知財求人 - 知財ポータルサイト「IP Force」
特開2025-6639ヘモグロビンの種別の判別方法、学習済みモデルの生成方法、学習済みモデル、ヘモグロビンの分析システム、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】P2025006639
(43)【公開日】2025-01-17
(54)【発明の名称】ヘモグロビンの種別の判別方法、学習済みモデルの生成方法、学習済みモデル、ヘモグロビンの分析システム、プログラム
(51)【国際特許分類】
G01N 30/88 20060101AFI20250109BHJP
G01N 30/86 20060101ALI20250109BHJP
【ＦＩ】
G01N30/88 Q
G01N30/86 B
G01N30/86 Q
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2023107558
(22)【出願日】2023-06-29
(71)【出願人】
【識別番号】000141897
【氏名又は名称】アークレイ株式会社
(74)【代理人】
【識別番号】110001519
【氏名又は名称】弁理士法人太陽国際特許事務所
(72)【発明者】
【氏名】後藤 敏樹
(72)【発明者】
【氏名】笠原 潤也
(72)【発明者】
【氏名】東山 哲也
(72)【発明者】
【氏名】鳥塚 研二
(72)【発明者】
【氏名】加藤 将
(57)【要約】
【課題】血液試料に対する分離処理の分離時間が短い分離データを用いる場合であっても血液試料中のヘモグロビンの種別を特定できるヘモグロビンの種別の判別方法、学習済みモデルの生成方法、学習済みモデル、ヘモグロビンの分析システム、プログラムの提供。
【解決手段】ヘモグロビンの種別の判別方法では、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、検査用周波数解析データを学習済みモデルに入力することにより検査用血液試料に含まれるヘモグロビンの種別を判別する。
【選択図】図３
【解決手段】ヘモグロビンの種別の判別方法では、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、検査用周波数解析データを学習済みモデルに入力することにより検査用血液試料に含まれるヘモグロビンの種別を判別する。
【選択図】図３
【特許請求の範囲】
【請求項1】
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、
前記検査用周波数解析データを学習済みモデルに入力することにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する、
ヘモグロビンの種別の判別方法。
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、
前記検査用周波数解析データを学習済みモデルに入力することにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する、
ヘモグロビンの種別の判別方法。
【請求項2】
前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データは、クロマトグラムである、
請求項１に記載の、ヘモグロビンの種別の判別方法。
請求項１に記載の、ヘモグロビンの種別の判別方法。
【請求項3】
前記学習用周波数解析データ及び前記検査用周波数解析データは、それぞれ標準化処理が行われた、前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データを、周波数解析して生成されている、
請求項１に記載の、ヘモグロビンの種別の判別方法。
請求項１に記載の、ヘモグロビンの種別の判別方法。
【請求項4】
前記学習用周波数解析データ及び前記検査用周波数解析データは、ウェーブレット解析して生成されている、
請求項１に記載の、ヘモグロビンの種別の判別方法。
請求項１に記載の、ヘモグロビンの種別の判別方法。
【請求項5】
前記機械学習は、畳み込みニューラルネットワークを含む、
請求項１に記載の、ヘモグロビンの種別の判別方法。
請求項１に記載の、ヘモグロビンの種別の判別方法。
【請求項6】
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
請求項１に記載の、ヘモグロビンの種別の判別方法。
請求項１に記載の、ヘモグロビンの種別の判別方法。
【請求項7】
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより学習済みパラメータを生成する、
学習済みモデルの生成方法。
学習済みモデルの生成方法。
【請求項8】
前記分離データは、クロマトグラムである、
請求項７に記載の、学習済みモデルの生成方法。
請求項７に記載の、学習済みモデルの生成方法。
【請求項9】
前記学習用周波数解析データを生成する周波数解析は、標準化処理が行われた分離データに対して行われる、
請求項７に記載の、学習済みモデルの生成方法。
請求項７に記載の、学習済みモデルの生成方法。
【請求項10】
前記学習用周波数解析データを生成する周波数解析は、ウェーブレット解析である、
請求項７に記載の、学習済みモデルの生成方法。
請求項７に記載の、学習済みモデルの生成方法。
【請求項11】
前記機械学習は、畳み込みニューラルネットワークを含む、
請求項７に記載の、学習済みモデルの生成方法。
請求項７に記載の、学習済みモデルの生成方法。
【請求項12】
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
請求項７に記載の、学習済みモデルの生成方法。
請求項７に記載の、学習済みモデルの生成方法。
【請求項13】
血液試料に対する分離処理により生成された分離データを周波数解析して生成された周波数解析データが入力されると、前記周波数解析データから該血液試料に含まれるヘモグロビンの種別を出力する学習済みモデルであって、
前記学習済みモデルは、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成される、
学習済みモデル。
前記学習済みモデルは、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成される、
学習済みモデル。
【請求項14】
ヘモグロビンの種別が未知である検査用血液試料に対して分離処理を行い、検査用分離データを生成する分離部と、
前記検査用分離データに対して周波数解析を行い、検査用周波数解析データを生成する周波数解析部と、
前記検査用周波数解析データにより測定された、請求項１３に記載の学習済みモデルにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する判別部と、
前記判別部により判別されたヘモグロビンの種別を出力する出力部と、
を備えた、ヘモグロビンの分析システム。
前記検査用分離データに対して周波数解析を行い、検査用周波数解析データを生成する周波数解析部と、
前記検査用周波数解析データにより測定された、請求項１３に記載の学習済みモデルにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する判別部と、
前記判別部により判別されたヘモグロビンの種別を出力する出力部と、
を備えた、ヘモグロビンの分析システム。
【請求項15】
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを入力させ、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して生成された検査用周波数解析データを入力させ、
学習済みモデルに基づいて前記検査用血液試料に含まれるヘモグロビンの種別を出力させる、
処理をコンピュータに実行させる、プログラム。
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して生成された検査用周波数解析データを入力させ、
学習済みモデルに基づいて前記検査用血液試料に含まれるヘモグロビンの種別を出力させる、
処理をコンピュータに実行させる、プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、ヘモグロビンの種別の判別方法、学習済みモデルの生成方法、学習済みモデル、ヘモグロビンの分析システム、プログラムに関する。
【背景技術】
【0002】
従来、液体クロマトグラフィ法により、例えば血液等の測定試料のグリコヘモグロビン（例えばＨｂＡ１ａ、ＨｂＡ１ｂ、ＨｂＡ１ｃ等）及び変異ヘモグロビン（例えば、ＨｂＦ、ＨｂＳ等）を測定する方法が提案されている（例えば特許文献１、２、３、４参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６８５６４３４号公報
【特許文献2】特許第５９４８７２７号公報
【特許文献3】特許第６４９２８５６号公報
【特許文献4】特開２０１７－２０３６７７号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
先行技術文献１～４に記載の分離分画法では、血液試料中のヘモグロビンの種別を特定するために分離時間を長くし、特定時間のピークパターンを基に判断するため、測定に時間を要する。
【0005】
本開示では、血液試料について判別精度がより高くなる血液試料中のヘモグロビンの種別を特定できるヘモグロビンの種別の判別方法、学習済みモデルの生成方法、学習済みモデル、ヘモグロビンの分析システム、プログラムの提供を目的とする。
【課題を解決するための手段】
【0006】
本開示のヘモグロビンの種別の判別方法の一態様は、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、前記検査用周波数解析データを学習済みモデルに入力することにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する。
【0007】
これによれば、一態様において、血液試料に対する分離処理の分離時間が短い分離データを用いる場合であっても血液試料中のヘモグロビンの種別を特定できるヘモグロビンの種別の判別方法が提供される。
【発明の効果】
【0008】
本開示によれば、血液試料について判別精度がより高くなるヘモグロビンの種別を特定できるヘモグロビンの種別の判別方法が提供される。
【図面の簡単な説明】
【0009】
【図1】ＨＰＬＣ装置の概略構成図である。
【図2】学習済みモデル生成装置であるＨＰＬＣ装置の制御系の構成図である。
【図3】本開示の本実施形態に係る、学習済みモデルの生成方法を説明するフローチャートである。
【図4】本開示に係るヘモグロビンの種別を判別する機械学習に用いるデータを示す図であり、血液試料をＨＰＬＣ装置で測定したクロマトグラムの図である。
【図7】ヘモグロビンの判別装置であるＨＰＬＣ装置の制御系の構成図である。
【図8】本開示の本実施形態に係る、学習済みモデルを用いて、未知試料に含まれるヘモグロビンの種別を判定する方法を説明するフローチャートである。
【図9】ＨＰＬＣ装置で血液試料を異なる分離時間で測定した場合のピークの形状を説明する図であり、（Ａ）は、ヘモグロビンＥを測定した場合のクロマトグラム、（Ｂ）は、異常ヘモグロビンＡを測定した場合のクロマトグラムである。
【図10】図９で測定に用いられたＨＰＬＣ装置とは異なるＨＰＬＣ装置で血液試料を異なる分離時間で測定した場合のピークの形状を説明する図であり、（Ａ）は、ヘモグロビンＥを測定した場合のクロマトグラム、（Ｂ）は、異常ヘモグロビンＡを測定した場合のクロマトグラムである。
【図11】異なるＨＰＬＣ装置で同じ血液試料を測定した場合におけるピークの形状を説明する図であり、（Ａ）は、測定時間が長い場合のクロマトグラム、（Ｂ）は、測定時間が短い場合のクロマトグラムである。
【発明を実施するための形態】
【0010】
以下、本開示の一実施形態について説明する。
【0011】
（学習モデル生成装置の構成）
図１には、本実施形態における学習済みモデル生成装置の一例として、高速液体クロマトグラフィ（High Performance Liquid Chromatography：ＨＰＬＣ）を利用したＨＰＬＣ装置１０の概略構成図を示した。なお、学習済みモデル生成装置は、ヘモグロビンの分析システムの一例である。
図１には、本実施形態における学習済みモデル生成装置の一例として、高速液体クロマトグラフィ（High Performance Liquid Chromatography：ＨＰＬＣ）を利用したＨＰＬＣ装置１０の概略構成図を示した。なお、学習済みモデル生成装置は、ヘモグロビンの分析システムの一例である。
【0012】
ＨＰＬＣ装置１０は、採血管１８をセットして、全血中のグリコヘモグロビン（例えばＨｂＡ１ａ、ＨｂＡ１ｂ、ＨｂＡ１ｃ等）及び変異Ｈｂ（例えば、ＨｂＦ、ＨｂＳ等）の濃度を自動で測定するように構成されたものであり、試料調製ユニット１２、分析ユニット５８、及び測光ユニット１６を有している。
【0013】
このＨＰＬＣ装置１０は、複数の溶離液ボトル２２Ａ、２２Ｂ、２２Ｃ、２２Ｄ、２２Ｅ（図１では５個）等を備えている。各溶離液ボトル２２Ａ～２２Ｅは、後述する分析カラム６０に供給すべき溶離液Ａ～Ｅを各々保持したものである。各溶離液は、用途に応じて例えば組成、成分比、ｐＨ、浸透圧等が異なる。
【0014】
採血管１８は、例えば、ラック（図示せず）に収納され、後述する試料調製ユニット１２におけるノズル１２Ｎにより採取可能な位置に移動するように構成されている。
【0015】
試料調製ユニット１２は、採血管１８から採取した血液から、分析カラム６０に導入する試料を調製するためのものである。この試料調製ユニット１２は、ノズル１２Ｎ、及び希釈槽２４を有している。
【0016】
ノズル１２Ｎは、採血管１８の血液試料２０をはじめとする各種の液体を採取するためのものであり、液体の吸引・吐出が可能であるとともに、上下方向及び水平方向に移動可能とされている。このノズル１２Ｎの動作は、後述する制御部１００によって制御される。
【0017】
分析ユニット５８は、分析カラム６０の充填剤に対する生体成分であるヘモグロビンなどの血液試料に含まれる成分の吸着・脱着をコントロールし、各種の生体成分を測光ユニット１６に供するためのものである。分析ユニット５８における設定温度は、例えば４０℃程度とされる。分析カラム６０は、試料中に含まれる成分を選択的に吸着させるための充填剤を保持させたものである。充填剤としては、例えばメタクリル酸－メタクリル酸エステル共重合体が使用される。
【0018】
分析ユニット５８は、分析カラム６０の他に、マニホールド６１、送液ポンプ６２、及びインジェクションバルブ６３を有している。
【0019】
マニホールド６１は、複数の溶離液ボトル２２Ａ～２２Ｅのうちの特定の溶離液ボトルから、分析カラム６０に選択的に溶離液を供給させるためのものである。このマニホールド６１は、配管８０Ａ～８０Ｅを介して溶離液ボトル２２Ａ、２２Ｂ、２２Ｃ、２２Ｄ、２２Ｅに各々接続され、配管８４を介してインジェクションバルブ６３に接続されている。
【0020】
送液ポンプ６２は、溶離液をインジェクションバルブ６３に移動させるための動力を付与するためのものであり、配管８４の途中に設けられている。
【0021】
インジェクションバルブ６３は、一定量の導入用試料を採取するとともに、その導入用試料を分析カラム６０に導入可能とするものであり、複数の導入ポート及び排出ポート（図示省略）を備えている。このインジェクションバルブ６３には、インジェクションループ６４が接続されている。このインジェクションループ６４は、一定量（例えば数μＬ）の液体を保持可能なものであり、インジェクションバルブ６３を適宜切り替えることにより、インジェクションループ６４が希釈槽２４と連通して希釈槽２４からインジェクションループ６４に導入用試料が供給される状態、インジェクションループ６４がプレフィルターＰＦ及び配管８５を介して分析カラム６０と連通してインジェクションループ６４から導入用試料が分析カラム６０に導入される状態を選択することができる。このようなインジェクションバルブ６３としては、例えば六方バルブを使用することができる。なお、プレフィルターＰＦは、試料や溶離液を濾過するためのフィルターである。
【0022】
測光ユニット１６は、分析カラム６０から供給された試料に含まれるヘモグロビンを光学的に検出するためのものであり、配管８７を介して、分析カラム６０から供給された試料を排出するための廃液槽８８に接続されている。
【0023】
ここで、分析カラム６０に試料が導入された場合、分析カラム６０が試料に含まれる成分を保持する時間は、成分毎に異なるため、測光ユニット１６に供給される試料に含まれる成分の量は、時間の経過と共に変動する。言い換えれば、分析カラム６０により、試料に含まれる成分が分離される。
【0024】
そして、測光ユニット１６は、後述する制御部１００に制御されることにより、分析カラム６０から供給される試料に含まれる成分による吸光度を連続的に測定し、吸光度の測定結果を制御部１００に送信する。
【0025】
このため、測光ユニット１６から送信された、吸光度の測定結果を記録することにより、試料の分離データが得られる。すなわち、分析ユニット５８は、本実施形態における分離処理を行う部材であり、分析ユニット５８及び測光ユニット１６は、本実施形態における分離部の一例である。
【0026】
図２には、ＨＰＬＣ装置１０の制御系のブロック図を示した。図２に示すように、ＨＰＬＣ装置１０は、制御部１００を備えている。制御部１００は、ＣＰＵ（Central Processing Unit）１００Ａ、ＲＯＭ（Read Only Memory）１００Ｂ、ＲＡＭ（Random Access Memory）１００Ｃ、不揮発性メモリ１００Ｄ、及び入出力インターフェース（Ｉ/Ｆ）１００Ｅがバス１００Ｆを介して各々接続された構成となっている。また、ＨＰＬＣ装置１０は、オペレータからの入力を受け付ける操作部（図示せず）及び表示ユニット２６を備えている。
【0027】
入出力インターフェース１００Ｅには、試料調製ユニット１２、分析ユニット５８、測光ユニット１６、及び表示ユニット２６が接続されている。
【0028】
本実施形態では、表示ユニット２６は、一例として液晶ディスプレイであり、ＣＰＵ１００Ａに制御されて制御部１００の情報を作業者に表示する。
【0029】
ＣＰＵ１００Ａは、本実施形態では一例として不揮発性メモリ１００Ｄに予めＨＰＬＣ装置１０の動作を制御する基本プログラム（図示せず）が記録されている。本実施形態では一例として、不揮発性メモリ１００Ｄには、さらに学習済みモデル１２０Ｃを生成する第一プログラム１２０Ａが記憶されている。ＣＰＵ１００Ａは、不揮発性メモリ１００Ｄに記憶された各種のプログラムを読み込んで実行する。また、ＣＤ－ＲＯＭ等の記録媒体に第一プログラム１２０Ａが記録され、ＣＰＵ１００Ａは、これをＣＤ－ＲＯＭドライブ等で読み込むことにより実行するようにしてもよい。
【0030】
また、ＣＰＵ１００Ａは、基本プログラムを実行することにより、マニホールド６１や、インジェクションバルブ６３を制御し、分析カラム６０に導入される溶離液の種類又は、溶離液の単位時間当たりの流量を変化させる。これにより、ＣＰＵ１００Ａは、分析カラム６０から単位時間あたりに流出する試料中の成分の流量を決定し、試料に含まれる成分の測定時間（測光ユニット１６で吸光度を測定する時間）を設定する。
【0031】
【0032】
（本実施形態の方法による、学習済みモデルの生成手順）
本実施形態の学習済みモデル生成装置は、制御部１００は、本実施形態に係る各種プログラムを実行することで、試料に含まれるヘモグロビンの種別を判別する学習済みモデルを生成する。具体的には、ＣＰＵ１００Ａは、第一プログラム１２０Ａを読み込んだ場合、それぞれ次に示す処理を実行する。
本実施形態の学習済みモデル生成装置は、制御部１００は、本実施形態に係る各種プログラムを実行することで、試料に含まれるヘモグロビンの種別を判別する学習済みモデルを生成する。具体的には、ＣＰＵ１００Ａは、第一プログラム１２０Ａを読み込んだ場合、それぞれ次に示す処理を実行する。
【0033】
（第一プログラム１２０ＡがＣＰＵ１００Ａに実行させる手順）
本実施形態では、第一プログラム１２０Ａは、ＣＰＵ１００Ａに図３に示される処理を実行させる。
本実施形態では、第一プログラム１２０Ａは、ＣＰＵ１００Ａに図３に示される処理を実行させる。
【0034】
ステップＳ１２において、ＣＰＵ１００Ａは、測光ユニット１６が測定した、ヘモグロビンの種別が既知の試料（以下、既知試料と称す）の成分に対応する吸光度を、ＲＡＭ１００Ｃに記憶して、図４に示されるようなクロマトグラムを作成する。そしてＣＰＵ１００Ａは、作成したクロマトグラムをＲＡＭ１００Ｃに記憶させる。その後、ＣＰＵ１００Ａは、ステップＳ１４へと移行する。
【0035】
ステップＳ１４において、ＣＰＵ１００Ａは、ＲＡＭ１００Ｃに記憶されたクロマトグラムについて標準化処理を施し、図５に示されるような標準化データを作成する。そしてＣＰＵ１００Ａは、作成した標準化データをＲＡＭ１００Ｃに記憶させる。その後、ＣＰＵ１００Ａは、ステップＳ１６へと移行する。
【0036】
なお、具体的な標準化処理の変換方法は、次の手順、及び数１に示す通りとした。
１．クロマトグラムの各データ点に対して標準化処理（測定された各データ点のそれぞれについて、測定値から平均値を減した値をさらに標準偏差で除する、スケーリング処理）を施す。
２．標準化処理後のデータにおける最小値の絶対値に０．００１を加えたものを、標準化処理後の各データ点に加える。
３．各データ点について、底をe（ネイピア数）とした対数をとる。
１．クロマトグラムの各データ点に対して標準化処理（測定された各データ点のそれぞれについて、測定値から平均値を減した値をさらに標準偏差で除する、スケーリング処理）を施す。
２．標準化処理後のデータにおける最小値の絶対値に０．００１を加えたものを、標準化処理後の各データ点に加える。
３．各データ点について、底をe（ネイピア数）とした対数をとる。
【0037】
【数1】
【0038】
なお、上記の数１において、x'iは、標準化処理後における各データ点iにおける値であり、xiは、クロマトグラムにおける各データ点iにおける値である。また、μは、クロマトグラムにおける各データ点の平均値であり、σは、クロマトグラムにおける各データ点の値の標準偏差である。また、Minは、複数の値のうち最小値を示す関数である。また、lnは、ネイピア数を底とする対数関数である。
【0039】
なお、上述における変換方法及びパラメータは、本実施形態に係る標準化処理における一例であり、本実施形態に係る標準化処理は、上述の変換方法及びパラメータに限定されない。
【0040】
ステップＳ１６において、ＣＰＵ１００Ａは、ＲＡＭ１００Ｃに記憶された標準化データについてウェーブレット解析を行い、図６に示されるようなウェーブレット解析データを作成する。そして、ＣＰＵ１００Ａは、作成したウェーブレット解析データをＲＯＭ１００Ｂに記録させる。その後、ＣＰＵ１００Ａは、ステップＳ１８へと移行する。
【0041】
ステップＳ１８において、ＣＰＵ１００Ａは、ウェーブレット解析データが作成される元となった試料に含まれるヘモグロビンの種別を、ウェーブレット解析データと対応させた学習用データセットを作成する。そして、ＣＰＵ１００Ａは、作成した学習用データセットを、ＲＯＭ１００Ｂに記録させる。その後、ＣＰＵ１００Ａは、ステップＳ２０へと移行する。
【0042】
ステップＳ２０において、ＣＰＵ１００Ａは、記録した学習用データセットの個数を確認する。そして、学習用データセットの個数が予め定められた個数よりも少ない場合は、ステップＳ２０において肯定判定し、ステップＳ１２へ移行する。一方、学習用データセットの個数が予め定められた個数に達した場合は、ステップＳ２０において、否定判定し、ステップＳ２２へ移行する。
【0043】
ステップＳ２２において、ＣＰＵ１００Ａは、畳み込みニューラルネットワーク（Convolutional Neural Network）を構築し、ＲＯＭ１００Ｂに記録された複数の学習用データセットとして入力する。そして、ＣＰＵ１００Ａは、畳み込みニューラルネットワークに入力された複数の学習用データセットに基づいて、試料に含まれるヘモグロビンの種別、及び量と、ウェーブレット解析データとの特徴を学習する。その後、ＣＰＵ１００Ａは、ステップＳ２４へと移行する。
【0044】
ステップＳ２４において、ＣＰＵ１００Ａは、学習済みパラメータを不揮発性メモリ１００Ｄに記録する。その後、ＣＰＵ１００Ａは、第一プログラム１２０Ａによる処理を終了する。
【0045】
なお、学習済みパラメータは、サブプログラム（図示せず）と組み合わされる、後述される学習済みモデル１２０Ｃの一部分である。言い換えれば、第一プログラム１２０Ａは、学習済みモデル１２０Ｃを生成する処理をＣＰＵ１００Ａに実行させる。
【0046】
なお、上述のように、第一プログラム１２０Ａは、標準化データに対してウェーブレット解析を行っている。このように、本実施形態では、第一プログラム１２０Ａを実行するＣＰＵ１００Ａは、周波数解析部の一例であるといえる。
【0047】
続いて、本実施形態に係る学習済みモデルを用いてヘモグロビンの種別が未知の試料（以下、未知試料と称す）に含まれるヘモグロビンの種別の判定手順を、図１、図７及び図８を参照しながら説明する。なお本実施形態に係るヘモグロビンの判別装置であるＨＰＬＣ装置１１では、ＨＰＬＣ装置１０の構成のうち制御部１００を除く他の構成が、ＨＰＬＣ装置１０と同様である。
【0048】
（ヘモグロビンの判別装置の構成）
図７は、本実施形態に係る、ヘモグロビンの判別装置であるＨＰＬＣ装置１１の制御部１０１の構成図である。なお、ヘモグロビンの判別装置は、ヘモグロビンの分析システムの一例である。
図７は、本実施形態に係る、ヘモグロビンの判別装置であるＨＰＬＣ装置１１の制御部１０１の構成図である。なお、ヘモグロビンの判別装置は、ヘモグロビンの分析システムの一例である。
【0049】
ヘモグロビンの判別装置であるＨＰＬＣ装置１１は、上述した学習済みモデル生成装置であるＨＰＬＣ装置１０において、不揮発性メモリ１００Ｄが有するプログラムの構成が異なる。具体的には、ヘモグロビンの判別装置は、不揮発性メモリに、学習済みモデル１２０Ｃと、学習済みモデル１２０Ｃを用いて血液試料中のヘモグロビンの判別をする第二プログラム１２０Ｂが記憶されている。
【0050】
ヘモグロビンの判別装置におけるＣＰＵ１００Ａは、不揮発性メモリ１００Ｄに記憶された各種のプログラムを読み込んで実行する。なお、学習済みモデル１２０Ｃは、上述した学習済みモデル生成装置が生成した、学習済みパラメータを含んで構成される。この学習済みモデル１２０Ｃは、学習済みモデル生成装置の不揮発性メモリ１００Ｄからどのように転送されてもよいが、一例としてネットワークを介してヘモグロビンの判別装置の不揮発性メモリ１００Ｄに記録される。また、ＣＤ－ＲＯＭ等の記録媒体に第二プログラム１２０Ｂが記録され、ＣＰＵ１００Ａは、これをＣＤ－ＲＯＭドライブ等で読み込むことにより実行するようにしてもよい。
【0051】
なお、制御部１０１におけるその他の構成は、上述した学習済みモデル生成装置のＨＰＬＣ装置１０の制御部１００と同様である。また、以後の説明において、学習済みモデル生成装置のＨＰＬＣ装置１０と、ヘモグロビンの判別装置であるＨＰＬＣ装置１１とを区別しない場合は、ＨＰＣＬ装置１０、１１と称す。同様に、以後の説明において、ＨＰＬＣ装置１０の制御部１００と、ＨＰＬＣ装置１１の制御部１０１とを区別しない場合は、制御部１００、１０１と称す。
【0052】
（本実施形態の方法による、ヘモグロビンの種別を判別する手順）
本実施形態のモグロビンの判別装置は、制御部１０１は、本実施形態に係る各種プログラムを実行することで、試料に含まれるヘモグロビンの種別を判別する。具体的には、ＣＰＵ１００Ａは、第二プログラム１２０Ｂを読み込んだ場合、それぞれ次に示す処理を実行する。
本実施形態のモグロビンの判別装置は、制御部１０１は、本実施形態に係る各種プログラムを実行することで、試料に含まれるヘモグロビンの種別を判別する。具体的には、ＣＰＵ１００Ａは、第二プログラム１２０Ｂを読み込んだ場合、それぞれ次に示す処理を実行する。
【0053】
（第二プログラム１２０ＢがＣＰＵ１００Ａに実行させる処理）
本実施形態では、第二プログラム１２０Ｂは、ＣＰＵ１００Ａに図８に示される処理を実行させる。
本実施形態では、第二プログラム１２０Ｂは、ＣＰＵ１００Ａに図８に示される処理を実行させる。
【0054】
ステップＳ４２において、ＣＰＵ１００Ａは、ＲＯＭ１００Ｂに記録された学習済みモデル１２０Ｃ（学習済みパラメータ及びサブプログラム）を読み込む。その後、ＣＰＵ１００Ａは、ステップＳ４４へと移行する。
【0055】
ステップＳ４４において、ＣＰＵ１００Ａは、測光ユニット１６が測定した、未知試料の成分に対応する吸光度を、ＲＡＭ１００Ｃに記憶して、図４に示されるようなクロマトグラムを作成する。そしてＣＰＵ１００Ａは、作成したクロマトグラムをＲＡＭ１００Ｃに記憶させる。その後、ＣＰＵ１００Ａは、ステップＳ４６へと移行する。
【0056】
ステップＳ４６において、ＣＰＵ１００Ａは、ＲＡＭ１００Ｃに記憶されたクロマトグラムについて標準化処理を行い、図５に示されるような標準化データを作成する。そしてＣＰＵ１００Ａは、作成した標準化データをＲＡＭ１００Ｃに記憶させる。その後、ＣＰＵ１００Ａは、ステップＳ４８へと移行する。
【0057】
ステップＳ４８において、ＣＰＵ１００Ａは、ＲＡＭ１００Ｃに記憶された標準化データについてウェーブレット解析を行い、図６に示されるようなウェーブレット解析データを作成する。そして、ＣＰＵ１００Ａは、作成したウェーブレット解析データをＲＯＭ１００Ｂに記録させる。その後、ＣＰＵ１００Ａは、第二プログラム１２０Ｂによる処理を終了する。
【0058】
なお、本実施形態に係るヘモグロビンの判別装置は、さらに次の処理を実行してもよい。
【0059】
例えば、ステップＳ４８において、ＣＰＵ１００Ａは、未知試料に含まれるヘモグロビンの種別が判明しなかった場合は、ヘモグロビンの種別が判明しなかったことを表示ユニット２６に表示させてもよい。
【0060】
一方、ステップＳ４８において、未知試料に含まれるヘモグロビンの種別が判明した場合は、さらに別の処理を行ってもよい。例えば、ＣＰＵ１００Ａは、未知試料のクロマトグラムの対象となるヘモグロビン種別に対応するピークの値から、ヘモグロビン種別毎に未知試料に含まれるヘモグロビンの量を算出し、算出した値を表示ユニット２６に表示させてもよい。
【0061】
なお、上述のように、第二プログラム１２０Ｂは、それぞれ標準化データに対してウェーブレット解析を行っている。このように、本実施形態では、第二プログラム１２０Ｂを実行するＣＰＵ１００Ａは、周波数解析部の一例であるといえる。
【0062】
続いて、本実施形態に係る学習済みモデル１２０Ｃの生成方法、ヘモグロビンの種別の判別方法を用いて未知試料に含まれるヘモグロビンの判別を行った結果を、実施例１及び実施例２として説明する。なお、各実施例において「未知試料」とは、学習済みモデル１２０Ｃにおける判別の試験に用いる試料であり、実際には試料中に含まれるヘモグロビンの種別が判別されている、学習済みモデル１２０Ｃの生成に用いていない試料を指す。
【0063】
なお、各実施例では、アークレイ株式会社製の糖尿病検査装置ＨＡ－８１８０Ｖ又は、ＨＡ－８１９０Ｖを用いた。また、各測定装置において、測定時間については、ＨＡ－８１８０Ｖでは９０秒、ＨＡ－８１９０Ｖでは２４秒と設定した。また、サンプリング周波数については、２０４８Ｈｚ（サンプリング間隔が４８８．２８１２５マイクロ秒）とした。
【0064】
なお、各実施例では、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥを含む血液試料及び、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ及び、ヘモグロビンＥが観察されなかった血液試料を用意した。なお、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ及び、ヘモグロビンＥが観察されなかった試料を、以後、「健常者検体」と称す。
【0065】
（実施例１）
実施例１では、測定装置としてＨＡ－８１８０Ｖを用いて学習済みモデル１２０Ｃの作成及び学習済みモデル１２０Ｃを用いた未知試料に含まれるヘモグロビンの種別の判別を行った。
実施例１では、測定装置としてＨＡ－８１８０Ｖを用いて学習済みモデル１２０Ｃの作成及び学習済みモデル１２０Ｃを用いた未知試料に含まれるヘモグロビンの種別の判別を行った。
【0066】
本実施例では、学習段階において、図３に示される手順を用いて、学習を行った。より具体的には、本実施例では、既知試料のクロマトグラムを作成し、作成したクロマトグラムに標準化処理を行ったうえでウェーブレット解析データを作成した。そして、ウェーブレット解析データを含む学習用データセットを作成し、畳み込みニューラルネットワークで学習を行うことで学習済みモデル１２０Ｃを作成した。
【0067】
また、本実施例では、未知試料の推定段階において、図８に示される手順を用いて判別を行った。より具体的には、本実施例では、未知試料のクロマトグラムを作成し、作成したクロマトグラムに標準化処理を行ったうえでウェーブレット解析データを作成した。そして、ウェーブレット解析データについて学習済みモデル１２０Ｃに基づいて未知試料に含まれるヘモグロビンの種別を判別した。
【0068】
表１に、本実施例に係る学習に用いた学習データ数（学習用データセットの個数であり、既知試料の個数である）、及び試験データ数（判別の試験に用いた試料の個数であり、未知試料の個数である）、正答数、及び正答率を示す。
【0069】
【表1】
【0070】
（実施例２）
実施例２では、測定装置としてＨＡ－８１９０Ｖを用いて学習済みモデル１２０Ｃの作成及び学習済みモデル１２０Ｃを用いた未知試料に含まれるヘモグロビンの種別の判別を行った。
実施例２では、測定装置としてＨＡ－８１９０Ｖを用いて学習済みモデル１２０Ｃの作成及び学習済みモデル１２０Ｃを用いた未知試料に含まれるヘモグロビンの種別の判別を行った。
【0071】
本実施例では、学習段階において、図３に示される手順を用いて、学習を行った。より具体的には、本実施例では、既知試料のクロマトグラムを作成し、作成したクロマトグラムに標準化処理を行ったうえでウェーブレット解析データを作成した。そして、ウェーブレット解析データを含む学習用データセットを作成し、畳み込みニューラルネットワークで学習を行うことで学習済みモデルを作成した。
【0072】
また、本実施例では、未知試料の推定段階において、図８に示される手順を用いて判別を行った。より具体的には、本実施例では、未知試料のクロマトグラムを作成し、作成したクロマトグラムに標準化処理を行ったうえでウェーブレット解析データを作成した。そして、ウェーブレット解析データについて学習済みモデルに基づいて未知試料に含まれるヘモグロビンの種別を判別した。
【0073】
表２に、本実施例に係る学習に用いた学習データ数、及び試験データ数、正答数、及び正答率を示す。
【0074】
【表2】
【0075】
（まとめ）
上述のように、本実施形態におけるＨＰＬＣ装置１０、１１により、次のことが示された。
上述のように、本実施形態におけるＨＰＬＣ装置１０、１１により、次のことが示された。
【0076】
表１及び表２に示されるように、実施例１及び実施例２における学習済みモデルの作成方法、及びヘモグロビンの種別の判別方法を用いて、ヘモグロビンの種別の判別が可能であることが示された。また、この結果より、ウェーブレット解析データを用いて作成された学習済みモデルに基づいて、血液試料中のヘモグロビンの種別を特定する精度が高まったと考えられる。すなわち、本実施形態における学習済みモデルの作成方法、及びヘモグロビンの種別の判別方法により、分離時間が短い場合であっても血液試料中のヘモグロビンの種別を特定できることが示された。
【0077】
（参考例のヘモグロビンの種別を判別する方法）
ところで、未知試料に含まれるヘモグロビンの種別を判別する方法としては、クロマトグラムに現れたピークの形状（クロマトグラムに現れたピーク同士の位置関係）から判別する方法がある。
ところで、未知試料に含まれるヘモグロビンの種別を判別する方法としては、クロマトグラムに現れたピークの形状（クロマトグラムに現れたピーク同士の位置関係）から判別する方法がある。
【0078】
図９（Ａ）は、ヘモグロビンＥを含む血液試料について、測定装置としてＨＡ－８１８０Ｖを用い、測定時間が２００秒となるように流量を設定した条件で取得されたクロマトグラムである。図９（Ａ）に示されるように、この試料では、ヘモグロビンＡ０のピークである最も大きなピークの前後に２つのピークが確認された。
【0079】
同様に図９（Ｂ）は、異常ヘモグロビンＡを含む血液試料について、測定時間を２００秒と設定した条件で取得されたクロマトグラムである。図９（Ｂ）に示されるように、このクロマトグラムによれば、分画された領域として３０秒あたりにピークＡが現れたものの、図９（Ａ）と異なりピークＢが表れなかった。このことから、この測定条件よれば、ピークＡを有する試料についてピークＢの有無を観察することにより、ヘモグロビンＥと異常ヘモグロビンＡとの判別が可能であると考えられる。このように、測定時間を２００秒と設定することにより、ヘモグロビンを判別することができるが、この測定時間は、上述の実施例１で設定された時間よりも長い。
【0080】
ここで図１０（Ａ）は、図９（Ａ）と同じ試料、同じ装置を用いて、実施例１と同様に、測定時間を９０秒と設定した条件で取得されたクロマトグラムである。図１０（Ａ）に示されるように、このクロマトグラムによれば、分画された領域として２５秒あたりにピークＡが現れるものの、ピークＢは、表れなかった。
【0081】
また同様に、図１０（Ｂ）は、図９（Ｂ）と同じ試料であり、異なる測定装置であるＨＡ－８１９０Ｖを用いて、測定時間を９０秒と設定した条件で取得されたクロマトグラムである。図１０（Ｂ）に示されるように、このクロマトグラムによれば、分画された領域として２５秒あたりにピークＡが現れるものの、ピークＢは、表れなかった。
【0082】
【0083】
また例えば、図１１（Ａ）は、ヘモグロビンＳを含む血液試料について測定時間を９０秒と設定した条件で取得されたクロマトグラムである。図１１（Ａ）に示されるように、ヘモグロビンＳが含まれる試料では、２０秒あたりに現れた最も大きなピーク（ヘモグロビンＡ０のピークである）の後である２８秒あたりにピークＣが現れた。
【0084】
一方、図１１（Ｂ）は、図１１（Ａ）と同じ試料、同じ装置を用いて、実施例２と同様に、測定時間を２４秒と設定した条件で取得されたクロマトグラムである。図１１（Ｂ）に示されるように、このクロマトグラムによれば１８秒あたりに現れた最も大きなピークの後には、ピークＣが現れなかった。
【0085】
このように、同じＨＰＬＣ装置１０、１１を用いた場合においても、測定時間を短くした場合、試料に含まれるヘモグロビンの種別を誤って判別をすることになりやすい。
【0086】
一方、本実施形態におけるＨＰＬＣ装置１０、１１の一例であるＨＡ－８１８０Ｖでは、９０秒の測定時間で血液試料中のヘモグロビンの種別を特定できることが示されている。また、本実施形態におけるＨＰＬＣ装置１０、１１の一例であるＨＡ－８１９０Ｖでは、２４秒の測定時間で血液試料中のヘモグロビンの種別を特定できることが示されている。したがって、ウェーブレット解析データを用いて学習済みモデル１２０Ｃを作成することにより、血液試料に対する分離処理の分離時間が短い分離データを用いる場合であっても血液試料中のヘモグロビンの種別を特定できることが示された。
【0087】
なお、血液試料に対する分離処理の分離時間が長い場合においても、クロマトグラムのピーク値が明瞭ではなく、クロマトグラムに基づいたヘモグロビンの種別の判別精度が悪くなる場合が考えられる。一方、本実施形態に係る学習済みモデルの生成方法、及びヘモグロビンの種別の判別方法では、血液試料に含まれる成分について周波数解析を行うため、ピークが重複し、クロマトグラムに現れたピークが多少不明瞭であっても、重複したピークを周波数解析結果として分離することを行っている。したがって、本実施形態に係る学習済みモデルの生成方法、及びヘモグロビンの種別の判別方法によれば、ピーク値が明瞭ではないクロマトグラムにおいても、ヘモグロビンの種別の判別制度を向上させる効果が期待できる。
【0088】
なお、上述の実施例１、及び実施例２で実施していないヘモグロビンＦ、ヘモグロビンＡ２（ＨｂＡ２）、及び他の変異ヘモグロビン種についても、本実施形態と同様に、学習済みモデルを生成し、また、ヘモグロビンの種別を判別する方法を適用できる。
【0089】
（その他の実施形態）
なお、上述の説明において、制御部１００、１０１は、ＨＰＬＣ装置１０、１１に組み込まれているが、これに限られない。例えば、制御部１００、１０１の主要な構成をネットワーク上に配置して、ＨＰＬＣ装置１０、１１がネットワーク上に配置された構成と通信することにより、制御部１００、１０１として動作させてもよい。また例えば、第一プログラム１２０Ａ及び第二プログラム１２０Ｂは、ネットワーク上に配置されたサーバからＨＰＬＣ装置１０の制御部１００、１０１が適宜ダウンロードすることにより取得してもよい。また例えば、ネットワーク上に配置されたサーバとＨＰＬＣ装置１０、１１とが通信し、クロマトグラムをＨＰＬＣ装置１０、１１がサーバに送信した後、周波数解析データをサーバがＨＰＬＣ装置１０、１１に送信することにより、周波数解析部として動作させてもよい。
なお、上述の説明において、制御部１００、１０１は、ＨＰＬＣ装置１０、１１に組み込まれているが、これに限られない。例えば、制御部１００、１０１の主要な構成をネットワーク上に配置して、ＨＰＬＣ装置１０、１１がネットワーク上に配置された構成と通信することにより、制御部１００、１０１として動作させてもよい。また例えば、第一プログラム１２０Ａ及び第二プログラム１２０Ｂは、ネットワーク上に配置されたサーバからＨＰＬＣ装置１０の制御部１００、１０１が適宜ダウンロードすることにより取得してもよい。また例えば、ネットワーク上に配置されたサーバとＨＰＬＣ装置１０、１１とが通信し、クロマトグラムをＨＰＬＣ装置１０、１１がサーバに送信した後、周波数解析データをサーバがＨＰＬＣ装置１０、１１に送信することにより、周波数解析部として動作させてもよい。
【0090】
また、上述の第一プログラム１２０Ａ、第二プログラム１２０Ｂ、及び学習済みモデル１２０Ｃは、制御部１００、１０１が実行していたが、これに限らず、ネットワーク上に配置されたサーバが実行してもよい。例えば、ＨＰＬＣ装置１０、１１は、未知試料のクロマトグラムをネットワーク上に配置されたサーバに送信し、サーバから未知試料に含まれるヘモグロビンの量を受信する構成としてもよい。これらのいずれの構成も、本実施形態におけるヘモグロビンの分析システムに含まれる。
【0091】
また、本開示に係るヘモグロビンの種別の判別方法では、本開示に係るヘモグロビンの種別の判別方法では、学習済みモデル１２０Ｃが用意されるならば、学習済みモデル１２０Ｃを用意する方法については限定されない。言い換えれば、学習済みモデル１２０Ｃが用意されるならば、クロマトグラムを作成する機器、周波数解析を行う機器、学習済みモデル１２０Ｃを生成する機器、及び判別を行う機器については、限定されない。
【0092】
より具体的には、クロマトグラムを作成する機器は、血液試料からクロマトグラムを作成する機能のみを有する、ＨＰＣＬ装置１０、１１とは別個の装置とされていてもよい。また、周波数解析を行う機器は、クロマトグラムからウェーブレット解析のみを行う機能のみを有する、ＨＰＣＬ装置１０、１１とは別個の装置とされていてもよい。また、上述の説明においては、学習モデル生成装置が学習済みモデル１２０Ｃを生成し、ヘモグロビンの判別装置が学習済みモデル１２０Ｃに基づいてヘモグロビンの種別を判別していたが、これらの機器は、同一の機器とされていてもよい。また、これらの機器は、いずれも同じＨＰＬＣ装置１０、１１に組み込まれていてもよく、一部の機器が共通の装置に組み込まれていてもよくまた、それぞれが別個の装置とされていてもよい。このため、本実施形態による技術によれば、ＨＰＬＣ装置１１の機種毎に作成された学習済みモデル１２０Ｃが用意されていれば、それぞれ個別のＨＰＬＣ装置１０において学習済みモデル１２０Ｃの作成を行わなくてもよい。
【0093】
また、上述の説明では、制御部１００、１０１が各種プログラムを実行することにより、実施形態に係る処理がソフトウェア構成により実現される場合について説明したが、これに限られない。例えば、ハードウェア構成や、ハードウェア構成とソフトウェア構成との組み合わせにより、上記の実施形態に係る処理を実行してもよい。
【0094】
なお、上述の説明では、周波数解析データとして、ウェーブレット解析データが用いていたが、本開示に係る技術は、これに限定されない。
【0095】
例えば、周波数解析において、ウェーブレット解析に代えて、高速フーリエ変換（Fast Fourier Transform）を行うことにより、図１２（Ａ）に示されるような、振幅のデータ、又は、図１２（Ｂ）に示されるようなパワースペクトルのデータを用いてもよい。また、ウェーブレット解析に代えて、短時間フーリエ変換（Short-Time Fourier Transform）を行ったデータを用いてもよい。
【0096】
また、上述の説明では、学習用データセットには、既知試料のヘモグロビンの濃度及びウェーブレット解析データが用いられていたが、これに限らず、クロマトグラムを学習用データセットに含めてもよい。この場合、判別手順において、未知試料のクロマトグラムが学習済みモデル１２０Ｃへの入力データに含まれる。
【0097】
また、上述の説明では、ヘモグロビンの分析システムの一例としてＨＰＬＣ装置１０、１１が用いられていたが、本開示に係る技術は、これに限定されない。すなわち、既知試料及び未知試料のクロマトグラムが得られるならば、ＨＰＬＣ装置１０、１１に限らず、電気泳動分析装置を用いてもよい。電気泳動分析装置では、作成されるフェログラムに基づき、標準化処理を任意で行い、ウェーブレット解析を行い、ウェーブレット解析データを作成することができる。本開示における技術によれば、この場合においても、学習済みモデル１２０Ｃの生成及びヘモグロビンの種別の判別をすることができる。
【0098】
また、上述の説明では、学習済みモデル１２０Ｃ生成方法では、畳み込みニューラルネットワークを構築したうえで、学習済みモデル１２０Ｃを生成していたが、本開示に係る技術は、これに限定されない。すなわち、学習済みモデル１２０Ｃが得られるならば、例えばリカレントニューラルネットワーク（Recurrent Neural Network）を構築し、学習してもよい。この場合においても、学習済みモデル１２０Ｃの生成をすることができる。
【0099】
なお、以下に本開示の好ましい態様を更に示す。
【0100】
（付記１）
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、
前記検査用周波数解析データを学習済みモデルに入力することにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する、
ヘモグロビンの種別の判別方法。
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを用意し、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して検査用周波数解析データを用意し、
前記検査用周波数解析データを学習済みモデルに入力することにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する、
ヘモグロビンの種別の判別方法。
【0101】
（付記２）
前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データは、クロマトグラムである、
付記１に記載の、ヘモグロビンの種別の判別方法。
前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データは、クロマトグラムである、
付記１に記載の、ヘモグロビンの種別の判別方法。
【0102】
（付記３）
前記学習用周波数解析データ及び前記検査用周波数解析データは、それぞれ標準化処理が行われた、前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データを、周波数解析して生成されている、
付記１又は付記２に記載の、ヘモグロビンの種別の判別方法。
前記学習用周波数解析データ及び前記検査用周波数解析データは、それぞれ標準化処理が行われた、前記学習用周波数解析データ用の前記分離データ及び前記検査用周波数解析データ用の前記分離データを、周波数解析して生成されている、
付記１又は付記２に記載の、ヘモグロビンの種別の判別方法。
【0103】
（付記４）
前記学習用周波数解析データ及び前記検査用周波数解析データは、ウェーブレット解析して生成されている、
付記１から付記３のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
前記学習用周波数解析データ及び前記検査用周波数解析データは、ウェーブレット解析して生成されている、
付記１から付記３のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
【0104】
（付記５）
前記機械学習は、畳み込みニューラルネットワークを含む、
付記１から付記４のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
前記機械学習は、畳み込みニューラルネットワークを含む、
付記１から付記４のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
【0105】
（付記６）
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
付記１から付記５のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
付記１から付記５のいずれか一項に記載の、ヘモグロビンの種別の判別方法。
【0106】
（付記７）
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより学習済みパラメータを生成する、
学習済みモデルの生成方法。
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データと前記既知のヘモグロビンの種別とを含むデータセットを、機械学習の学習用データセットとして用いることにより学習済みパラメータを生成する、
学習済みモデルの生成方法。
【0107】
（付記８）
前記分離データは、クロマトグラムである、
付記７に記載の、学習済みモデルの生成方法。
前記分離データは、クロマトグラムである、
付記７に記載の、学習済みモデルの生成方法。
【0108】
（付記９）
前記学習用周波数解析データを生成する周波数解析は、標準化処理が行われた分離データに対して行われる、
付記７又は付記８に記載の、学習済みモデルの生成方法。
前記学習用周波数解析データを生成する周波数解析は、標準化処理が行われた分離データに対して行われる、
付記７又は付記８に記載の、学習済みモデルの生成方法。
【0109】
（付記１０）
前記学習用周波数解析データを生成する周波数解析は、ウェーブレット解析である、
付記７から付記９のいずれか一項に記載の、学習済みモデルの生成方法。
前記学習用周波数解析データを生成する周波数解析は、ウェーブレット解析である、
付記７から付記９のいずれか一項に記載の、学習済みモデルの生成方法。
【0110】
（付記１１）
前記機械学習は、畳み込みニューラルネットワークを含む、
付記７から付記１０のいずれか一項に記載の、学習済みモデルの生成方法。
前記機械学習は、畳み込みニューラルネットワークを含む、
付記７から付記１０のいずれか一項に記載の、学習済みモデルの生成方法。
【0111】
（付記１２）
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
付記７から付記１１のいずれか一項に記載の、学習済みモデルの生成方法。
前記ヘモグロビンは、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ又は、ヘモグロビンＥである、
付記７から付記１１のいずれか一項に記載の、学習済みモデルの生成方法。
【0112】
（付記１３）
血液試料に対する分離処理により生成された分離データを周波数解析して生成された周波数解析データが入力されると、前記周波数解析データから該血液試料に含まれるヘモグロビンの種別を出力する学習済みモデルであって、
前記学習済みモデルは、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成される、
学習済みモデル。
血液試料に対する分離処理により生成された分離データを周波数解析して生成された周波数解析データが入力されると、前記周波数解析データから該血液試料に含まれるヘモグロビンの種別を出力する学習済みモデルであって、
前記学習済みモデルは、ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成される、
学習済みモデル。
【0113】
（付記１４）
ヘモグロビンの種別が未知である検査用血液試料に対して分離処理を行い、検査用分離データを生成する分離部と、
前記検査用分離データに対して周波数解析を行い、検査用周波数解析データを生成する周波数解析部と、
前記検査用周波数解析データにより測定された、付記１３に記載の学習済みモデルにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する判別部と、
前記判別部により判別されたヘモグロビンの種別毎の前記検査用血液試料に含まれる量を出力する出力部と、
を備えた、ヘモグロビンの分析システム。
ヘモグロビンの種別が未知である検査用血液試料に対して分離処理を行い、検査用分離データを生成する分離部と、
前記検査用分離データに対して周波数解析を行い、検査用周波数解析データを生成する周波数解析部と、
前記検査用周波数解析データにより測定された、付記１３に記載の学習済みモデルにより前記検査用血液試料に含まれるヘモグロビンの種別を判別する判別部と、
前記判別部により判別されたヘモグロビンの種別毎の前記検査用血液試料に含まれる量を出力する出力部と、
を備えた、ヘモグロビンの分析システム。
【0114】
（付記１５）
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを入力させ、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して生成された検査用周波数解析データを入力させ、
学習済みモデルに基づいて前記検査用血液試料に含まれるヘモグロビンの種別を出力させる、
処理をコンピュータに実行させる、プログラム。
ヘモグロビンの種別が既知である学習用血液試料に対する分離処理により生成された分離データを周波数解析して生成された学習用周波数解析データを含む学習用データ及び前記既知のヘモグロビンの種別を、機械学習の学習用データセットとして用いることにより生成された学習済みモデルを入力させ、
ヘモグロビンの種別が未知である検査用血液試料に対する分離処理により生成された分離データを周波数解析して生成された検査用周波数解析データを入力させ、
学習済みモデルに基づいて前記検査用血液試料に含まれるヘモグロビンの種別を出力させる、
処理をコンピュータに実行させる、プログラム。
【符号の説明】
【0115】
１０ ＨＰＬＣ装置
１１ ＨＰＬＣ装置
１２ 試料調製ユニット
１２Ｎ ノズル
１６ 測光ユニット
１８ 採血管
２０ 血液試料
２２ 溶離液ボトル
２４ 希釈槽
２６ 表示ユニット
５８ 分析ユニット
６０ 分析カラム
６１ マニホールド
６２ 送液ポンプ
６３ インジェクションバルブ
６４ インジェクションループ
８０ 配管
８３ 配管
８４ 配管
８５ 配管
８６ 配管
８７ 配管
８８ 廃液槽
１００ 制御部
１００Ａ ＣＰＵ
１００Ｂ ＲＯＭ
１００Ｃ ＲＡＭ
１００Ｄ 不揮発性メモリ
１００Ｅ 入出力インターフェース
１００Ｆ バス
１０１ 制御部
１１ ＨＰＬＣ装置
１２ 試料調製ユニット
１２Ｎ ノズル
１６ 測光ユニット
１８ 採血管
２０ 血液試料
２２ 溶離液ボトル
２４ 希釈槽
２６ 表示ユニット
５８ 分析ユニット
６０ 分析カラム
６１ マニホールド
６２ 送液ポンプ
６３ インジェクションバルブ
６４ インジェクションループ
８０ 配管
８３ 配管
８４ 配管
８５ 配管
８６ 配管
８７ 配管
８８ 廃液槽
１００ 制御部
１００Ａ ＣＰＵ
１００Ｂ ＲＯＭ
１００Ｃ ＲＡＭ
１００Ｄ 不揮発性メモリ
１００Ｅ 入出力インターフェース
１００Ｆ バス
１０１ 制御部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【手続補正書】
【提出日】2024-04-09
【手続補正1】
【補正対象書類名】明細書
【補正対象項目名】００５７
【補正方法】変更
【補正の内容】
【0057】
ステップＳ４８において、ＣＰＵ１００Ａは、ＲＡＭ１００Ｃに記憶された標準化データについてウェーブレット解析を行い、図６に示されるようなウェーブレット解析データを作成する。そして、ＣＰＵ１００Ａは、作成したウェーブレット解析データをＲＯＭ１００Ｂに記録させる。その後、ＣＰＵ１００Ａは、ステップ５０へと移行する。ステップＳ５０において、ＣＰＵ１００Ａは、ＲＯＭ１００Ｂに記録されたウェーブレット解析データを学習済みモデル１２０Ｃに入力し、未知試料に含まれるヘモグロビンの種別を出力する。その後、ＣＰＵ１００Ａは、第二プログラム１２０Ｂによる処理を終了する。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】００５９
【補正方法】変更
【補正の内容】
【0059】
例えば、ステップＳ５０において、ＣＰＵ１００Ａは、未知試料に含まれるヘモグロビンの種別が判明しなかった場合は、ヘモグロビンの種別が判明しなかったことを表示ユニット２６に表示させてもよい。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】００６０
【補正方法】変更
【補正の内容】
【0060】
一方、ステップＳ５０において、未知試料に含まれるヘモグロビンの種別が判明した場合は、さらに別の処理を行ってもよい。例えば、ＣＰＵ１００Ａは、未知試料のクロマトグラムの対象となるヘモグロビン種別に対応するピークの値から、ヘモグロビン種別毎に未知試料に含まれるヘモグロビンの量を算出し、算出した値を表示ユニット２６に表示させてもよい。