセッサ３００２と、バスコントローラ３００５と、ＩＦ部４６２、４６４と、を備える。

【0246】

並列処理プロセッサ３００２は、ＡＩアルゴリズム６０による演算処理をマスタプロセッサに代わって処理可能となるよう構成されている。ＡＩアルゴリズム６０で実行される行列演算の処理に適した並列処理プロセッサ３００２を用いることで、ＡＩ分析に要するＴＡＴの改善が可能となる。しかしながら、並列処理プロセッサ３００２によりＴＡＴは改善されるが、分析対象のデータ量が多くなればＡＩ分析に要するコンピュータ負荷は増加する。これに対し、上述したように、計算処理分析とＡＩ分析とによるデータ分析が分担されることにより、コンピュータ負荷を軽減して検査効率の更なる向上を実現できる。

【0247】

プロセッサ３００１は、並列処理プロセッサ３００２を用いて、ＡＩアルゴリズム６０によって波形データが複数集合した集合データの分析処理を実行する。すなわち、プロセッサ３００１は、解析ソフトウェア３１００を実行することにより、ＡＩアルゴリズム６０に基づく波形データが複数集合した集合データのＡＩ分析を実行する。解析ソフトウェア３１００は、ＡＩアルゴリズム６０に基づいて検体中の分析物に対応する波形データを分析するために用いられる。

【0248】

なお、解析ソフトウェア３１００は、記憶部３００４に格納されてもよい。この場合、プロセッサ３００１は、記憶部３００４に格納されている解析ソフトウェア３１００をＲＡＭ３０１７に展開して実行することにより、ＡＩアルゴリズム６０に基づく波形データが複数集合した集合データのＡＩ分析を実行する。

【0249】

本実施形態では、例えば、ＡＩ分析は、プロセッサ３００１および並列処理プロセッサ３００２によって実行され、計算処理分析は、並列処理プロセッサ３００２は用いずにプロセッサ３００１によって実行される。

【0250】

プロセッサ３００１として、例えば、ＣＰＵ（Central Processing Unit）である。プロセッサ３００１は、例えばインテル社製のＣｏｒｅ ｉ９、Ｃｏｒｅ ｉ７、Ｃｏｒｅ ｉ５、ＡＭＤ社製のＲｙｚｅｎ ９、Ｒｙｚｅｎ ７、Ｒｙｚｅｎ ５、Ｒｙｚｅｎ ３などが用いられてもよい。

【0251】

プロセッサ３００１は、並列処理プロセッサ３００２を制御する。並列処理プロセッサ３００２は、プロセッサ３００１による制御に応じて、例えば行列演算に関する並列処理を実行する。つまり、プロセッサ３００１は、並列処理プロセッサ３００２のマスタプロセッサであり、並列処理プロセッサ３００２は、プロセッサ３００１のスレーブプロセッサである。プロセッサ３００１は、ホストプロセッサまたはメインプロセッサとも呼ばれる。プロセッサ３００１は、ＡＩアルゴリズム６０による行列演算を、並列処理プロセッサ３００２による並列処理で実行する。

【0252】

並列処理プロセッサ３００２は、波形データの分析に関する処理の少なくとも一部である複数の演算処理を並列に実行する。並列処理プロセッサ３００２は、例えば、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）である。並列処理プロセッサ３００２がＦＰＧＡである場合、並列処理プロセッサ３００２は、例えば、訓練済みのＡＩアルゴリズム６０に関する演算処理が予めプログラムされていてもよい。並列処理プロセッサ３００２がＡＳＩＣである場合、並列処理プロセッサ３００２は、例えば、訓練済みのＡＩアルゴリズム６０に関する演算処理を実行するための回路が予め組み込まれていてもよいし、そのような組み込み回路に加えてプログラマブルなモジュールが内蔵されていてもよい。

【0253】

並列処理プロセッサ３００２として、例えば、ＮＶＩＤＩＡ社製のＧｅＦｏｒｃｅ，Ｑｕａｄｒｏ，ＴＩＴＡＮ，Ｊｅｔｓｏｎなどが用いられてもよい。Ｊｅｔｓｏｎシリーズであれば、例えば、Ｊｅｔｓｏｎ Ｎａｎｏ、Ｊｅｔｓｏｎ Ｔｘ２、Ｊｅｔｓｏｎ Ｘａｖｉｅｒ、Ｊｅｔｓｏｎ ＡＧＸ Ｘａｖｉｅｒが用いられる。

【0254】

プロセッサ３００１は、例えば、測定ユニット４００の制御に関する計算処理を実行する。プロセッサ３００１は、例えば、装置機構部４３０、試料調製部４４０および検体吸引部４５０の間で送受信される制御信号に関する計算処理を実行する。また、プロセッサ３００１は、例えば、コンピュータ３０１との間での情報の送受信に関する計算処理を実行する。

【0255】

コンピュータ３０１は、例えば、プロセッサ３００１の処理に基づいて分析ユニット３００から送信された分析結果を表示する機能を有する。コンピュータ３０１は、例えば、分析ユニット３００に測定オーダーを送信する。測定オーダーは、例えば、ホストコンピュータからコンピュータ３０１に送信される。ユーザは、コンピュータ３０１の入力デバイスを介して、測定オーダーを入力することもできる。

【0256】

プロセッサ３００１は、例えば、記憶部３００４からのプログラムデータの読み出し、ＲＡＭ３０１７へのプログラムの展開、ＲＡＭ３０１７との間のデータの送受信に関する処理を実行する。プロセッサ３００１により実行される上述の各処理は、例えば、所定の順番に実行することが求められる。例えば、装置機構部４３０、試料調製部４４０および検体吸引部４５０の制御に要する処理をそれぞれＡ、ＢおよびＣとすると、Ｂ、Ａ、Ｃの順で実行することが求められることがある。プロセッサ３００１はこのような順序に依存する連続的な処理を実行することが多いため、演算ユニット（「プロセッサコア」、「コア」等と呼ばれることがある）の数を増したとしても、必ずしも処理速度が高まるものではない。

【0257】

一方、並列処理プロセッサ３００２は、例えば、多量の要素を含む行列データの演算のように、定型的で多量な計算処理を実行する。本実施形態では、並列処理プロセッサ３００２は、ＡＩアルゴリズム６０に従って波形データが複数集合した集合データを分析する演算処理の少なくとも一部を並列化した並列処理を実行する。ＡＩアルゴリズム６０には、例えば、多量の行列演算が含まれる。ＡＩアルゴリズム６０には、例えば、少なくとも１００の行列演算が含まれることがあり、また、少なくとも１０００の行列演算が含まれることもある。

【0258】

並列処理プロセッサ３００２は、複数の演算ユニットを有し、これらの演算ユニットの各々が同時に行列演算を実行可能である。つまり、並列処理プロセッサ３００２は、並列処理として、複数の演算ユニットの各々による行列演算を並列に実行することができる。例えば、ＡＩアルゴリズム６０に含まれる行列演算は、互いに順序依存が無い複数の演算処理に分割することができる。このように分割された演算処理は、複数の演算ユニットの各々で並列に実行可能となる。これらの演算ユニットは、「プロセッサコア」、「コア」等と呼ばれることがある。

【0259】

このような並列処理を実行することにより、検体分析装置４０００全体としての演算処理を高速化することが可能となる。ＡＩアルゴリズム６０に含まれる行列演算のような処理は、例えば、「単一命令複数データ処理」（ＳＩＭＤ：Single Instruction Multiple Data）と呼ばれることがある。並列処理プロセッサ３００２は、例えばこのようなＳＩＭＤ演算に適している。このような並列処理プロセッサ３００２は、ベクトルプロセッサと呼ばれることがある。

【0260】

上述のように、プロセッサ３００１は、多様かつ複雑な処理を実行することに適している。一方、並列処理プロセッサ３００２は、定型化された多量の処理を並列に実行することに適している。定型化された多量の演算処理を並列に実行することにより、計算処理に要するＴＡＴが短縮される。

【0261】

なお、並列処理プロセッサ３００２が実行する並列処理の対象は、行列演算に限られない。例えば、並列処理プロセッサ３００２がＡＩアルゴリズム６０に対して学習処理を実行するときは、学習処理に関する微分演算等が並列処理の対象となり得る。

【0262】

プロセッサ３００１の演算ユニットの数は、例えば、デュアルコア（コア数：２）、クアッドコア（コア数：４）、オクタコア（コア数：８）である。一方、並列処理プロセッサ３００２は、演算ユニットを、例えば、少なくとも１０個有し（コア数：１０）、１０の行列演算を並列に実行し得る。並列処理プロセッサ３００２は、演算ユニットを数十個有するものもある。また、並列処理プロセッサ３００２は、演算ユニットを、例えば、少なくとも１００個有し（コア数：１００）、１００の行列演算を並列に実行し得るものもある。並列処理プロセッサ３００２は、演算ユニットを数百個有するものもある。また、並列処理プロセッサ３００２は、演算ユニットを、例えば、少なくとも１０００個有し（コア数：１０００）、１０００の行列演算を並列に実行し得るものもある。並列処理プロセッサ３００２は、演算ユニットを数千個有するものもある。

【0263】

図４４は、実施形態６に係る、検体分析装置４０００の電気・制御系の他の機能構成を示すブロック図である。図４４の検体分析装置４０００は、血液検体中の血球の計数および分類を実行する。

【0264】

図４４の検体分析装置４０００は、図４２の検体分析装置４０００と比較して、ＲＢＣ／ＰＬＴ検出部４１０１、ＨＧＢ検出部４１０２、アナログ処理部４２０１、４２０２、およびＡ／Ｄ変換部４６１１、４６１２を備える。試料調製部４４０は、上述した他の実施形態と同様に構成される。

【0265】

図４５は、並列処理プロセッサ３００２の構成例を示す図である。

【0266】

並列処理プロセッサ３００２は、複数の演算ユニット３２００と、ＲＡＭ３２０１とを含む。演算ユニット３２００の各々は、行列データの演算処理を並列に実行する。ＲＡＭ３２０１は、演算ユニット３２００が実行する演算処理に関するデータを記憶する。ＲＡＭ３２０１は、少なくとも１ギガバイトの容量を有するメモリである。ＲＡＭ３２０１は、２ギガバイト、４ギガバイト、６ギガバイト、８ギガバイト、または１０ギガバイト以上の容量を有するメモリであってもよい。演算ユニット３２００は、ＲＡＭ３２０１からデータを取得し、演算処理を実行する。演算ユニット３２００は、「プロセッサコア」、「コア」等と呼ばれることがある。

【0267】

図４６～４８は、並列処理プロセッサ３００２の搭載例を模式的に示す図である。

【0268】

図４６に示す例では、プロセッサ３００１は、基板３３０１に搭載される。並列処理プロセッサ３００２は、例えば、グラフィックボード３３００に搭載され、グラフィックボード３３００がコネクタ３３１０を介して基板３３０１に接続される。プロセッサ３００１は、バス３００３を介して並列処理プロセッサ３００２と接続される。図４７に示す例では、並列処理プロセッサ３００２は、基板３３０１に直接搭載され、バス３００３を介してプロセッサ３００１に接続される。図４８に示す例では、プロセッサ３００１および並列処理プロセッサ３００２が一体として設けられる。この場合、並列処理プロセッサ３００２は、基板３３０１に搭載されたプロセッサ３００１に内蔵される。

【0269】

図４９は、並列処理プロセッサ３００２の他の搭載例を示す図である。

【0270】

図４９に示す例では、測定ユニット４００に接続される外付け装置３４００によって、測定ユニット４００に並列処理プロセッサ３００２が搭載される。並列処理プロセッサ３００２は、例えば、ＵＳＢデバイスである外付け装置３４００に実装される。外付け装置３４００がＩＦ部４６６を介してバス３００３に接続されることにより、並列処理プロセッサ３００２は、検体分析装置４０００に搭載される。ＵＳＢデバイスは、例えば、ＵＳＢドングルのような小型デバイスでもよい。ＩＦ部４６６は、例えば、数百Ｍｂｐｓの転送速度を有するＵＳＢインターフェースであり、より好ましくは、数Ｇｂｐｓ～数１０Ｇｂｐｓ以上の転送速度を有するＵＳＢインターフェースである。並列処理プロセッサ３００２が実装された外付け装置３４００として、例えば、Ｉｎｔｅｌ社製 Ｎｅｕｒａｌ Ｃｏｍｐｕｔｅ Ｓｔｉｃｋ ２が用いられてもよい。

【0271】

並列処理プロセッサ３００２が実装された複数のＵＳＢデバイスをＩＦ部４６６に接続することで、複数の並列処理プロセッサ３００２を検体分析装置４０００に搭載してもよい。１つのＵＳＢデバイスに実装される並列処理プロセッサ３００２は、演算ユニット３２００の数がＧＰＵ等に比べて少ないことがあるため、測定ユニット４００に接続するＵＳＢデバイスを複数に増設することにより、コア数のスケールアップが可能となる。

【0272】

次に、図５０～５２を参照して、プロセッサ３００１上で動作する解析ソフトウェア３１００の制御に基づいて、並列処理プロセッサ３００２で実行される演算処理の概要を説明する。

【0273】

図５０は、演算処理を実行する並列処理プロセッサ３００２の構成例を示す図である。

【0274】

並列処理プロセッサ３００２は、複数の演算ユニット３２００と、ＲＡＭ３２０１と、を有する。解析ソフトウェア３１００を実行するプロセッサ３００１は、並列処理プロセッサ３００２に命令し、波形データが複数集合した集合データをＡＩアルゴリズム６０で分析する場合に要する少なくとも一部の演算処理を並列処理プロセッサ３００２に実行させる。プロセッサ３００１は、並列処理プロセッサ３００２に対して、ＡＩアルゴリズム６０に基づく波形データの分析に関する演算処理の実行を命令する。

【0275】

波形データの全部または少なくとも一部は、ＲＡＭ３０１７に記憶される。ＲＡＭ３０１７に記憶されたデータは、例えばＤＭＡ（Direct Memory Access）方式により、並列処理プロセッサ３００２のＲＡＭ３２０１に転送される。並列処理プロセッサ３００２の複数の演算ユニット３２００の各々は、ＲＡＭ３２０１に記憶されたデータに対する演算処理を並列に実行する。複数の演算ユニット３２００の各々は、必要なデータをＲＡＭ３２０１から取得して演算処理を実行する。演算結果に対応するデータは、並列処理プロセッサ３００２のＲＡＭ３２０１に記憶される。演算結果に対応するデータは、例えばＤＭＡ方式により、ＲＡＭ３２０１からＲＡＭ３０１７に転送される。

【0276】

図５１は、並列処理プロセッサ３００２が実行する行列演算の概要を示す図である。

【0277】

波形データが複数集合した集合データをＡＩアルゴリズム６０に従って分析するにあたり、行列の積の計算（行列演算）が実行される。並列処理プロセッサ３００２は、例えば、行列演算に関する複数の演算処理を並列に実行する。

【0278】

図５１の上段の図は、行列の積の計算式を示す。この計算式の例では、ｎ行ｎ列の行列ａとｎ行ｎ列の行列ｂとの積により、行列ｃを求める。上述の図８の例のように、ＡＩアルゴリズム６０は、波形データ間の関連度を求めるために、行列の積を計算する。図５１の上段の図に例示されるように、計算式は、多階層のループ構文で記述される。図５１の下段の図は、並列処理プロセッサ３００２で並列に実行される演算処理の例を示す。図５１の下段の図に例示された計算式は、例えば、１階層目のループ用変数ｉと、２階層目のループ用変数ｊとの組合せ数であるｎ×ｎ個の演算処理に分割することができる。このように分割された演算処理の各々は、互いに依存しない演算処理であるため、並列に実行され得る。

【0279】

図５２は、図５１の下段の図に例示された複数の演算処理が、並列処理プロセッサ３００２で並列に実行されることを示す概念図である。

【0280】

図５２に示すように、複数の演算処理の各々は、並列処理プロセッサ３００２が備える複数の演算ユニット３２００のいずれかに割り当てられる。演算ユニット３２００の各々は、割り当てられた演算処理を、互いに並列に実行する。つまり、演算ユニット３２００の各々は、分割された演算処理を同時に実行する。

【0281】

図５１、５２に例示された並列処理プロセッサ３００２による演算によって、例えば、集合データを構成する波形データ間の関連度に関する情報が求められる。解析ソフトウェア３１００を実行するプロセッサ３００１は、例えば、演算の結果に基づいて、波形データに対応する細胞の細胞種に関する解析を行う。細胞の細胞種に関する解析では、例えば、上記関連度に関する情報に基づいて、各波形データに対応する細胞が複数の細胞種別の各々に属する確率に関する情報が求められる。

【0282】

検体中の分析物が複数の分類種別の各々に属する確率の演算は、並列処理プロセッサ３００２とは別のプロセッサにより行われてもよい。例えば、並列処理プロセッサ３００２による演算結果がＲＡＭ３２０１からＲＡＭ３０１７に転送され、プロセッサ３００１が、ＲＡＭ３０１７から読み出した演算結果に基づいて、各々の波形データに対応する分析物が複数の分類種別の各々に属する確率に関する情報を演算してもよい。また、並列処理プロセッサ３００２による演算結果がＲＡＭ３２０１から分析ユニット３００に転送され、分析ユニット３００に搭載されたプロセッサが、各々の波形データに対応する分析物が複数の分類種別の各々に属する確率に関する情報を演算してもよい。

【0283】

図５１、５２に示した処理は、例えば、ＡＩアルゴリズム６０における畳み込み層に関する演算処理（フィルタ処理とも呼ばれる）に適用されてもよい。

【0284】

図５３は、畳み込み層に関する演算処理の概要を模式的に示す図である。

【0285】

図５３の上段の図には、ＡＩアルゴリズム６０に入力される波形データとして、前方散乱光に基づいて得られた波形データが示されている。本実施形態の波形データは、例えば、一次元の行列データである。より単純に言えば、波形データは要素を一列に並べた配列データである。ここでは、説明の便宜上、波形データの要素数をｎ（ｎは１以上の整数）とする。図５３の上段の図には、複数のフィルタが示されている。フィルタは、ＡＩアルゴリズム６０の学習処理により生成される。複数のフィルタの各々は、波形データの特徴を表す一次元の行列データである。図５２の上段の図に示すフィルタは、例えば１行３列の行列データであるが、列数は３に限られない。ＡＩアルゴリズム６０に入力される波形データと、各々のフィルタとを行列演算することで、波形データに関する細胞種別に対応する特徴が計算される。

【0286】

図５３の下段の図は、波形データおよびフィルタの行列演算の概要を示す。各フィルタを波形データの各要素に対して１つずつずらしながら行列演算が実行される。行列演算の計算は、下記の（式１）により実行される。

【0287】

【数1】

【0288】

（式１）において、ｘの添え字は、波形データの行番号および列番号を示す変数である。ｈの添え字は、フィルタの行番号および列番号を示す変数である。図５３に示す例の場合、波形データは一次元の行列データであり、フィルタは、１行３列の行列データであるから、Ｌ＝１、Ｍ＝３、ｐ＝０、ｑ＝０，１，２、ｉ＝０、ｊ＝０，１，…，ｎ－１である。

【0289】

並列処理プロセッサ３００２は、（式１）で表される行列演算を、複数の演算ユニット３２００の各々によって並列に実行する。並列処理プロセッサ３００２が実行した演算処理に基づき、検体中の各分析物の種別に関する分類情報８２が生成される。生成された分類情報８２は、検体の検査結果（分析結果）の生成および表示に用いられる。

【0290】

コンピュータ３０１は、ＩＦ部３００６およびバス３００３を介してプロセッサ３００１と接続されており、プロセッサ３００１および並列処理プロセッサ３００２による分析結果を受信することができる。ＩＦ部３００６は、例えば、ＵＳＢインターフェースである。コンピュータ３０１は、分析ユニット３００による分析結果を、ＩＦ部３００６を介して受信し、コンピュータ３０１の表示デバイスに分析結果を表示する。

【0291】

コンピュータ３０１は、キーボード、マウスまたはタッチパネルを含むポインティングデバイスで構成される操作部を備えてもよい。医師や検査技師等のユーザは、操作部を操作することで、検体分析装置４０００に測定オーダーを入力し、測定オーダーにしたがって測定指示を入力することができる。ユーザは、操作部を介して、検査結果を表示する指示をコンピュータ３０１に入力できる。ユーザは、操作部を操作し、検査結果に関する様々な情報、例えば、分析に基づく数値結果、グラフ、チャート、検体に付与されたフラグ情報を閲覧することができる。

【0292】

＜検体分析装置の動作＞
図５４～５６を参照して、検体分析装置４０００による検体の分析動作を説明する。

【0293】

図５４は、分析ユニット３００および測定ユニット４００の分析動作を示すフローチャートである。

【0294】

ステップＳ２００において、分析ユニット３００のプロセッサ３００１は、測定オーダーを受け付けると、測定ユニット４００に対して測定の実行を指示する。例えば、分析ユニット３００は、測定ユニット４００への指示によって、測定ユニット４００の各検出部（ＦＣＭ検出部４１０、ＲＢＣ／ＰＬＴ検出部４１０１、ＨＧＢ検出部４１０２）、検体吸引部４５０、および試料調製部４４０の動作を制御する。測定ユニット４００は、分析ユニット３００からの指示に応じて検体の測定を開始する。

【0295】

ステップＳ３００において、検体吸引部４５０は、分析ユニット３００からの測定指示に応じて、採血管から検体を吸引し、吸引した検体を反応チャンバに吐出する。分析ユニット３００からの測定指示には、測定オーダーによって測定が要求されている測定チャンネルの情報が含まれている。検体吸引部４５０は、測定指示に含まれる測定チャンネルの情報に基づいて、対応する測定チャンネルの反応チャンバに検体を吐出する。

【0296】

ステップＳ３０１において、試料調製部４４０は、分析ユニット３００からの測定指示に応じて、測定試料を調製する。具体的には、試料調製部４４０は、測定指示に含まれる測定チャンネルの情報に基づいて、検体が吐出された反応チャンバに試薬（溶血剤および染色液）を供給し、検体および試薬を混合する。これにより、測定試料（例えば、ＷＤＦ測定試料、ＲＥＴ測定試料、ＷＰＣ測定試料、ＰＬＴ－Ｆ測定試料、ＷＮＲ測定試料）が調製される。また、試料調製部４４０は、検体が吐出された反応チャンバに試薬を供給し、検体および試薬を混合して、ＲＢＣ／ＰＬＴ測定試料を調製する。試料調製部４４０は、検体が吐出された反応チャンバに試薬を供給し、検体および試薬を混合して、ヘモグロビン測定試料を調製する。

【0297】

ステップＳ３０２において、ＦＣＭ検出部４１０は、分析ユニット３００からの測定指示に応じて、調製した測定試料を測定する。具体的には、装置機構部４３０が、分析ユニット３００からの測定指示に応じて、試料調製部４４０の反応チャンバ内にある測定試料をＦＣＭ検出部４１０へ送液する。反応チャンバから送液された測定試料は、フローセル４１１３内に流され、光源４１１１によってレーザ光が照射される。測定試料に含まれる分析物がフローセル４１１３を通過すると、光が分析物に照射され、分析物から生じた前方散乱光、側方散乱光および蛍光が、それぞれ受光素子４１１６、４１２１、４１２２によって検出され、受光強度に応じたアナログの光学的信号が出力される。光学的信号は、アナログ処理部４２０により処理された後、Ａ／Ｄ変換部４６１に出力される。

【0298】

また、ＲＢＣ／ＰＬＴ検出部４１０１は、ＲＢＣ／ＰＬＴ測定試料に基づいて、シースフローＤＣ検出法により血球の測定を行う。ＨＧＢ検出部４１０２は、ヘモグロビン測定試料に基づいて、ＳＬＳ－ヘモグロビン法によりヘモグロビンの測定を行う。ＲＢＣ／ＰＬＴ検出部４１０１で検出されたアナログ信号は、アナログ処理部４２０１により処理された後、Ａ／Ｄ変換部４６１１に出力され、ＨＧＢ検出部４１０２で検出されたアナログ信号は、アナログ処理部４２０２で処理された後、Ａ／Ｄ変換部４６１２に出力される。

【0299】

ステップＳ３０３において、Ａ／Ｄ変換部４６１は、上述したように、アナログの光学的信号を所定レートでサンプリングすることでデジタルデータを生成し、デジタルデータに基づいて、分析物の各々に対応する波形データを生成する。Ａ／Ｄ変換部４６１によって生成された波形データは、例えば、ＤＭＡ転送によって、分析ユニット３００のプロセッサ３００１を介さずに直接ＲＡＭに転送される。これにより、分析物から取得された前方散乱光信号に基づく波形データ、側方散乱光に対応する波形データ、および蛍光に対応する波形データが、ＲＡＭ３０１７に取り込まれる。

【0300】

また、Ａ／Ｄ変換部４６１１は、ＲＢＣ／ＰＬＴ検出部４１０１からのアナログ信号を所定レートでサンプリングすることでデジタルデータを生成する。Ａ／Ｄ変換部４６１２は、ＨＧＢ検出部４１０２からのアナログ信号を所定レートでサンプリングすることでデジタルデータを生成する。これらのデジタルデータも、ＲＡＭ３０１７に取り込まれてもよい。

【0301】

ステップＳ２０１において、分析ユニット３００のプロセッサ３００１は、ＡＩアルゴリズム６０を用いて波形データが複数集合した集合データに対してＡＩ分析を並列処理プロセッサ３００２に実行させる。また、プロセッサ３００１は、必要に応じて、上記ＡＩ分析に加え、波形データのうち分析物の特徴に対応する代表値に対して計算処理分析を実行してもよい。ＡＩ分析および計算処理分析が分担して実行される場合、その分担の方法は上述の通りである。これにより、検体中の分析物が分類される。ステップＳ２０１におけるＡＩ分析の処理については後述するが、プロセッサ３００１は、並列処理プロセッサ３００２を用いた処理の結果として、例えば、検体中の個々の分析物の分類情報８２を取得し、分類結果としてラベル値８３を取得する。

【0302】

ステップＳ２０２において、プロセッサ３００１は、記憶部３００４に格納されたプログラムを用いて、ラベル値８３を含む分類結果を分析し、検体の検査結果（分析結果）を生成する。ステップＳ２０２では、例えば、個々の分析物の分類結果に基づいて、分析物の種別ごとに当該分析物の数が計数される。

【0303】

例えば、血液検体中の血球を検査する例の場合、１つの検体から好中球を示すラベル値「１」が付与された分類結果がＮ個あれば、検体の検査結果として好中球の数＝Ｎとする計数結果が取得される。プロセッサ３００１は、分類結果に基づいて測定チャンネルに応じた測定項目に関する計数結果を取得し、検体の識別情報とともに記憶部３００４に格納する。

【0304】

ここで、測定チャンネルに応じた測定項目とは、測定オーダーによって計数結果が要求されている項目である。例えば、ＷＤＦチャンネルに応じた測定項目とは、白血球５分類、すなわち単球、好中球、リンパ球、好酸球、および好塩基球の数の測定項目を含む。ＲＥＴチャンネルに応じた測定項目とは、網状赤血球の数の測定項目を含む。ＰＬＴ－Ｆに応じた測定項目とは、血小板の数の測定項目を含む。ＷＰＣに応じた測定項目とは、造血前駆細胞の数の測定項目を含む。ＷＮＲに応じた測定項目とは、白血球と有核赤血球の数の測定項目を含む。

【0305】

計数結果は、上に列挙したような測定が要求されている項目（リポータブル項目ともいう）に限らず、同じ測定チャンネルで測定可能な他の細胞の計数結果も含み得る。例えば、ＷＤＦチャンネルの場合、白血球５分類に加えて、幼若顆粒球（ＩＧ）および異常細胞も計数結果に含まれる。

【0306】

さらに、プロセッサ３００１は、得られた計数結果を分析することで検体の検査結果を生成し、記憶部３００４に格納する。計数結果の分析とは、例えば、計数結果が正常値範囲内であるか、異常細胞が検出されていないか、前回の検査結果と比べて乖離が許容範囲内か、などを判断することを含む。

【0307】

ステップＳ２０３において、分析ユニット３００は、生成した検査結果を、例えば、コンピュータ３０１の表示部に表示させる。

【0308】

図５５は、図５４のステップＳ２０１におけるＡＩ分析の詳細を示すフローチャートである。

【0309】

ステップＳ２０１は、解析ソフトウェア３１００の動作に応じて、プロセッサ３００１により実行される。

【0310】

ステップＳ２０１０において、プロセッサ３００１は、ステップＳ３０３においてＲＡＭ３０１７に取り込まれた波形データを、並列処理プロセッサ３００２に転送する。波形データは、例えば、ＤＭＡ転送によって、ＲＡＭ３０１７からＲＡＭ３２０１にＤＭＡ転送される。このとき、プロセッサ３００１は、例えば、バスコントローラ３００５を制御し、ＲＡＭ３０１７からＲＡＭ３２０１に波形データをＤＭＡ転送させる。

【0311】

ステップＳ２０１１において、プロセッサ３００１は、並列処理プロセッサ３００２に、波形データに対する並列処理の実行を指示する。プロセッサ３００１は、例えば、並列処理プロセッサ３００２のカーネル関数を呼び出すことで、並列処理の実行を指示する。並列処理プロセッサ３００２で実行される処理については、追って図５６を参照して説明する。プロセッサ３００１は、例えば、ＡＩアルゴリズム６０に関する行列演算の実行を、並列処理プロセッサ３００２に指示する。検体中の分析物の各々に対応する波形データが、それぞれ、ＡＩアルゴリズム６０に入力される。ＡＩアルゴリズム６０に入力された波形データが複数集合した集合データは、並列処理プロセッサ３００２によって演算される。

【0312】

ステップＳ２０１２において、プロセッサ３００１は、並列処理プロセッサ３００２によって実行された演算結果（分類結果）を受信する。演算結果は、例えば、ＲＡＭ３２０１からＲＡＭ３０１７にＤＭＡ転送される。ステップＳ２０１３において、プロセッサ３００１は、並列処理プロセッサ３００２による演算結果に基づいて、各分析物の種別の分類結果を生成する。

【0313】

図５６は、図５５のステップＳ２０１１の詳細を示すフローチャートである。

【0314】

ステップＳ２０１１は、プロセッサ３００１の指示に基づいて、並列処理プロセッサ３００２により実行される。

【0315】

ステップＳ２１００において、解析ソフトウェア３１００を実行するプロセッサ３００１は、並列処理プロセッサ３００２に、演算ユニット３２００に対する演算処理の割り当てを実行させる。プロセッサ３００１は、例えば、並列処理プロセッサ３００２のカーネル関数を呼び出すことで、並列処理プロセッサ３００２に、演算ユニット３２００への演算処理の割り当てを実行させる。例えば、ＡＩアルゴリズム６０に関する行列演算が複数の演算処理に分割され、分割された各演算処理が演算ユニット３２００に割り当てられる。検体中の分析物の各々に対応する波形データが、それぞれ、ＡＩアルゴリズム６０に入力される。波形データに対応する行列演算が複数の演算処理に分割され、演算ユニット３２００に割り当てられる。

【0316】

ステップＳ２１０１において、各演算処理が、複数の演算ユニット３２００によって並列に処理される。演算処理は、複数の波形データに対して実行される。ステップＳ２１０２において、複数の演算ユニット３２００によって並列に処理されることで生成された演算結果が、ＲＡＭ３２０１からＲＡＭ３０１７に転送される。演算結果は、例えば、ＲＡＭ３２０１からＲＡＭ３０１７にＤＭＡ転送される。

【0317】

なお、図５４のステップＳ２０１において、分析ユニット３００のプロセッサ３００１は、ＲＢＣ／ＰＬＴ検出部４１０１からのアナログ信号に基づくデジタルデータに対してＡＩアルゴリズム６０を用いることにより、ＲＢＣ／ＰＬＴチャンネルに対応する測定項目（例えば、赤血球数やヘマトクリット値など）の分類情報８２を取得してもよい。また、プロセッサ３００１は、ＨＧＢ検出部４１０２からのアナログ信号に基づくデジタルデータに対してＡＩアルゴリズム６０を用いることにより、ＨＧＢチャンネルに対する測定項目（例えば、血色素量など）の分類情報８２を取得してもよい。

【0318】

次に、図５７、５８を参照し、測定ユニット４００および分析ユニット３００によって構成される検体分析装置４０００の他の構成例を説明する。

【0319】

図５７は、測定ユニット４００の電気・制御系の他の機能構成を示すブロック図である。

【0320】

図５７に示す例では、アナログ処理部４２０で処理されたアナログの光学的信号が、接続ポート４２１を介して分析ユニット３００に送信される。接続ポート４２１には接続ケーブル４２１０が接続される。図５７に示すその他の構成は、上述の実施形態の測定ユニット４００と同様の構成および機能を有する。

【0321】

図５８は、分析ユニット３００の電気・制御系の他の機能構成を示すブロック図である。

【0322】

図５８に示す例では、分析ユニット３００は、ＩＦ部３００６を介して、測定ユニット４００に接続される。ＲＡＭ３０１７およびバス３００３は、例えば、数百ＭＢ／ｓ以上のデータ転送速度を有する伝送路である。バス３００３は、１ＧＢ／ｓ以上のデータ転送速度を有する伝送路であってもよい。バス３００３は、例えば、ＰＣＩ－ＥｘｐｒｅｓｓやＰＣＩ－Ｘ規格に基づいてデータ転送を行う。プロセッサ３００１、並列処理プロセッサ３００２、記憶部３００４、およびＲＡＭ３０１７の構成、ならびに、それらで実行される処理は、上述の構成および処理と同様である。

【0323】

分析ユニット３００は、接続ポート３００７と、Ａ／Ｄ変換部３００８と、ＩＦ部３００９と、を備える。

【0324】

接続ポート３００７は、接続ケーブル４２１０を介して、測定ユニット４００の接続ポート４２１（図５７参照）に接続されている。接続ケーブル４２１０は、例えば、測定ユニット４００から分析ユニット３００に伝送されるアナログ信号の種類に対応する数の伝送経路を備える。例えば、接続ケーブル４２１０は、ツイストペアケーブルで構成され、分析ユニット３００に伝送されるアナログ信号の種類に対応する数のペア数の配線を有する。接続ケーブル４２１０は、信号伝送中のノイズ低減のため、例えば、１メートル以下の長さである。

【0325】

Ａ／Ｄ変換部３００８は、接続ポート３００７に接続されている。Ａ／Ｄ変換部３００８は、上述したように、測定ユニット４００から出力されたアナログの光学的信号をサンプリングし、検体中の各分析物に対応する波形データを生成する。生成された波形データは、ＩＦ部３００９およびバス３００３を介して、記憶部３００４またはＲＡＭ３０１７に記憶される。なお、接続ポート３００７からＡ／Ｄ変換部３００８の伝送経路も、分析ユニット３００に伝送される光学的信号の種類に対応する数の配線を有してもよい。

【0326】

プロセッサ３００１および並列処理プロセッサ３００２は、記憶部３００４またはＲＡＭ３０１７に記憶された波形データに対して演算処理を実行する。プロセッサ３００１上で動作する解析ソフトウェア３１００は、図４９に示した解析ソフトウェア３１００と同様である。プロセッサ３００１は、解析ソフトウェア３１００を実行することにより、上記と同様の動作によって、検体中の分析物の種別に関する分類情報８２を生成する。

【0327】

次に、図５９、６０を参照し、測定ユニット４００および分析ユニット３００によって構成される検体分析装置４０００の他の構成例を説明する。

【0328】

図５９は、測定ユニット４００の電気・制御系の他の機能構成を示すブロック図である。

【0329】

図５９に示す測定ユニット４００は、Ａ／Ｄ変換部４６１で生成された波形データを分析ユニット３００に伝送するためのＩＦ部４６３１を備える。ＩＦ部４６３１には、伝送路４６３２が接続されている。その他の構成および機能は、上述の測定ユニット４００と同様である。

【0330】

ＩＦ部４６３１は、例えば、１ギガビット／秒以上の通信帯域を備える専用回線としてのインターフェースである。例えば、ＩＦ部４６３１は、ギガビットイーサ、ＵＳＢ３．０、またはＴｈｕｎｄｅｒｂｏｌｔ３に準拠したインターフェースである。ＩＦ部４６３１がギガビットイーサである場合、伝送路４６３２は、ＬＡＮケーブルである。ＩＦ部４６３１がＵＳＢ３．０である場合、伝送路４６３２は、ＵＳＢ３．０に準拠したＵＳＢケーブルである。伝送路４６３２は、例えば、測定ユニット４００と分析ユニット３００との間でデジタルデータを伝送するための専用の伝送路である。

【0331】

図６０は、分析ユニット３００の電気・制御系の他の機能構成を示すブロック図である。

【0332】

図６０に示す分析ユニット３００は、ＩＦ部３０１０を備える。その他の構成および機能は、上述の分析ユニット３００と同様である。分析ユニット３００は、複数のＩＦ部３０１０および複数のＩＦ部３００６を介して、複数の測定ユニット４００と接続されてもよい。

【0333】

プロセッサ３００１上で動作する解析ソフトウェア３１００は、上述の解析ソフトウェア３１００と同様の機能を有する。解析ソフトウェア３１００は、上述の関連記載と同様の動作によって、検体中の分析物の種別を分析する。

【0334】

図５９、６０の構成では、測定ユニット４００内のＡ／Ｄ変換部４６１が、ＦＣＭ検出部４１０において生成されたアナログの光学的信号に基づいて、デジタルの波形データを生成する。波形データは、ＩＦ部４６２、バス４６３、ＩＦ部４６３１、伝送路４６３２を介して、分析ユニット３００に送られる。

【0335】

測定ユニット４００と分析ユニット３００は、例えば、伝送路４６３２を介して、一対一で接続される。この場合の伝送路４６３２は、検体分析装置４０００を構成するコンポーネント（例えば、測定ユニット４００および分析ユニット３００）以外の装置に関連するデータの伝送が介在しない伝送路である。伝送路４６３２は、例えば、イントラネットやインターネットとは、別の伝送路である。これにより、測定ユニット４００内で生成された波形データが分析ユニット３００に送信されても、デジタルデータの伝送の通信速度のボトルネックを回避できる。

【0336】

次に、図６１～６５を参照して、検体分析装置４０００の他の構成例を説明する。

【0337】

図６１は、検体分析装置４０００の電気・制御系の他の機能構成を示すブロック図である。

【0338】

本構成例では、測定ユニット４００とコンピュータ３０１との間に、分析ユニット６００が設けられる。すなわち、図６１～６５の構成において、検体分析装置４０００は、測定ユニット４００と、コンピュータ３０１と、分析ユニット６００と、を備える。分析ユニット６００は、測定された細胞の種別を解析する。後述するように、本構成例の並列処理プロセッサ６００２は、分析ユニット６００に組み込まれる形で検体分析装置４０００に搭載される。

【0339】

図６２は、測定ユニット４００の電気・制御系の他の機能構成を示すブロック図である。

【0340】

図６２の測定ユニット４００は、図５９の構成と比較して、ＩＦ部４６５にコンピュータ３０１が接続され、ＩＦ部４６３１とコンピュータ３０１との間に、分析ユニット６００が設けられる。分析ユニット６００は、ＩＦ部４６３１およびコンピュータ３０１に対して通信可能に接続される。なお、分析ユニット６００は、複数の測定ユニット４００と接続されてもよい。分析ユニット６００は、複数のコンピュータ３０１と接続されてもよい。

【0341】

図６３は、分析ユニット６００の電気・制御系の他の機能構成を示すブロック図である。

【0342】

分析ユニット６００は、プロセッサ６００１と、並列処理プロセッサ６００２と、バス６００３と、記憶部６００４と、ＲＡＭ６００５と、ＩＦ部６００６、６００７と、を備える。分析ユニット６００の各部は、バス６００３に接続されている。

【0343】

バス６００３は、例えば、数百ＭＢ／ｓ以上のデータ転送速度を有する伝送路である。バス３００３は、１ＧＢ／ｓ以上のデータ転送速度を有する伝送路であってもよい。バス３００３は、例えば、ＰＣＩ－ＥｘｐｒｅｓｓやＰＣＩ－Ｘ規格に基づいてデータ転送を行う。分析ユニット６００は、複数のＩＦ部６００６を介して、複数の測定ユニット４００と接続されてもよい。複数の測定ユニット４００が設けられている場合、測定ユニット４００のそれぞれに分析ユニット６００が接続されてもよい。この場合、例えば、複数の測定ユニット４００と複数の分析ユニット６００が、それぞれ、一対一に接続される。

【0344】

図６４は、演算処理を実行する並列処理プロセッサ６００２の構成例を示す図である。

【0345】

プロセッサ６００１および並列処理プロセッサ６００２は、それぞれ、上述のプロセッサ３００１および並列処理プロセッサ３００２と同様の構成および機能を有する。並列処理プロセッサ６００２は、複数の演算ユニット６２００、およびＲＡＭ６２０１を含む。プロセッサ６００１上で、検体中の分析物の種別を解析する解析ソフトウェア６１００が動作する。プロセッサ６００１上で動作する解析ソフトウェア６１００は、図４８に示された解析ソフトウェア３１００と同様の機能を有する。解析ソフトウェア６１００は、図４９で説明した動作と同様にして、検体中の分析物の種別を解析する。解析ソフトウェア６１００は、検体中の分析物の分類情報８２を、ＩＦ部６００７を介してコンピュータ３０１に送信する。

【0346】

図６５は、コンピュータ３０１の電気・制御系の機能構成を示すブロック図である。

【0347】

図６５のコンピュータ３０１は、図６３の分析ユニット６００から並列処理プロセッサ６００２が省略された構成と同様である。コンピュータ３０１は、プロセッサ３５０１と、バス３５０３と、記憶部３５０４と、ＲＡＭ３５０５と、ＩＦ部３５０６と、を備える。

【0348】

プロセッサ３５０１上では、解析ソフトウェア３１００が動作していなくてもよい。コンピュータ３０１は、ＩＦ部３５０６を介して、分析ユニット６００による分析結果を受信する。ＩＦ部３５０６は、例えば、イーサネットやＵＳＢである。ＩＦ部３５０６は、無線通信可能なインターフェースでもよい。

【0349】

図６２～６５の構成では、ＦＣＭ検出部４１０において生成された細胞のアナログの光学的信号は、測定ユニット４００内のＡ／Ｄ変換部４６１において、デジタルの波形データに変換される。波形データは、ＩＦ部４６２、バス４６３、ＩＦ部４６３１、および伝送路４６３２を介して、分析ユニット６００に送られる。

【0350】

ＩＦ部４６３１は、上述したように測定ユニット４００と分析ユニット６００を接続する専用のインターフェースであり、測定ユニット４００と分析ユニット６００を一対一で接続する。言い換えれば、伝送路４６３２は、例えば、検体分析装置４０００を構成するコンポーネント（例えば、測定ユニット４００および分析ユニット３００）以外の装置に関連するデータの伝送が介在しない伝送路である。伝送路４６３２は、イントラネットやインターネットとは、別の伝送路である。これにより、測定ユニット４００内で生成された波形データが分析ユニット６００に送信されても、波形データの伝送の通信速度のボトルネックを回避できる。

【0351】

この場合、図５４のステップＳ２００～Ｓ２０２は、分析ユニット６００で実行され、ステップＳ２０３は、コンピュータ３０１で実行される。

【0352】

次に、図６６、６７を参照し、図６１の検体分析装置４０００の他の構成例を説明する。この例の検体分析装置４０００は、測定ユニット４００と、コンピュータ３０１と、分析ユニット６００を備える。

【0353】

図６６の測定ユニット４００は、図５７の構成と比較して、ＩＦ部４６５にコンピュータ３０１が接続され、接続ポート４２１とコンピュータ３０１との間に、分析ユニット６００が設けられる。分析ユニット６００は、接続ポート４２１およびコンピュータ３０１に対して通信可能に接続される。測定ユニット４００は、接続ケーブル４２１０を介して、分析ユニット６００にアナログの光学的信号を伝送する。

【0354】

図６７の分析ユニット６００は、図６３の構成と比較して、ＩＦ部６００６に代えて、接続ポート６００８およびＡ／Ｄ変換部６００９を備える。

【0355】

分析ユニット６００から接続ケーブル４２１０を介して伝送されたアナログの光学的信号は、接続ポート６００８を介してＡ／Ｄ変換部６００９に入力される。Ａ／Ｄ変換部６００９は、Ａ／Ｄ変換部４６１と同様の処理により、光学的信号から波形データを生成する。

【0356】

分析ユニット６００は、複数の接続ポート６００８を介して、複数の測定ユニット４００と接続されてもよい。複数の測定ユニット４００が設けられている場合、測定ユニット４００のそれぞれに分析ユニット６００が接続されてもよい。この場合、例えば、複数の測定ユニット４００と複数の分析ユニット６００が、それぞれ、一対一に接続される。

【0357】

図６６、６７の構成では、図５４のステップＳ３０３において、分析ユニット６００が、測定ユニット４００から送信されたアナログの光学的信号に基づいて波形データを生成する。図５４のステップＳ２００～Ｓ２０２は、分析ユニット６００で実行され、ステップＳ２０３は、コンピュータ３０１で実行される。

【0358】

次に、図６８、６９を参照し、検体分析装置４０００が備える測定ユニット４００および分析ユニット３００の他の構成例を説明する。

【0359】

図６８の測定ユニット４００は、図３４の構成と比較して、Ａ／Ｄ変換部４６１、４６１１、４６１２およびＩＦ部４６２に代えて、接続ポート４２１、４２１１、４２１２を備える。各検出部で取得されたアナログの光学的信号は、それぞれ、接続ケーブル４２１０を介して分析ユニット３００に伝送される。

【0360】

図６９の分析ユニット３００は、図５８の構成と比較して、接続ポート３００７、Ａ／Ｄ変換部３００８およびＩＦ部３００９からなる組を３つ備える。３つの接続ポート３００７は、それぞれ、図６８の接続ポート４２１、４２１１、４２１２と接続される。

【0361】

図６８、６９の構成では、図５４のステップＳ３０３において、分析ユニット３００が、測定ユニット４００から送信されたアナログの光学的信号に基づいて波形データを生成する。

【0362】

次に、図７０、７１を参照し、検体分析装置４０００が備える測定ユニット４００および分析ユニット３００の他の構成例を説明する。

【0363】

図７０の測定ユニット４００は、図３４の構成と比較して、ＩＦ部４６３１を備える。Ａ／Ｄ変換部４６１、４６１１、４６１２は、それぞれ、対応する検出部で取得されたアナログの光学的信号に基づいて波形データを生成する。各検出部に対応する波形データは、それぞれ、伝送路４６３２を介して、分析ユニット３００に伝送される。

【0364】

図７１の分析ユニット３００は、図６０の構成と比較して、３つのＩＦ部３０１０を備える。３つのＩＦ部３０１０は、それぞれ、図７０の伝送路４６３２と接続される。

【0365】

次に、図７２、７３を参照し、検体分析装置４０００が備える測定ユニット４００および分析ユニット３００の他の構成例を説明する。

【0366】

図７２の測定ユニット４００は、図６８の構成と比較して、ＩＦ部４６５にコンピュータ３０１が接続され、接続ポート４２１、４２１１、４２１２とコンピュータ３０１との間に、分析ユニット６００が配置されている。分析ユニット６００は、接続ポート４２１、４２１１、４２１２およびコンピュータ３０１に対して通信可能に接続される。分析ユニット６００およびコンピュータ３０１は、デジタルデータの送受信が可能となるように接続されている。

【0367】

図７３の分析ユニット３００は、図６７の構成と比較して、接続ポート６００８およびＡ／Ｄ変換部６００９からなる組を３つ備える。３つの接続ポート６００８は、それぞれ、図７２の接続ポート４２１、４２１１、４２１２と接続される。

【0368】

次に、波形データおよびデジタルデータのデータサイズについて説明する。

【0369】

本実施形態では、例えば、前方散乱光に基づくアナログの光学的信号（ＦＳＣ）、側方散乱光に基づくアナログの光学的信号（ＳＳＣ）、および蛍光に基づくアナログの光学的信号（ＦＬ）のそれぞれに対して、検体中の１つの分析物についてサンプリングが行われる。

【0370】

サンプリングレートの例は、１０ナノ秒間隔で１０２４ポイントのサンプリング、８０ナノ秒間隔で１２８ポイントのサンプリング、または１６０ナノ秒間隔で６４ポイントのサンプリング等を挙げることができる。データ量は、例えば、１サンプリングあたり２バイトとなる。ＦＳＣ、ＳＳＣ、ＦＬの各々について、サンプリングレートに応じた量のデータ（１０２４ポイントのレートの場合、２バイト×１０２４＝２０４８バイト）が取得される。このデータ量は、検体中の１つの分析物あたりのデータ量である。

【0371】

１回の測定では、例えば、少なくとも１００個の分析物について、ＦＳＣ、ＳＳＣ、ＦＬが測定される。また、１回の測定で、例えば、少なくとも１０００個の分析物について、ＦＳＣ、ＳＳＣ、ＦＬが測定されることもある。また、１回の測定で、例えば、約１００００個～約１４００００個の分析物について、ＦＳＣ、ＳＳＣ、ＦＬが測定されることもある。よって、１回の測定で計測される分析物数が１０００００個で、サンプリングレートが１０２４の場合、ＦＳＣ、ＳＳＣ、ＦＬの各々のデジタルデータのデータ量は、２バイト×１０２４×１０００００＝２０４，８００，０００バイトとなり、ＦＳＣ、ＳＳＣ、ＦＬの合計で、６１４，４００，０００バイトとなる。

【0372】

さらに、ＦＳＣ、ＳＳＣ、ＦＬは、測定チャンネルごとに計測される。よって、１回の測定で計測される分析物の数が１０００００個で、サンプリングレートが１０２４、測定チャンネル数が５の場合、ＦＳＣ、ＳＳＣ、ＦＬの各々のデータ量は、２バイト×１０２４×１０００００×５＝１，０２４，０００，０００バイトとなり、ＦＳＣ、ＳＳＣ、ＦＬの合計で、３，０７２，０００，０００バイトとなる。

【0373】

以上のように、デジタルデータの容量は、例えば、１検体あたり数百メガバイトから数ギガバイトとなり、分析物の数、サンプリングレート、測定チャンネル数によっては、少なくとも１ギガバイトとなる。

【0374】

本実施形態によれば、１検体あたり数百メガバイトから数ギガバイトに及ぶ膨大な容量のデジタルデータを分析するにあたり、上述のとおり検体分析装置４０００の内部でＡＩアルゴリズム６０を用いた分析処理が完結し、検体分析装置４０００の外部に設置された分析用サーバにインターネットまたはイントラネットを介してデジタルデータが送信されることはない。よって、検体分析装置４０００から分析用サーバにデジタルデータを送信する場合に生じる通信負荷の増大に伴う処理能力低下を回避できる。

【0375】

［実施形態７］
＜波形データ分析システムの構成＞
図７４は、実施形態７に係る、波形データ分析システムの構成を模式的に示す図である。

【0376】

測定ユニット４００ａの構成は、上述した測定ユニット４００と同様である。測定ユニット４００ａは、検体に基づいて調製された測定試料をフローセル４１１３に送液する。光源４１１１は、フローセル４１１３に供給された測定試料に光を照射し、受光素子４１１６、４１２１、４１２２は、測定試料中の分析物から生じた前方散乱光、側方散乱光および蛍光を検出する。測定ユニット４００ａは、受光素子４１１６、４１２１、４１２２から出力される前方散乱光、側方散乱光および蛍光に基づく光学的信号から波形データを生成し、生成した波形データを深層学習装置１００に送信する。

【0377】

深層学習装置１００は、ベンダ側装置である。深層学習装置１００は、測定ユニット４００ａによって取得された訓練用の波形データを受信する。訓練用の波形データの生成方法は、上述の通りである。深層学習装置１００に格納されるＡＩアルゴリズム６０は、例えば、深層学習アルゴリズムである。深層学習装置１００は、訓練前のニューラルネットワークで構成されるＡＩアルゴリズム６０に訓練データを使って学習させ、訓練データによって訓練されたＡＩアルゴリズム６０をユーザに提供する。学習済みのニューラルネットワークから構成されるＡＩアルゴリズム６０は、記録媒体９８または通信ネットワーク９９を通じて、深層学習装置１００から検体分析装置４０００に提供される。記録媒体９８は、例えばＤＶＤ－ＲＯＭやＵＳＢメモリ等の、コンピュータ読み取り可能であって非一時的な有形の記録媒体である。

【0378】

深層学習装置１００は、例えば汎用コンピュータで構成されており、後述するフローチャートに基づいて、深層学習処理を行う。

【0379】

検体分析装置４０００は、学習済みのニューラルネットワークから構成されるＡＩアルゴリズム６０を用いて、分析物に対応する波形データに対してＡＩ分析を実行する。

【0380】

＜深層学習装置のハードウェア構成＞
図７５は、深層学習装置１００の電気・制御系の機能構成を示すブロック図である。

【0381】

深層学習装置１００は、処理部１０と、入力部１６と、出力部１７と、を備える。

【0382】

入力部１６および出力部１７は、ＩＦ部１５を介して処理部１０に接続されている。入力部１６は、例えば、キーボードやマウス等の入力装置である。出力部１７は、例えば、液晶ディスプレイ等の表示装置である。

【0383】

処理部１０は、ＣＰＵ１１と、メモリ１２と、記憶部１３と、バス１４と、ＩＦ部１５と、ＧＰＵ１９と、を備える。

【0384】

ＣＰＵ１１は、後述するデータ処理を行う。メモリ１２は、データ処理の作業領域に使用される。記憶部１３は、後述するプログラムおよび処理データを記録する。バス１４は、各部の間でデータを伝送する。ＩＦ部１５は、外部機器とのデータの入出力を行う。ＧＰＵ１９は、ＣＰＵ１１が行う演算処理（例えば、並列演算処理）を補助するアクセラレータとして機能する。すなわち、以下の説明において、ＣＰＵ１１が行う処理とは、ＣＰＵ１１がＧＰＵ１９をアクセラレータとして用いて行う処理も含むことを意味する。ＧＰＵ１９は、上述の並列処理プロセッサ３００２、６００２と同等の機能を有する。なお、ＧＰＵ１９に代えて、ニューラルネットワークの計算に好ましいチップが用いられてもよい。このようなチップとして、例えば、ＦＰＧＡ、ＡＳＩＣ、Ｍｙｒｉａｄ Ｘ（Ｉｎｔｅｌ）等を挙げることができる。

【0385】

処理部１０は、図７７を参照して後述する各ステップの処理を行うために、本実施形態に係るプログラムおよび訓練前のニューラルネットワークで構成されるＡＩアルゴリズム６０を、例えば実行形式で記憶部１３に予め記録している。実行形式は、例えばプログラミング言語からコンパイラにより変換されて生成される形式である。処理部１０は、記憶部１３に記録したプログラムを使用して、訓練前のＡＩアルゴリズム６０の訓練処理を行う。

【0386】

以下の説明においては、特に断らない限り、処理部１０が行う処理は、記憶部１３またはメモリ１２に格納されたプログラムおよびＡＩアルゴリズム６０に基づいて、ＣＰＵ１１が行う処理を意味する。ＣＰＵ１１は、メモリ１２を作業領域として必要なデータ（処理途中の中間データ等）を一時記憶し、記憶部１３に演算結果等の長期保存するデータを適宜記録する。

【0387】

＜分析装置のハードウェア構成＞
検体分析装置４０００（図７４参照）は、上述の構成と同様であり、深層学習装置１００から提供されたアルゴリズムに基づいて波形データを処理する。また、検体分析装置４０００は、深層学習装置１００の機能を兼備し、訓練データを使ってＡＩアルゴリズム６０を学習させてもよい。この場合、深層学習装置１００は不要となる。

【0388】

検体分析装置４０００は、以下の波形データ分析処理で説明する各ステップの処理を行うために、本実施形態に係るプログラムおよび訓練済みのニューラルネットワークで構成されるＡＩアルゴリズム６０を、例えば実行形式で、記憶部３００４や記憶部６００４に予め記録している。検体分析装置４０００は、記憶部３００４に記録したプログラムおよびＡＩアルゴリズム６０を使用して処理を行う。

【0389】

記憶部３００４、６００４に記録されたＡＩアルゴリズム６０は、通信ネットワーク経由で更新されてもよい。深層学習装置１００は、通信ネットワーク（例えば、インターネット、イントラネット）を介して、検体分析装置４０００に、ＡＩアルゴリズム６０を送信する。検体分析装置４０００は、受信したＡＩアルゴリズム６０によって、記憶部３００４、６００４に既に記録されているＡＩアルゴリズム６０を更新する。

【0390】

＜機能ブロックおよび処理手順＞
（深層学習処理）
図７６は、深層学習装置１００の電気・制御系の機能構成を示すブロック図である。

【0391】

深層学習装置１００の処理部１０Ａは、訓練データ生成部１０１と、訓練データ入力部１０２と、アルゴリズム更新部１０３と、を備える。コンピュータに深層学習処理を実行させるプログラムを、図７５に示す処理部１０の記憶部１３またはメモリ１２にインストールし、このプログラムをＣＰＵ１１およびＧＰＵ１９が実行することにより、処理部１０Ａの各機能ブロックが実現される。

【0392】

訓練データデータベース（ＤＢ）１０４およびアルゴリズムデータベース（ＤＢ）１０５は、図７５に示す処理部１０の記憶部１３またはメモリ１２に記録される。訓練用の波形データ７１ａ、７１ｂ、７１ｃは、例えば、測定ユニット４００ａによって予め取得され、訓練データデータベース１０４に予め格納されている。訓練前のＡＩアルゴリズム６０は、アルゴリズムデータベース１０５に格納される。

【0393】

図７７は、深層学習装置１００が行う処理を示すフローチャートである。

【0394】

ステップＳ４０１、Ｓ４０４、Ｓ４０６の処理は、訓練データ生成部１０１により実行される。ステップＳ４０２の処理は、訓練データ入力部１０２により実行される。ステップＳ４０３、Ｓ４０５の処理は、アルゴリズム更新部１０３により実行される。

【0395】

まず、処理部１０Ａは、訓練用の波形データ７１ａ、７１ｂ、７１ｃを取得する。訓練用の波形データ７１ａ、７１ｂ、７１ｃは、それぞれ、前方散乱光、側方散乱光および蛍光に基づく波形データである。訓練用の波形データ７１ａ、７１ｂ、７１ｃの取得は、例えば、オペレータの操作によって、測定ユニット４００ａから取り込まれてもよく、記録媒体９８から取り込まれてもよく、通信ネットワーク９９を介して取り込まれてもよい。訓練用の波形データ７１ａ、７１ｂ、７１ｃを取得する際に、その訓練用の波形データ７１ａ、７１ｂ、７１ｃが、いずれの細胞種別を示すものであるかの情報（正解ラベル値７３）も取得される。細胞種別の情報は、訓練用の波形データ７１ａ、７１ｂ、７１ｃに紐付けられてもよく、オペレータにより入力部１６を介して入力されてもよい。

【0396】

ステップＳ４０１において、処理部１０Ａは、訓練用の波形データ７１ａ、７１ｂ、７１ｃおよび正解ラベル値７３から、訓練データを生成する。ステップＳ４０２において、処理部１０Ａは、訓練データをＡＩアルゴリズム６０に入力し、試行結果を取得する。試行結果は、複数の訓練データをＡＩアルゴリズム６０に入力する度に蓄積される。

【0397】

本実施形態に係る細胞種別の分析方法では、畳み込みニューラルネットワークを使用しており、確率的勾配降下法を用いるため、ステップＳ４０３において、処理部１０Ａは、予め定められた所定の試行回数分の訓練結果が蓄積されているか否かを判定する。所定数の訓練結果が蓄積された場合（Ｓ４０３：ＹＥＳ）、処理部１０Ａは、処理をステップＳ４０４に進める。他方、所定数の訓練結果が蓄積されていない場合（Ｓ４０３：ＮＯ）、処理部１０Ａは、ステップＳ４０４の処理をスキップする。

【0398】

所定数の訓練結果が蓄積された場合（Ｓ４０３：ＹＥＳ）、ステップＳ４０４において、処理部１０Ａは、ステップＳ４０２で蓄積された訓練結果を用いて、ＡＩアルゴリズム６０を構成するニューラルネットワークの結合重みｗを更新する。また、ステップＳ４０４において、処理部１０Ａは、蓄積された訓練結果を用いて、ＡＩアルゴリズム６０を構成する重み行列Ｗ_ｑ、Ｗ_ｋおよびＷ_ｖ（図８参照）を更新する。本実施形態に係る細胞種別の分析方法では、確率的勾配降下法を用いるため、所定の回数分の訓練結果が蓄積した段階で、ニューラルネットワークの結合重みｗおよび重み行列Ｗ_ｑ、Ｗ_ｋ、Ｗ_ｖを更新する。これらの更新処理は、具体的には、後述の（式１２）および（式１３）に示される、勾配降下法による計算を実施する処理である。

【0399】

ステップＳ４０５において、処理部１０Ａは、ＡＩアルゴリズム６０を規定数の訓練データで訓練したか否かを判定する。ＡＩアルゴリズム６０が規定数の訓練データで訓練された場合（Ｓ４０５：ＹＥＳ）、深層学習処理が終了する。他方、ＡＩアルゴリズム６０が規定数の訓練データで訓練されていない場合（Ｓ４０５：ＮＯ）、ステップＳ４０６において、処理部１０Ａは、別の訓練用の波形データ７１ａ、７１ｂ、７１ｃおよび正解ラベル値７３を取り込み、処理をステップＳ４０１に戻す。

【0400】

以上のような処理により、処理部１０Ａは、ＡＩアルゴリズム６０を訓練し、訓練後のＡＩアルゴリズム６０を得る。

【0401】

（ニューラルネットワークの構造）
図７８の上段は、ＡＩアルゴリズム６０を構成するニューラルネットワークの構造を例示する模式図である。上述したように、本実施形態では、畳み込みニューラルネットワークが用いられる。ＡＩアルゴリズム６０のニューラルネットワークは、入力層６０ａと、中間層６０ｂと、出力層６０ｃとを備え、中間層６０ｂは、入力層６０ａおよび出力層６０ｃの間にあり、複数の層で構成されている。中間層６０ｂを構成する層の数は、例えば５層以上、好ましくは５０層以上、より好ましくは１００層以上とされる。

【0402】

なお、図５、１１に示した例では、ＡＩアルゴリズム６０は、機能として関連度計算部６１および分類判定部６２を備えるよう図示されたが、関連度計算部６１および分類判定部６２により構成されるＡＩアルゴリズム６０は、全体として図７８の上段に示すように、入力層６０ａと、複数の中間層６０ｂと、出力層６０ｃとを備える。

【0403】

ＡＩアルゴリズム６０のニューラルネットワークでは、層状に配置された複数のノード９０が、層間において結合されている。これにより、情報が入力層６０ａから出力層６０ｃに、図中矢印Ｄに示す一方向のみに伝播する。

【0404】

（各ノードにおける演算）
図７８の中段は、各ノード９０における演算を示す模式図である。各ノード９０では、複数の入力が受け取られ、１つの出力（ｚ）が計算される。図７８の中段に示す例の場合、ノード９０は４つの入力を受け取る。ノード９０が受け取る総入力（ｕ）は、例えば、以下の（式２）で表される。ここで、本実施形態においては、分析データ７１、８１として一次元の行列データを用いるため、演算式の変数が二次元の行列データに対応する場合には、変数を一次元の行列データに対応するように変換する処理を行う。

【0405】

【数2】

【0406】

各入力には、それぞれ異なる重みが掛けられる。（式２）中、ｂはバイアスと呼ばれる値である。ノードの出力（ｚ）は、（式２）で表される総入力（ｕ）に対する所定の関数ｆの出力となり、以下の（式３）で表される。関数ｆは、活性化関数と呼ばれる。

【0407】

【数3】

【0408】

図７８の下段は、ノード間の演算を示す模式図である。ニューラルネットワークでは、（式２）で表される各ノード９０の総入力（ｕ）に対して、（式３）で表される結果（ｚ）を出力するノード９０が層状に並べられている。前の層のノード９０の出力が、次の層のノード９０の入力となる。図７８の下段に示す例では、図中左側の層のノード９１の出力が、図中右側の層のノード９２の入力となる。各ノード９２は、それぞれ、ノード９１からの出力を受け取る。各ノード９１と各ノード９２との間の各結合には、異なる重みが掛けられる。複数のノード９１のそれぞれの出力をｘ１～ｘ４とすると、３つのノード９２のそれぞれに対する入力は、以下の（式４－１）～（式４－３）で表される。

【0409】

【数4】

【0410】

これら（式４－１）～（式４－３）を一般化すると、以下の（式４－４）となる。ここで、ｉ＝１，…，Ｉ、ｊ＝１，…，Ｊである。Ｉは入力総数であり、Ｊは総出力数である。

【0411】

【数5】

【0412】

（式４－４）を活性化関数に適用すると、以下の（式５）で表される出力が得られる。

【0413】

【数6】

【0414】

（活性化関数）
実施形態に係る細胞種別の分析方法では、活性化関数として、正規化線形関数（rectified linear unit function）を用いる。正規化線形関数は、以下の（式６）で表される。

【0415】

【数7】

【0416】

（式６）は、ｚ＝ｕの線形関数のうち、ｕ＜０の部分をｕ＝０とする関数である。図７８の下段に示す例では、ｊ＝１のノードの出力は、以下の（式６）により表される。

【0417】

【数8】

【0418】

（ニューラルネットワークの学習）
ニューラルネットワークを用いて表現される関数をｙ（ｘ：ｗ）とおくと、関数ｙ（ｘ：ｗ）は、ニューラルネットワークのパラメータｗを変化させると変化する。入力ｘに対してニューラルネットワークがより好適なパラメータｗを選択するように、関数ｙ（ｘ：ｗ）を調整することを、ニューラルネットワークの訓練または学習と呼ぶ。ニューラルネットワークを用いて表現される関数の入力と出力との組が複数与えられているとする。ある入力ｘに対する望ましい出力をｄとすると、入出力の組は、｛（ｘ１、ｄ１）、（ｘ２、ｄ２）、・・・、（ｘｎ、ｄｎ）｝と与えられる。（ｘ、ｄ）で表される各組の集合を、訓練データと呼ぶ。具体的には、図１０に示したように、波形データ７１ａ、７１ｂ、７１ｃの集合と正解ラベル値７３とが、訓練データである。

【0419】

ニューラルネットワークの学習とは、どのような入出力の組（ｘｎ、ｄｎ）に対しても、以下の式に示すように、入力ｘｎを与えたときのニューラルネットワークの出力ｙ（ｘｎ：ｗ）が、出力ｄｎになるべく近づくように重みｗを調整することを意味する。

【0420】

【数9】

【0421】

誤差関数（error function）とは、ニューラルネットワークを用いて表現される関数と訓練データとの近さを測る尺度である。誤差関数は、損失関数（loss function）とも呼ばれる。実施形態に係る細胞種別の分析方法において用いる誤差関数Ｅ（ｗ）は、以下の（式７）で表される。（式７）は交差エントロピー（cross entropy）と呼ばれる。

【0422】

【数10】

【0423】

（式７）の交差エントロピーの算出方法を説明する。実施形態に係る細胞種別の分析方法において用いるニューラルネットワークの出力層６０ｃ（図７８の上段）では、すなわちニューラルネットワークの最終層では、入力ｘを内容に応じて有限個のクラスに分類するための活性化関数が用いられる。活性化関数はソフトマックス関数（softmax function）と呼ばれ、以下の（式８）で表される。なお、出力層６０ｃには、クラス数ｋと同数のノードが並べられているとする。出力層Ｌの各ノードｋ（ｋ＝１，…，Ｋ）の総入力ｕは、前層Ｌ－１の出力から、ｕｋ^（Ｌ）で与えられるとする。これにより、出力層のｋ番目のノードの出力は、以下の（式８）で表される。

【0424】

【数11】

【0425】

（式８）がソフトマックス関数である。（式８）で決まる出力ｙ１，…，ｙＫの総和は、常に１となる。

【0426】

各クラスをＣ１，…，ＣＫと表すと、出力層Ｌのノードｋの出力ｙＫ（すなわちｕｋ^（Ｌ））は、与えられた入力ｘがクラスＣＫに属する確率を表す。入力ｘは、以下の（式９）で表される確率が最大になるクラスに分類される。

【0427】

【数12】

【0428】

ニューラルネットワークの学習では、ニューラルネットワークで表される関数を、各クラスの事後確率（posterior probability）のモデルとみなし、そのような確率モデルの下で、訓練データに対する重みｗの尤度（likelihood）を評価し、尤度を最大化するような重みｗを選択する。

【0429】

（式８）のソフトマックス関数による目標出力を、出力が正解のクラスである場合のみ１とし、出力がそれ以外の場合は０になるとする。目標出力をｄｎ＝［ｄｎ１，…，ｄｎＫ］というベクトル形式で表すと、例えば入力ｘｎの正解クラスがＣ３である場合、目標出力ｄｎ３のみが１となり、それ以外の目標出力は０となる。このように符号化すると、事後分布（posterior）は、以下の（式１０）で表される。

【0430】

【数13】

【0431】

訓練データ｛（ｘｎ、ｄｎ）｝（ｎ＝１，…，Ｎ）に対する重みｗの尤度Ｌ（ｗ）は、以下の（式１１）で表される。尤度Ｌ（ｗ）の対数をとり符号を反転すると、（式７）の誤差関数が導出される。

【0432】

【数14】

【0433】

学習は、訓練データを基に計算される誤差関数Ｅ（ｗ）を、ニューラルネットワークのパラメータｗについて最小化することを意味する。実施形態に係る細胞種別の分析方法では、誤差関数Ｅ（ｗ）は、（式７）で表される。

【0434】

誤差関数Ｅ（ｗ）をパラメータｗについて最小化することは、誤差関数Ｅ（ｗ）の局所的な極小点を求めることと同じ意味である。パラメータｗは、ノード間の結合の重みである。重みｗの極小点は、任意の初期値を出発点として、パラメータｗを繰り返し更新する反復計算によって求められる。このような計算の一例には、勾配降下法（gradient descent method）がある。

【0435】

勾配降下法では、次の（式１２）で表されるベクトルを用いる。

【0436】

【数15】

【0437】

勾配降下法では、現在のパラメータｗの値を負の勾配方向（すなわち－∇Ｅ）に移動させる処理を何度も繰り返す。現在の重みをｗ^（ｔ）とし、移動後の重みをｗ^{（ｔ＋１）}とすると、勾配降下法による演算は、以下の（式１３）で表される。値ｔは、パラメータｗを移動させた回数を意味する。

【0438】

【数16】

【0439】

（式１３）で用いられた以下の（式１４）に示す記号は、パラメータｗの更新量の大きさを決める定数であり、学習係数と呼ばれる。

【0440】

【数17】

【0441】

（式１３）で表される演算を繰り返すことにより、値ｔの増加に伴って誤差関数Ｅ（ｗ^（ｔ））が減少し、パラメータｗは極小点に到達する。

【0442】

なお、（式１３）による演算は、全ての訓練データ（ｎ＝１，…，Ｎ）に対して実施してもよく、一部の訓練データのみに対して実施してもよい。一部の訓練データのみに対して行う勾配降下法は、確率的勾配降下法（stochastic gradient descent）と呼ばれる。実施形態に係る細胞種別の分析方法では、確率的勾配降下法を用いる。

【0443】

［実施形態の効果］
以下の効果の説明において、検体分析装置４０００が血球分析装置や尿分析装置の場合、第１および第２データは、各分析物（細胞や有形成分）から生じた光に基づく光学的信号の強度に対応するデジタルのデータ（波形データ）である。この場合の光学的信号は、前方散乱光、側方散乱光および蛍光に基づいて受光素子から出力されるアナログ信号である。光学的信号は、検体中の分析物の各々に対応する領域を有し、検体中の分析物の存在が反映された信号である。波形データ（第１および第２データ）は、光学的信号の領域に対応して生成される。言い換えれば、波形データは、光源４１１１による光の照射位置を分析物が通過する間に取得された光学的信号に対応する。分析物の特徴に対応する代表値とは、例えば、分析物に対応する波形データから得られるピーク値、面積、幅などの値である。第１分析および第２分析とは、分析物（細胞や有形成分）の種別を判定する動作のことである。

【0444】

測定ユニット４００は、分析物から得られた光学的信号に対応する波形データ８１ａ、８１ｂ、８１ｃ（第１データ）を取得する。複数の第１データで構成される行列Ｓ（集合データ）が、第１データ間の関連度を計算可能なＡＩアルゴリズム６０（人工知能アルゴリズム）に入力される。上記関連度を用いて、分析物の種別が判定される。

【0445】

この構成によれば、集合データをＡＩアルゴリズム６０で処理して、第１データ間の関連度を取得することにより、ある第１データが複数の種別のいずれに対してより関連するかを判定できる。よって、複数の種別のいずれに属するかの判定が困難となる第１データの数を減らすことができるため、ＡＩアルゴリズム６０による分析物の種別の分類精度を向上させることができる。

【0446】

なお、分析物の種別の判定は、上記実施形態に示したようにＡＩアルゴリズム６０で行われてもよく、ＡＩアルゴリズム６０以外の他のＡＩアルゴリズムで行われてもよい。分析物の種別の判定が他のＡＩアルゴリズムで行われる場合、例えば、ＡＩアルゴリズム６０は、分類判定部６２を備えず、関連度計算部６１により関連度を計算する。一方、他のＡＩアルゴリズムは、分類判定部６２を備え、第１データおよび関連度に基づいて、または、関連度により補正された第１データに基づいて、分類判定部６２により分析物の種別を判定する。

【0447】

また、ＡＩアルゴリズム６０は、必ずしも分類判定部６２を含まなくてもよい。ＡＩアルゴリズム６０が関連度計算部６１のみを含む場合、例えば、関連度計算部６１で補正された行列Ｓに含まれる各分析物の波形データから代表値が取得され、取得された代表値に基づいて、計算処理分析により各分析物の種別の判定が行われる。

【0448】

波形データ８１ａ、８１ｂ、８１ｃ（第１データ）および関連度に基づいて、分析物の種別が判定される。

【0449】

この構成によれば、例えば、分析物の各々に対応した第１データを、関連度に基づいて補正することにより、分類精度を向上させることが可能な第１データを構成できる。

【0450】

ＡＩアルゴリズム６０により、行列Ｓ（集合データ）を構成する第１データが関連度に基づいて補正される。

【0451】

この構成によれば、ＡＩアルゴリズム６０において、関連度の算出と、関連度に基づく補正の両方が行われるため、例えば、これらの処理を複数のコンピュータに跨がって行う必要がなくなる。

【0452】

ＡＩアルゴリズム６０により補正された第１データに基づいて、分析物の種別が判定される。

【0453】

この構成によれば、補正後の第１データを用いて、分析物の種別を円滑かつ高精度に判定できる。

【0454】

ＡＩアルゴリズム６０は、複数の分析物に各々対応する波形データ間の関連度を計算する。ＡＩアルゴリズム６０は、計算された関連度に基づき、関連度が高い波形データの特徴がより近くなるように、ＡＩアルゴリズム６０に入力された波形データを補正する。例えば、Ａ集団とＢ集団の境界付近の波形データがＢ集団に対してより関連が高いと判定された場合、当該波形データはＢ集団に近くなるように補正される。また、Ａ集団に属する複数の波形データが互いに近づき、Ｂ集団に属する複数の波形データが互い近づくように、各波形データが補正される。

【0455】

この構成によれば、関連度に基づく補正により、いずれの集団に属するかが不明確であることにより種別の分類が困難となる波形データの数を削減できる。種別の分類が困難となる波形データを減らすことができるため、関連度を判定可能なＡＩアルゴリズム６０によれば、関連度を判定しないアルゴリズムよりも分析物の分類精度が向上する。

【0456】

測定ユニット４００は、分析物から得られた光学的信号に対応する波形データ（第２データ）を取得する。分析ユニット３００、６００は、波形データ８１ａ、８１ｂ、８１ｃ（第１データ）が複数集合した行列Ｓ（集合データ）に対し、ＡＩ分析（第１分析）を実行し、波形データ（第２データ）に対し、分析物の特徴に対応する代表値を処理する第２分析を実行する。

【0457】

この構成によれば、全ての波形データに対してＡＩ分析が行われる場合と比較して、第１データに対してのみＡＩ分析が行われる。これにより、分析ユニット３００、６００の負荷を軽減できる。

【0458】

なお、この場合の第２分析は、計算処理分析でなくてもよい。例えば、ＡＩ分析により代表値を処理して、分類結果を取得してもよい。

【0459】

第１分析は、人工知能アルゴリズムによるＡＩ分析であり、第２分析は、分析物の特徴に対応する代表値を処理する計算処理分析（非ＡＩ分析）である。

【0460】

この構成によれば、波形データの分析処理を、ＡＩ分析と計算処理分析とで分担することで、光学的信号に対応するデータを一律、人工知能アルゴリズムのみを用いて分析する場合と比較して、分析ユニット３００、６００の負荷を軽減できる。

【0461】

分析ユニット３００、６００は、計算処理分析（第２分析）において、代表値を波形データ（第２データ）に基づいて特定し、特定した代表値を処理する。

【0462】

この構成によれば、第２データに基づいて円滑に代表値を特定できるため、第２分析において、特定した代表値を用いて円滑に処理を行うことができる。

【0463】

図１３に示したように、計算処理分析（第２分析）において、ピーク値、面積、幅などの代表値は、波形データ（第２データ）の大きさに基づいて特定される。

【0464】

この構成によれば、円滑に代表値を特定できる。

【0465】

計算処理分析（第２分析）において、波形データ（第２データ）基づいて、計算処理分析の対象となる代表値が特定される。

【0466】

この構成によれば、光学的信号は、分析物の各々に対応する領域を含んでいる。このため、光学的信号の各領域に対応する波形データに基づいて、各分析物に対応したピーク値、面積、幅などの代表値を円滑に特定できる。

【0467】

検体分析装置４０００が血球分析装置や尿分析装置の場合、光学的信号は、検体中の分析物の各々に対応する領域を有する。分析ユニット３００、６００は、ＡＩ分析において、光学的信号の領域の各々に対応する波形データ（第１データ）が複数集合した集合データをＡＩアルゴリズム６０に入力する。このように、光学的信号は、分析物の各々に対応する領域を含んでいるため、光学的信号の各領域に対応する波形データが複数集合した集合データをＡＩアルゴリズム６０に入力することにより、ＡＩ分析を円滑に実行できる。

【0468】

上記のように、光学的信号が検体中の分析物の各々に対応する領域を有する場合、測定ユニット４００は、例えば、光学的信号の強度に対応する所定の閾値より大きい信号に基づいて、波形データ（第１および第２データ）を取得する。この構成によれば、分析物の各々に対応する波形データを的確に取得できる。

【0469】

図１５に示したように、分析ユニット３００は、ＡＩ分析（第１分析）および計算処理分析（第２分析）の各々の対象となるデータを特定するためのルールに基づいて、ＡＩ分析の対象となる波形データ（第１データ）および計算処理分析の対象となる波形データ（第２データ）を特定する。

【0470】

この構成によれば、光学的信号に対応するデータに対して、第１分析および第２分析のいずれを行うかを円滑に決めることができる。

【0471】

図１６に示したように、分析ユニット３００は、検体に対する測定オーダーに含まれる測定項目に応じて、ＡＩ分析の対象となる波形データ（第１データ）および計算処理分析の対象となる波形データ（第２データ）を特定する。

【0472】

この構成によれば、例えば、計算処理分析では高精度な分析が困難な測定項目の分析を、ＡＩ分析により実行し、通常の測定項目の分析を、計算処理分析により実行できる。これにより、高精度な分析および分析ユニット３００の負荷の軽減を実現できる。

【0473】

図２２に示したように、分析ユニット３００は、検体に対する測定オーダーの種別に応じて、ＡＩ分析の対象となる波形データ（第１データ）および計算処理分析の対象となる波形データ（第２データ）を特定する。

【0474】

この構成によれば、例えば、通常測定（Normal）、同じ測定オーダーを再度実行する再測定（Rerun）、および測定オーダーが再設定された測定（Reflex）などの測定オーダーの種別に応じて、すなわち測定オーダーに基づく測定の目的等に応じて、ＡＩ分析および計算処理分析のいずれを実行するかを決めることができる。

【0475】

図２０に示したように、分析ユニット３００は、検体分析装置４０００の分析モードに応じて、ＡＩ分析の対象となる波形データ（第１データ）および計算処理分析の対象となる波形データ（第２データ）を特定する。

【0476】

この構成によれば、例えば、検体分析装置４０００に対して、あらかじめＡＩ分析モードおよび計算処理分析モードのいずれかを設定することにより、検体や測定項目ごとに分析モードを設定する手間を省略できる。

【0477】

図２６、２８に示したように、分析ユニット３００は、計算処理分析（第２分析）の分析結果に応じて、ＡＩ分析（第１分析）の実行要否を判定する。

【0478】

この構成によれば、例えば、計算処理分析の分析結果に基づいて、さらに詳細な分析が必要である場合に、ＡＩ分析を実行することにより、高精度な分析を行うことができる。

【0479】

図２６、２８に示したように、分析ユニット３００は、計算処理分析（第２分析）によって所定の分析物が検出されたか否かに応じて、ＡＩ分析（第１分析）の実行要否を判定する。

【0480】

この構成によれば、計算処理分析によって、例えば、芽球、異常リンパ球および異型リンパ球などが検出された場合に、ＡＩ分析によって、さらに詳細な検査を行うことができる。

【0481】

図３１に示したように、分析ユニット３００は、計算処理分析（第２分析）によって所定の種別に分類された分析物に対応する波形データ（第１データ）を計算処理分析（第１分析）の対象として特定する。

【0482】

計算処理分析の分析結果によれば、例えば、図３０に示したように、単球およびリンパ球などに分類される細胞は、分布領域が接近している。したがって、計算処理分析によって単球およびリンパ球がなどに分類された細胞に対してＡＩ分析を実行することにより、高精度な分類を行うことができる。

【0483】

計算処理分析（第２分析）において処理される代表値のデータ量は、ＡＩ分析（第１分析）においてＡＩアルゴリズム６０に入力される波形データ（第１データ）が複数集合した集合データのデータ量より小さい。

【0484】

この構成によれば、計算処理分析では、処理対象のデータ量がＡＩ分析と比較して小さいため、ＡＩ分析に比べて、分析を行うコンピュータに対する負荷が少ない。これにより、測定結果の分析のＴＡＴ（Turn Around Time）を短くすることができる。

【0485】

本発明の実施形態は、特許請求の範囲に示された技術的思想の範囲内において、適宜、種々の変更が可能である。

【符号の説明】

【0486】

６０ ＡＩアルゴリズム（人工知能アルゴリズム）
８０ａ、８０ｂ、８０ｃ 光学的信号
８１ 分析データ（第１データ、データ）
８１ａ、８１ｂ、８１ｃ 波形データ（第１データ、第２データ、データ）
３００、６００ 分析ユニット（コンピュータ）
４００ 測定ユニット
３００１、６００１ プロセッサ（ホストプロセッサ）
３００２、６００２ 並列処理プロセッサ
３１００、６１００ 解析ソフトウェア（プログラム）
４０００ 検体分析装置
Ｓ 行列（集合データ）

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】

【図31】

【図32】

【図33】

【図34】

【図35】

【図36】

【図37】

【図38】

【図39】

【図40】

【図41】

【図42】

【図43】

【図44】

【図45】

【図46】

【図47】

【図48】

【図49】

【図50】

【図51】

【図52】

【図53】

【図54】

【図55】

【図56】

【図57】

【図58】

【図59】

【図60】

【図61】

【図62】

【図63】

【図64】

【図65】

【図66】

【図67】

【図68】

【図69】

【図70】

【図71】

【図72】

【図73】

【図74】

【図75】

【図76】

【図77】

【図78】