细胞分析方法、深度学习算法的训练方法、细胞分析装置、深度学习算法的训练装置、细胞分析程序和深度学习算法的训练程序与流程

1.本说明书公开细胞分析方法、深度学习算法的训练方法、细胞分析装置、深度学习算法的训练装置、细胞分析程序和深度学习算法的训练程序。
2.发明背景
3.专利文献1中公开了对外周血所含的血细胞等的细胞种类进行分析的细胞分析装置。这样的细胞分析装置中，例如对在流动池内流动的外周血中的细胞照射光，取得由被光照射的细胞得到的散射光、荧光的信号强度。分别提取从多个细胞取得的信号强度的峰值，在散点图上展开。对散点图上的多个细胞进行聚类分析，确定属于各聚类的细胞种类。
4.专利文献2中记载了利用成像流式细胞仪对细胞种类进行分类的方法。
5.现有技术文献
6.专利文献
7.专利文献1:日本特开昭63－180836号公报
8.专利文献2:国际公开第2018/203568号
9.发明概述
10.发明所要解决的课题
11.想要以这种方式基于散点图确定细胞种类的情况下，例如在待测物中存在前体细胞、淋巴瘤细胞等健康人外周血中通常不会出现的细胞时，在聚类分析中，有时会被分类为正常细胞。
12.此外，因为聚类分析是统计性分析方法，所以在散点图中展开的细胞数少的情况下，有时是难以进行聚类分析的。
13.进一步，专利文献2记载的方法中，为了更准确地进行细胞种类的判定，采用了对流动池内流动的细胞进行拍照、照射结构照明的方法。因此，存在无法使用以往取得了散点图的检测系统的课题。
14.本发明一个实施方式的课题在于，进一步提高精度，以能够对同一聚类内出现的不同种类的细胞进行判定。此外，本发明一个实施方式的课题在于，提供可应用于以往测定了散点图的测定装置的细胞种类判定方法。
15.用于解决课题的方法
16.参照图4，本实施方式的某实施方式涉及一种使用神经网络结构的深度学习算法(60)对生物试样所含的细胞进行分析的细胞分析方法。细胞分析方法包括：使细胞在流路内流过，取得关于在流路内通过的各个细胞的信号强度，将与取得的关于各个细胞的信号强度对应的数值数据输入深度学习算法(60)，基于从深度学习算法(60)输出的结果，对每个细胞判定取得了信号强度的细胞的种类。根据本实施方式，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。
17.细胞分析方法中，优选信号强度是从通过流路内的规定位置的各个细胞对每个细
胞在细胞通过规定位置期间的多个时刻取得的，取得的信号强度与取得信号强度的时刻的相关信息对应存储。通过设为这样的实施方式，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。此外，通过获得取得信号强度的时刻的相关信息，能够在从1个细胞接收到多个信号的情况下使数据同步。
18.细胞分析方法中，优选多个时刻信号强度的取得从各个细胞中的信号强度达到规定值的时刻开始，在信号强度的取得开始后的规定时间后结束。通过设为这样的实施方式，能够更准确地进行判定。此外，还能够减少取得的数据的容量。
19.细胞分析方法中，优选信号为光信号或电信号。
20.更优选为光信号，是根据对通过流动池的各个细胞照射光而得到的信号。此外，规定位置是在流动池(4113、551)内对细胞照射光的位置。进一步优选光为激光、光信号为从散射光信号和荧光信号选择的至少一种。进一步更优选光信号为侧向散射光信号、前向散射光信号和荧光信号。通过设为这样的实施方式，能够提高流式细胞仪中细胞种类的判定精度。
21.细胞分析方法中，输入深度学习算法(60)的与信号强度对应的数值数据包括组合了每个细胞在同一时刻取得的侧向散射光信号、前向散射光信号和荧光信号的信号强度的信息。通过设为这样的实施方式，能够使深度学习算法的判定精度更高。
22.分析方法中，信号为电信号时，测定部具备鞘流电阻方式的检测部。通过设为这样的实施方式，可以基于以鞘流电阻方式测定的数据，判定细胞种类。
23.细胞分析方法中，深度学习算法(60)对每个细胞算出取得了信号强度的细胞属于与深度学习算法(60)的输出层(60b)关联的多个细胞种类的概率。优选深度学习算法(60)输出取得了信号强度的细胞所属概率最高的细胞种类的标签值82。通过设为这样的实施方式，能够将判定结果呈现给使用者。
24.细胞分析方法中，基于取得了信号强度的细胞所属概率最高的细胞种类的标签值，对于分别属于多个细胞种类的细胞数进行计数，输出其结果。或者，基于取得了信号强度的细胞所属概率最高的细胞种类的标签值，算出分别属于多个细胞种类的细胞的比例，输出其结果。通过设为这样的实施方式，能够求出生物试样所含的细胞种类的比例。
25.细胞分析方法中，生物试样优选为血液试样。更优选细胞种类包括选自由中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞组成的组的至少一种。进一步优选细胞种类包括选自由下述(a)和(b)组成的组的至少一种。这里，(a)为未成熟粒细胞，(b)为选自由肿瘤细胞、淋巴母细胞、浆细胞、异型淋巴细胞、从原成红细胞、嗜碱性成红细胞、多染性成红细胞、正色成红细胞、原巨成红细胞、嗜碱性巨幼红细胞、多色巨幼红细胞和正色巨幼红细胞选择的有核红细胞、以及巨核细胞组成的组的至少一种异常细胞。通过设为这样的实施方式，能够对血液试样所含的未成熟粒细胞和异常细胞进行种类判定。
26.此外，细胞分析方法中，生物试样为血液试样、细胞种类含有异常细胞时，存在通过深度学习算法(60)判定为异常细胞的细胞的情况下，处理部(20)可以输出生物试样中含有异常细胞。
27.细胞分析方法中，生物试样也可以为尿。通过设为这样的实施方式，也可对尿所含的细胞进行判定。
28.本实施方式的某实施方式涉及生物试样所含细胞的分析方法。细胞分析方法中，
使前述细胞在流路中流过，从通过前述流路内的规定位置的各个细胞，对每个前述细胞取得前述细胞通过前述规定位置期间的多个时刻关于散射光和荧光的信号强度，基于以取得的关于各个细胞的多个时刻的信号强度为样本进行识别的结果，对每个细胞进行细胞种类的判定。根据本实施方式，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。
29.本实施方式的某实施方式涉及对用于分析生物试样中的细胞的神经网络结构的深度学习算法(50)进行训练的方法。使生物试样所含的细胞在可对单个细胞进行检测的测定部内的细胞检测用流路中流过，将与关于在流路内通过的各个细胞取得的信号强度对应的数值数据作为第1训练数据输入深度学习算法的输入层，将与取得了信号强度的细胞对应的细胞种类信息作为第2训练数据输入深度学习算法。根据本实施方式，能够生成用于对无法用以往的细胞分析装置判定的各个细胞种类进行判定的深度学习算法。
30.涉及使用本实施方式的具有神经网络结构的深度学习算法(60)，对每个细胞进行细胞种类的判定的细胞分析装置(4000、4000’)。细胞分析装置(4000、4000’)具备处理部(20)，处理部(20)在可对单个细胞进行检测的测定部的细胞检测用流路中流动的生物试样所含的细胞在流路内通过时，取得关于各个细胞的信号强度，将与取得的关于各个细胞的信号强度对应的数值数据输入深度学习算法(60)，基于从深度学习算法输出的结果，对每个细胞判定取得了信号强度的细胞的种类。根据本实施方式，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。
31.进一步，细胞分析装置(4000、4000’)具备在可对单个细胞进行检测的测定部的细胞检测用流路中流动的生物试样所含的细胞在流路内通过时取得关于各个细胞的信号强度的测定部(400)。根据本实施方式，利用具备测定部的细胞分析装置，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。
32.本实施方式的某实施方式涉及对用于分析生物试样中的细胞的神经网络结构的深度学习算法(50)进行训练的训练装置(100)。训练装置具备处理部(100)，处理部(10)使生物试样所含的细胞在可对单个细胞进行检测的测定部内的细胞检测用流路中流过，将与关于在流路内通过的各个细胞取得的信号强度对应的数值数据作为第1训练数据输入深度学习算法的输入层，将与取得了信号强度的细胞对应的细胞种类信息作为第2训练数据输入深度学习算法。根据本实施方式，能够生成用于判定无法用以往的细胞分析装置判定的细胞种类的深度学习算法。
33.本实施方式的某实施方式涉及用于使用神经网络结构的深度学习算法(60)对生物试样所含的细胞进行分析的计算机程序。计算机程序在处理部(20)运行具备下述步骤的处理：使生物试样所含的细胞在可对单个细胞进行检测的测定部内的细胞检测用流路中流过，取得关于在流路内通过的各个细胞的信号强度的步骤；将与取得的关于各个细胞的信号强度对应的数值数据输入深度学习算法的步骤；以及基于从深度学习算法输出的结果，对每个细胞判定取得了信号强度的细胞种类的步骤。根据本实施方式，利用具备测定部的细胞分析装置，能够对无法用以往的细胞分析装置判定的细胞种类进行判定。
34.本实施方式的某实施方式涉及用来训练用于分析生物试样中的细胞的神经网络结构的深度学习算法(50)的计算机程序。计算机程序在处理部(10)运行具备下述步骤的处理：使生物试样所含的细胞在可对单个细胞进行检测的测定部内的细胞检测用流路中流过，将与关于在流路内通过的各个细胞取得的信号强度对应的数值数据作为第1训练数据
输入深度学习算法的输入层的步骤；以及将与取得了信号强度的细胞对应的细胞种类信息作为第2训练数据输入深度学习算法的步骤。根据本实施方式，能够生成用于判定无法用以往的细胞分析装置判定的细胞种类的深度学习算法。
35.发明效果
36.能够判定无法通过以往的细胞分析法进行判定的细胞种类。因此，能够提高细胞的判定精度。
附图说明
37.图1中，(a)显示的是健康人血液的散点图的例子。(b)显示的是非健康血液的散点图的例子。(c)显示的是以往的散点图中的显示例。(d)显示的是波形数据的例子。(f)显示的是深度学习算法的示意图。(g)显示的是细胞的判定例。
38.图2显示的是训练数据生成方法的例子。
39.图3显示的是标签值的例子。
40.图4显示的是分析用数据生成方法的例子。
41.图5显示的是细胞分析装置外观的例子。
42.图6显示的是测定单元的框图。
43.图7显示的是流式细胞仪光学体系概要的例子。
44.图8显示的是测定单元的试样制备部的概要的例子。
45.图9中，(a)显示的是红细胞/血小板检测部的概要的例子。(b)显示的是通过鞘流电阻方式检测到的细胞的直方图。
46.图10显示的是测定单元的框图。
47.图11显示的是流式细胞仪光学体系的概要的例子。
48.图12显示的是测定单元的试样制备部的概要的例子。
49.图13显示的是波形数据分析系统的概要的例子。
50.图14显示的是供应侧装置的框图。
51.图15显示的是用户侧装置的框图。
52.图16显示的是供应侧装置的功能块图的例子。
53.图17显示的是用于生成训练数据的处理部的动作的流程图例子。
54.图18显示的是用于对神经网络进行说明的示意图。(a)显示的是表示神经网络的概要的示意图。(b)显示的是表示各节点中的运算的示意图。(c)显示的是表示节点间的运算的示意图。
55.图19显示的是用户侧装置的功能块图的例子。
56.图20显示的是用于生成分析用数据的处理部的动作的流程图例子。
57.图21显示的是波形数据分析系统的概要的例子。
58.图22显示的是波形数据分析系统的功能块图。
59.图23显示的是波形数据分析系统的概要的例子。
60.图24显示的是波形数据分析系统的功能块图。
61.图25显示的是输出数据的例子。
62.图26显示的是参照法得到的判定结果和使用深度学习算法的判定结果的混合矩
阵。
63.图27中，(a)显示的是中性粒细胞的roc曲线。(b)显示的是淋巴细胞的roc曲线。(c)显示的是单核细胞的roc曲线。
64.图28中，(a)显示的是嗜酸性粒细胞的roc曲线。(b)显示的是嗜碱性粒细胞的roc曲线。(c)显示的是控制血液(control blood)(cont)的roc曲线的roc曲线。
具体实施方式
65.以下，参照附图详细地对本发明的概要和实施方式进行说明。需说明的是，以下的说明和附图中，设为相同的符号表示相同或类似的构成要素，因此省略了关于相同或类似的构成要素的说明。
66.[1.细胞分析方法]
[0067]
本实施方式涉及对生物试样所含的细胞进行分析的细胞分析方法。分析方法将与关于各个细胞的信号强度对应的数值数据输入具有神经网络结构的深度学习算法。然后，基于从深度学习算法输出的结果，对每个细胞判定取得了信号强度的细胞的种类。
[0068]
使用图1对本实施方式的概要的例子进行说明。图1中(a)显示的是，以健康血液为生物试样，用流式细胞仪测定生物试样所含的各个细胞的荧光和散射光的信号强度，将其结果用散点图表示。横轴表示侧向散射光、纵轴表示侧向荧光的信号强度。此外，(b)与(a)同样地，显示的是，以非健康血液为生物试样，用流式细胞仪测定生物试样所含的各个细胞的侧向荧光和侧向散射光的信号强度，将其结果用散点图表示。(a)和(b)所示的图用于使用以往的流式细胞仪的白细胞分类。但是，一般在血液内含有非健康血细胞的情况下，是与健康血细胞混合存在的，因此如(c)所示健康血细胞的点与非健康血细胞的点重合。
[0069]
本实施方式中，制作散点图时，着眼于显示从1个细胞取得的来自各个细胞的信号强度的数据。图1(d)中，fsc显示的是表示前向散射光的信号强度的数据，ssc表示侧向散射光的波形数据，sfl所示的图显示的是表示侧向荧光的信号强度的数据。这里，图1(d)中，方便起见，以绘制的波形的方式显示，但本实施方式中，波形所表示的数据的意图是以表示取得信号强度的时间的值和表示该时刻的信号强度的值为要素的数据组，而不是绘制的波形形状本身。需说明的是，数据组是指数列数据或矩阵数据。图1(d)中，各个细胞通过规定位置时，开始信号强度的取得，规定时间后开始测定。
[0070]
本实施方式中，用图1(f)所示深度学习算法50、60学习每个细胞种类的波形数据，基于由学习的深度学习算法输出的结果，导出生物试样所含的各个细胞种类的判定结果(图1(g))。以下，也将出于判定细胞种类的目的而用于分析的生物试样中的各个细胞称为“分析对象细胞”。换句话说，生物试样可包含多个分析对象细胞。多个细胞可包含作为分析对象的多种细胞。
[0071]
作为生物试样，可以列举从受试者采集的生物试样。例如，生物试样例如可包括外周血、静脉血、动脉血等血液、尿、血液和尿以外的体液。作为血液和尿以外的体液，可包括骨髓、腹水、胸水、脊髓液等。以下，有时简单地将血液和尿以外的体液称为“体液”。血液试样只要是能够进行细胞数的计数和细胞种类的判定的状态即可，没有限定。血液优选为外周血。例如，血液可以列举使用乙二胺四乙酸钠盐或钾盐、肝素钠等抗凝剂采集的外周血。外周血可以从动脉采集，也可以从静脉采集。
[0072]
本实施方式中所要判定的细胞种类是以基于形态学分类的细胞种类为基准的，根据生物试样的种类的不同而不同。生物试样为血液时，血液为从健康人采集的血液的情况下，本实施方式中所要判定的细胞种类包括红细胞、白细胞等有核细胞、血小板等。有核细胞包括中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞包括分叶核中性白细胞和杆状核中性粒细胞。另一方面，血液为从非健康人采集的血液的情况下，有核细胞有时会含有选自由未成熟粒细胞和异常细胞组成的组的至少一种。这样的细胞也包括在本实施方式所要判定的细胞种类中。未成熟粒细胞可以包含后髓细胞、髓细胞、前髓细胞、成髓细胞等细胞。
[0073]
此外，有核细胞中除了含有正常细胞以外，还可以含有健康人外周血中不含有的异常细胞。异常细胞的例子是罹患规定疾病时出现的细胞，例如为肿瘤细胞等。造血系统中，规定的疾病可以是选自由骨髓增生异常综合征、急性成髓细胞性白血病、急性成髓细胞性白血病、急性前髓细胞性白血病、急性骨髓单核细胞性白血病、急性单核细胞性白血病、红白血病、急性原巨核细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、淋巴母细胞性白血病、慢性骨髓性白血病、或慢性淋巴细胞性白血病等白血病、霍奇金淋巴瘤、非霍奇金淋巴瘤等恶性淋巴瘤、以及多发性骨髓瘤组成的组的疾病。
[0074]
进一步，异常细胞可包含淋巴母细胞、浆细胞、异型淋巴细胞、反应性淋巴细胞、原成红细胞、嗜碱性成红细胞、多染性成红细胞、正色成红细胞、原巨成红细胞、嗜碱性巨幼红细胞、多色巨幼红细胞和正色巨幼红细胞等作为有核红细胞的成红细胞、以及包括矮巨核细胞的巨核细胞等健康人外周血中通常看不到的细胞。
[0075]
此外，生物试样为尿时，本实施方式中所要判定的细胞种类可包含红细胞、白细胞、移行上皮、扁平上皮等上皮细胞等。作为异常细胞，可包含细菌、丝状真菌、酵母等真菌、肿瘤细胞等。
[0076]
生物试样为腹水、胸水、脊髓液等通常不含血液成分的体液时，细胞种类可包含红细胞、白细胞、大型细胞。这里所说的“大型细胞”是指，从体腔内膜或内脏腹膜剥离的细胞中比白细胞大的细胞，具体地，相当于间皮细胞、组织细胞、肿瘤细胞等。
[0077]
生物试样为骨髓时，本实施方式中所要判定的细胞种类可包含作为正常细胞的成熟血细胞和幼稚的血细胞系细胞。成熟的血细胞包括红细胞、白细胞等有核细胞、血小板等。白细胞等有核细胞包括中性粒细胞、淋巴细胞、浆细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞。中性粒细胞包括分叶核中性白细胞和杆状核中性粒细胞。幼稚的血细胞系细胞包括造血系干细胞、未成熟粒细胞系细胞、幼稚淋巴细胞系细胞、幼稚单核细胞系细胞、幼稚红细胞系细胞、巨核细胞系细胞、间充质细胞等。未成熟粒细胞可包含后髓细胞、髓细胞、前髓细胞、成髓细胞等细胞。幼稚淋巴细胞系细胞包括淋巴母细胞等。幼稚单核细胞系细胞包括原始单核细胞等。幼稚红细胞系细胞包括原成红细胞、嗜碱性成红细胞、多染性成红细胞、正色成红细胞、原巨成红细胞、嗜碱性巨幼红细胞、多色巨幼红细胞和正色巨幼红细胞等有核红细胞。巨核细胞系细胞包括原巨核细胞等。
[0078]
作为骨髓可含有的异常细胞，可以列举上述选自骨髓增生异常综合征、急性成髓细胞性白血病、急性成髓细胞性白血病、急性前髓细胞性白血病、急性骨髓单核细胞性白血病、急性单核细胞性白血病、红白血病、急性原巨核细胞性白血病、急性骨髓性白血病、急性淋巴细胞性白血病、淋巴母细胞性白血病、慢性骨髓性白血病、或慢性淋巴细胞性白血病等
白血病、霍奇金淋巴瘤、非霍奇金淋巴瘤等恶性淋巴瘤、和多发性骨髓瘤组成的组的造血系肿瘤细胞、发生在骨髓以外的器官中的恶性肿瘤转移肿瘤细胞。
[0079]
图1显示的是使用光信号(前向散射光信号、侧向散射光信号、侧向荧光信号)作为信号的例子。但是，信号例如也可以是电信号。此外，光信号是对细胞照射光时从细胞发出的光的信号。光信号可包括从散射光信号和荧光信号选择的至少一种。此外，本说明书中，光例如可以以相对于流路内的细胞的流动直射方式进行照射。“前向”是指从光源发出的光的行进方向。“前向”可包括在将照射光的角度设为0度时光接收角度在0至5度附近的前向低角和/或光接收角度在5至20度附近的前向高角。“侧向”只要不与“前向”重合就没有限制。“侧向”可包括将照射光的角度设为0度时光接收角度在25度至155度附近、优选在45度至135度附近、更优选在90度附近。本实施方式中，不限定信号的种类，有时将以表示取得信号强度的时间的值和表示该时刻的信号强度的值为要素的数据组(数列数据或矩阵数据、优选为一维数列数据)统称为波形数据。
[0080]
本实施方式的细胞分析方法中，细胞种类的判定不限定于使用深度学习算法的方法。也可以从通过流路内的规定位置的各个细胞，对每个前述细胞，取得前述细胞通过前述规定位置期间的多个时刻中信号强度，基于以取得的关于各个细胞的多个时刻的信号强度为样本进行识别的结果，判定细胞种类。样本可以以多个时刻的信号强度的数量值样本的形式识别，在将多个时刻的信号强度以图形形式绘图情况下，也可以以形状样本形式识别。以数值样本形式识别时，通过对作为分析对象的细胞的数量值样本与细胞种类已知的数值样本进行比较，能够判定细胞种类。作为分析对象的细胞的数量值样本与对照的数量值样本的比较，例如可以使用斯皮尔曼等级相关、z分数等。通过对作为分析对象的细胞的图形形状样本与细胞种类已知的图形形状样本进行比较，能够判定细胞种类。作为分析对象的细胞的图形形状样本与细胞种类已知的图形形状样本的比较，例如可以使用几何学形状样本匹配，也可以使用sift descriptor所代表的特征描述符。
[0081]
＜细胞分析方法的概要＞
[0082]
接下来，使用图2～图4所示例子对训练数据75的生成方法和波形数据的分析方法进行说明。
[0083]
＜训练数据的生成＞
[0084]
图2所示例子是，为了对用于判定白细胞、未成熟粒细胞、异常细胞种类的深度学习算法进行训练而使用的训练用波形数据生成方法的一例。前向散射光的波形数据70a、侧向散射光的波形数据70b和侧向荧光的波形数据70c与训练对象细胞相关联。从训练对象细胞取得的训练用波形数据70a、70b、70c也可以是利用流式细胞术对细胞种类基于形态学分类已知的细胞测得的波形数据。或者，也可以使用根据健康人的散点图已判定细胞种类的细胞的波形数据。此外，作为判定健康人的细胞种类的波形数据，可以使用从多个人取得的细胞的波形数据池。用于取得训练用波形数据70a、70b、70c的待测物优选从含有训练对象细胞的同种细胞的试样，通过与含有训练对象细胞的待测物同样的待测物处理方法进行了处理。此外，训练用波形数据70a、70b、70c优选在与分析对象细胞的取得条件同样的条件下取得。训练用波形数据70a、70b、70c例如可以通过公知的流式细胞术、鞘流电阻法预先针对每个细胞取得。这里，训练对象细胞为红细胞或血小板时，存在训练数据是通过鞘流电阻法取得的波形数据、波形数据是由电信号强度得到的一种的情况。
[0085]
图2所示例子中，使用的是利用sysmex xn－1000通过流式细胞术取得的训练用波形数据70a、70b、70c。训练用波形数据70a、70b、70c例如是下述例子：从前向散射光达到规定的阈值后，开始前向散射光的信号强度、侧向散射光的信号强度、侧向荧光的信号强度的取得，规定时间后，取得结束，在此期间，以一定间隔在多个时刻对1个训练对象细胞取得各波形数据。作为以一定间隔取得多个时刻的波形数据的例子，可以列举例如，以10纳秒间隔取得1024点、以80纳秒间隔取得128点或以160纳秒间隔取得64点等。各波形数据是，使生物试样所含的细胞在流式细胞仪和鞘流电阻方式的测定装置等具备的可对单个细胞进行检测的测定部内的细胞检测用流路中流过，对于在流路内通过的各个细胞取得的。具体地，在1个训练对象细胞通过流路内的规定位置期间的多个时刻，对每个信号，取得以表示取得信号强度的时间的值和表示该时刻的信号强度的值为要素的数据组，作为训练用波形数据70a、70b、70c使用。关于时刻相关的信息，只要是能够以后述处理部10、20可判定信号强度的取得开始后经过了多久的方式存储即可，没有限制。例如，时刻的信息可以是测定开始后的时间，也可以是第几个点。优选信号强度与取得该信号强度的时刻的信息一起存储在后述存储部13、23或内存12、22中。
[0086]
图2的训练用波形数据70a、70b、70c分别用原始数据的值表示，例如为前向散射光的数列数据72a、侧向散射光的数列数据72b、侧向荧光的数列数据72c。数列数据72a、72b、72c是，使取得每个训练对象细胞信号强度的时刻同步，前向散射光的数列数据76a、侧向散射光的数列数据76b、侧向荧光的数列数据76c。即，从76a左侧开始第2个数量值按开始测量的时刻t＝0的信号强度计为10。同样地从76b和76c左侧开始第2个数量值按开始测量的时刻t＝0的信号强度计分别为50和100。此外，76a、76b、76c各自内部相邻的单元以10纳秒间隔存储信号强度。数列数据76a、76b、76c与表示训练对象细胞种类的标签值77组合，以同时刻的3个信号强度(前向散射光的信号强度、侧向散射光的信号强度和侧向荧光的信号强度)为一组的方式，作为训练数据75输入深度学习算法50。例如，训练对象细胞为中性粒细胞时，在数列数据76a、76b、76c，作为表示是中性粒细胞的标签值77，标为“1”，生成训练数据75。图3显示的是标签值77的例子。训练数据75针对每个细胞种类生成，因此，标签值是，根据细胞种类标为不同的标签值77。这里，取得信号强度的时刻的同步是指，例如以距离测定开始的时间在前向散射光的数列数据72a、侧向散射光的数列数据72b、侧向荧光的数列数据72c中在同时刻组合的方式，使测定点一致。换句话说，意思是以前向散射光的数列数据72a、侧向散射光的数列数据72b、侧向荧光的数列数据72c分别为在流动池内通过的一个细胞中，在同一时刻的取得的信号强度的方式进行调整。测定开始的时间可以设为前向散射光的信号强度超过阈值等规定的阈值的时刻，也可以使用其他散射光或荧光的信号强度的阈值。此外，还可以每个数列数据设定阈值。
[0087]
数列数据76a、76b、76c可以直接使用取得的信号强度值，也可以根据需要进行降噪、基线校正、标准化等处理。本说明书中，“与信号强度对应的数值数据”可包括取得的信号强度值本身和根据需要实施了降噪、基线校正、标准化等的值。
[0088]
＜深度学习的概要＞
[0089]
以图2为例对神经网络的训练的概要进行说明。神经网络50优选为卷积神经网络。神经网络50中的输入层50a的节点数与输入的训练数据75的波形数据所含的排列数对应。训练数据75以数列数据76a、76b、76c取得信号强度的时刻为同时刻的方式组合，作为第1训
练数据输入神经网络50的输入层50a。训练数据75的各波形数据的标签值77作为第2训练数据输入神经网络的输出层50b，对神经网络50进行训练。图2的符号50c表示中间层。
[0090]
＜波形数据的分析方法＞
[0091]
图4显示的是对作为分析对象的细胞的波形数据进行分析的方法的例子。波形数据的分析方法中，由从分析对象细胞取得的前向散射光的波形数据80a、侧向散射光的波形数据80b和侧向荧光的波形数据80c生成分析数据85。分析用波形数据80a、80b、80c例如可以使用公知的流式细胞术来取得。图4所示例子中，分析用波形数据80a、80b、80c是使用sysmex xn－1000，与训练用波形数据70a、70b、70c同样地取得的。如果将分析用波形数据80a、80b、80c分别用原始数据的值表示，则例如为前向散射光的数列数据82a、侧向散射光的波形数据82b和侧向荧光的波形数据82c。
[0092]
关于分析数据85的生成和训练数据75的生成，优选至少使取得条件和从各波形数据等生成输入神经网络的数据的条件相同。数列数据82a、82b、82c中每个训练对象细胞取得信号强度的时刻是同步的，形成数列数据86a(前向散射光)、数列数据86b(侧向散射光)、数列数据86c(侧向荧光)。数列数据86a、86b、86c以同时刻的3个信号强度(前向散射光的信号强度、侧向散射光的信号强度和侧向荧光的信号强度)构成一组的方式组合，作为分析数据85输入深度学习算法60。
[0093]
如果将分析数据85输入训练好的构成深度学习算法60的神经网络60的输入层60a，则作为训练数据从输出层60b输入的细胞种类分别输出属于取得分析数据85的分析对象细胞的概率。图4的符号60c表示中间层。进一步，也可以判断取得分析数据85的分析对象细胞属于该概率中值最高的分类，输出与该细胞种类关联的标签值82等。输出的细胞相关的分析结果83除了可以为标签值本身以外，还可以是将标签值替换为表示细胞种类的信息(例如术语等)的数据。图4中显示的是下述例子：基于分析数据85，深度学习算法60输出取得了分析数据85的分析对象细胞所属概率最高的标签值“1”，进一步，与该标签值对应的“中性粒细胞”的文字数据作为细胞相关的分析结果83输出。标签值的输出可以是深度学习算法60进行的，也可以是其他计算机程序基于深度学习算法60算出的概率输出最优选的标签值。
[0094]
[2.细胞分析装置和细胞分析装置中的生物试样的测定]
[0095]
本实施方式的波形数据可在第1细胞分析装置4000或第2细胞分析装置4000’中取得。图5(a)显示的是细胞分析装置4000的外观。图5(b)显示的是细胞分析装置4000’的外观。图5(a)中，细胞分析装置4000具备测定单元(也称为测定部)400和用于控制测定单元400中的试样的测定条件设定、测定的处理单元300。图5(b)中，细胞分析装置4000’具备测定单元(也称为测定部)500和用于控制测定单元500中的试样的测定条件设定、测定的处理单元300。测定单元400、500与处理单元300可以以可相互通信的方式有线或无线连接。以下给出测定单元400、500的构成例，但不应解释为本实施方式的实施方式受以下例示的限定。处理单元300也可以与后述供应装置100或使用者装置200共用。处理单元300的框图与供应装置100或使用者装置200是同样的。
[0096]
＜第1细胞分析装置和测定试样的制备＞
[0097]
(第1测定单元的构成)
[0098]
使用图6至图8对第1测定单元400为用于检测血液试样的有核细胞的流式细胞仪
时的构成例(测定单元400)进行说明。
[0099]
图6显示的是测定单元400的框图的例子。如该图所示，测定单元400具备对血细胞进行检测的检测部410、针对检测部410的输出的模拟处理部420、测定单元控制部480、显示/操作部450、试样制备部440和装置机构部430。模拟处理部420对作为从检测部输入的模拟信号的电信号进行包括降噪的处理，将处理过的结果以电信号形式向a/d转换部482输出。
[0100]
检测部410具备至少对白细胞等有核细胞进行检测的有核细胞检测部411、对红细胞数和血小板数进行测定的红细胞/血小板检测部412、以及根据需要对血液中的血色素量进行测定的血红蛋白检测部413。需说明的是，有核细胞检测部411由光学式检测部构成，更具体地，具备用于利用流式细胞术法进行检测的构成。
[0101]
如图6所示，测定单元控制部480具备a/d转换部482、数值运算部483和与处理单元300连接的界面部489。进一步，测定单元控制部480具备存在于与显示/操作部450之间的界面部486和存在于与装置机构部430之间的界面部488。
[0102]
需说明的是，数值运算部483介由界面部484和总线485与界面部489连接。此外，界面部489介由总线485和界面部486与显示/操作部450连接，介由总线485和界面部488与检测部410、装置机构部430和试样调整部440连接。
[0103]
a/d转换部482将从模拟处理部420输出的作为模拟信号的受光信号转换为数字信号，向数值运算部483输出。数值运算部483对从a/d转换部482输出的数字信号进行规定的运算处理。作为规定的运算处理，例如包括但不限于：前向散射光达到规定的阈值后，开始前向散射光的信号强度、侧向散射光的信号强度、侧向荧光的信号强度的取得，规定时间后，取得结束，在此期间，以一定间隔在多个时刻对1个训练对象细胞取得各波形数据的处理；提取波形数据的峰值的处理等。然后，数值运算部483将运算结果(测定结果)介由界面部484、总线485和界面部489向处理单元300输出。
[0104]
处理单元300介由界面部484、总线485、和界面部489与数值运算部483连接，能够使处理单元300接收从数值运算部483输出的运算结果。此外，处理单元300进行由自动供应试样容器的取样器(图示省略)、用于试样的制备/测定的流体系等构成的装置机构部430的控制和其他控制。
[0105]
有核细胞检测部411使含有细胞的测定试样在细胞检测用流路中流过，对流经细胞检测用流路的细胞照射光，测得由细胞产生的散射光和荧光。红细胞/血小板检测部412使含有细胞的测定试样在细胞检测用流路中流过，测得流经细胞检测用流路的细胞的电阻，检测细胞的体积。
[0106]
本实施方式中，优选测定单元400具备流式细胞仪和/或鞘流电阻方式的检测部。图6中，有核细胞检测部411可以是流式细胞仪。图6中，红细胞/血小板检测部412可以是鞘流电阻方式的检测部。这里，可以用红细胞/血小板检测部412测定有核细胞，也可以用有核细胞检测部411测定红细胞和血小板。
[0107]
·
流式细胞仪
[0108]
如图7所示利用流式细胞仪进行的测定中，测定试样所含的细胞通过流式细胞仪内具备的流动池(鞘流池)4113时，光源4111向流动池4113照射光，对由于该光而由流动池4113内的细胞产生的散射光和荧光进行检测。
[0109]
本实施方式中，散射光只要是可用一般流通的流式细胞仪测定的散射光即可，没有特别限定。例如，作为散射光，可以列举前向散射光(例如光接收角度0～20度附近)和侧向散射光(光接收角度90度附近)。已知，侧向散射光反映细胞的核、颗粒等细胞内部信息，前向散射光反映细胞大小的信息。本实施方式中，作为散射光强度，优选对前向散射光强度和侧向散射光强度进行测定。
[0110]
荧光是，对与细胞内的核酸等结合的荧光色素照射适当波长的激发光时从荧光色素发出的光。激发光波长和受光波长与所用荧光色素的种类对应。
[0111]
图7显示的是有核细胞检测部411的光学系统的构成例。该图中，从作为光源4111的激光二极管出射的光介由照射透镜系统4112照射于在流动池4113内通过的细胞。
[0112]
本实施方式中，流式细胞仪的光源4111没有特别限定，选择适合波长荧光色素的激发的光源201。作为这样的光源201，例如使用包括红色半导体激光和/或蓝色半导体激光的半导体激光、氩激光、氦氖激光等气体激光、汞弧灯等。尤其是半导体激光，与气体激光相比非常便宜，因而是优选的。
[0113]
如图7所示，从通过流动池4113的粒子发出的前向散射光穿过集光镜4114和针孔部4115被前向散射光接收元件4116接收。前向散射光接收元件4116可以是光电二极管等。侧向散射光穿过集光镜4117、分色镜4118、带通滤波器4119和针孔部4120被侧向散射光接收元件4121接收。侧向散射光接收元件4121可以是光电二极管、光电倍增管等。侧向荧光穿过集光镜4117和分色镜4118被侧向荧光接收元件4122接收。侧向荧光接收元件4122可以是雪崩光电二极管、光电倍增管等。
[0114]
从各受光部4116、4121和4122输出的受光信号分别被具有放大器4151、4152和4153的图6所示模拟处理部420实施放大/波形处理等模拟处理，被传输至测定单元控制部480。
[0115]
回到图6，测定部400可以具备对测定试样进行制备的试样制备部440。试样制备部440介由界面488和总线485被测定单元信息处理部481控制。图8显示的是，在测定部400内具备的试样制备部440中，将血液试样、染色试剂和溶血试剂混合而制备测定试样，用有核细胞检测部对得到的测定试样进行测定的情形。
[0116]
图8中，试样容器00a内的血液试样由移液器601吸取。用移液器601定量的血液试样与规定量的稀释液混合并被送至反应室602。在反应室602中添加规定量的溶血试剂。在反应室602中供应规定量的染色试剂，与上述混合物混合。使血液试样与染色试剂和溶血试剂的混合物在反应室602中反应规定的时间，从而使血液试样中的红细胞溶血，得到有核细胞被荧光色素染色的测定试样。
[0117]
得到的测定试样与鞘液(例如cell pack(ii)，希森美康株式会社制)一起被送至有核细胞检测部411内的流动池4113，在有核细胞检测部411，通过流式细胞术被测定。
[0118]
·
鞘流式电阻检测部
[0119]
如图9(a)所示，作为鞘流式电阻检测部的红细胞/血小板检测部412具备室壁412a、测定细胞的电阻的孔径部412b、供应试样的试样喷嘴412c以及回收通过孔径部412b的细胞的回收管412d。室壁412a内的试样喷嘴412c和回收管412d周围充满鞘液。符号412s所示虚线箭头表示鞘液流动的方向。从试样喷嘴排出的红细胞412e和血小板412f包裹在鞘液的液流412s中通过孔径部412b。孔径部412b施加了一定电压的直流电压，以在仅有鞘液
流过期间有一定的电流流通的方式进行控制。细胞难以通电、即电阻大，因此如果细胞通过孔径部412b，则电阻发生变化，因此能够对细胞通过孔径部412b的次数及其电阻进行检测。电阻与细胞的体积成比例增大，因此，图6所示测定单元信息处理部481能够算出通过孔径部412b的细胞的体积，将单位体积的细胞的计数以图9(b)所示直方图的形式显示在图6所示的显示部/操作部450，介由总线487和界面部489传输至处理单元300。与电阻值相关的信号与对于上述由光得到的信号的处理同样地，经过图6所示模拟处理部420、a/d转换部482、数值运算部483的处理，以信号强度形式传输至处理单元300。
[0120]
＜第2细胞分析装置和第2细胞分析装置中的生物试样的测定＞
[0121]
(测定装置2的构成)
[0122]
作为第2细胞分析装置4000’的构成例，显示的是测定单元500为用于测定尿试样或体液试样的流式细胞仪时的框图的例子。
[0123]
图10是测定单元500的框图的例子。图10中，测定单元500具备待测物分配部501、试样制备部502和光学检测部505、将该光学检测部505的输出信号(用前置放大器放大的输出信号)放大的放大电路550、对来自放大电路550的输出信号进行滤波处理的滤波电路506、将滤波电路506的输出信号(模拟信号)转换为数值的a/d转换部507、对数值进行规定处理的数值处理电路508、与数值处理电路508连接的内存509、与待测物分配部501、试样制备部502、放大电路550、数值处理电路508和存储装置511a连接的微型计算机511、以及与微型计算机511连接的lan适配器12。处理单元300介由该lan适配器12通过lan电缆与测定单元500连接，利用该处理单元300进行由测定单元500取得的测定数据的分析。光学检测部505、放大电路550、滤波电路506、a/d转换器507、数值处理电路508和内存509构成对测定试样进行测定、生成测定数据的光学测定部510。
[0124]
图11为显示测定单元500的光学检测部505的构成的图。图11中，聚光镜552使从作为光源的半导体激光源553放射的激光在流动池551聚光，集光镜554使从测定试样中的有形成分发出的前向散射光在前向散射光接收部555聚光。此外，其他集光镜556使从有形成分发出的侧向散射光和荧光在分色镜557聚光。分色镜557将侧向散射光向侧向散射光接收部558反射，使荧光向荧光接收部559方向透射。这些光信号反映测定试样中的有形成分的特征。而且，前向散射光接收部555、侧向散射光接收部558和荧光接收部559将光信号转换为电信号，分别输出前向散射光信号、侧向散射光信号和荧光信号。这些输出信号用前置放大器放大后，用于下一阶段的处理。此外，前向散射光接收部555、侧向散射光接收部558和荧光接收部559分别可通过切换驱动电压进行低灵敏度输出和高灵敏度输出的切换。该灵敏度的切换利用后述微型计算机11进行。本实施方式中，使用光电二极管作为前向散射光接收部555，可以使用光电倍增管作为侧向散射光接收部558和荧光接收部55，也可以使用光电二极管作为侧向散射光接收部558和荧光接收部559。需说明的是，从荧光接收部559输出的荧光信号用前置放大器放大后，向分支的两个信号通道供应。两个信号通道分别与图10中所述的放大电路550连接。输入一个信号通道的荧光通过放大电路550高灵敏度地放大。
[0125]
(测定试样的制备)
[0126]
图12是显示图10所示试样制备部502和光学检测部505的概要功能构成的图。图10和图12所示待测物分配部501具备吸引管517和注射泵。待测物分配部501介由吸引管517吸
引待测物(尿或体液)00b，向试样制备部502分注。试样制备部502具备反应槽512u和反应槽512b。待测物分配部501向反应槽512u和反应槽512b分别分配定量的测定试样。
[0127]
在反应槽512u中，分配的生物试样与作为稀释液的第1试剂519u和含有染料的第3试剂518u混合。待测物中的有形成分被第3试剂518u所含的色素染色。生物试样为尿时，该反应槽512u中制备的试样作为用于对红细胞、白细胞、上皮细胞、肿瘤细胞等比较大的尿中有形成分进行分析的第1测定试样使用。生物试样为体液时，反应槽512u中制备的试样作为用于对体液中的红细胞进行分析的第3测定试样使用。
[0128]
另一方面，在反应槽512b中，分配的生物试样与作为稀释液的第2试剂519b和含有染料的第4试剂518b混合。如下所述，第2试剂519b具有溶血作用。待测物中的有形成分被第4试剂518b所含的色素染色。生物试样为尿时，该反应槽512b中制备的试样是用于对尿中的细菌进行分析的第2测定试样。生物试样为体液时，反应槽512b中制备的试样是用于对体液中的有核细胞(白细胞和大型细胞)和细菌进行分析的第4测定试样。
[0129]
从反应槽512u向光学检测部505的流动池551设有管道，可向流动池551供应反应槽512u中制备的测定试样。此外，反应槽512u的出口设有电磁阀521u。从反应槽512b出发也设有管道，该管道与从反应槽2u延伸的管道在中途连接。由此，可向流动池551供应反应槽512b中制备的测定试样。此外，反应槽512u的出口设有电磁阀521b。
[0130]
从反应槽512u、512b至流动池551设置的管道在流动池551附近分支，该分支前端与注射泵520a连接。此外，注射泵520a与分支点之间设有电磁阀521c。
[0131]
分别由反应槽512u、512b延伸的管道的连接点至分支点的途中，管道进一步分支，该分支前端与注射泵520b连接。此外，伸向注射泵520b的管道的分支点与连接点之间设有电磁阀521d。
[0132]
此外，试样制备部502上连接有容纳鞘液的鞘液容纳部522，该鞘液容纳部522通过管道与流动池551连接。鞘液容纳部522上连接有压缩机522a，如果驱动压缩机522a，则向鞘液容纳部522供应压缩空气，从鞘液容纳部522向流动池551供应鞘液。
[0133]
分别在反应槽512u、512b中制备的两种悬浊液(测定试样)中，先是反应槽512u的悬浊液(生物试样为尿时，为第1测定试样。生物试样为体液时，为第3测定试样。)被导入光学检测部505，在流动池551中形成包裹在鞘液中的细流，对此照射激光。然后同样地，反应槽512b的悬浊液(生物试样为尿时，为第2测定试样。生物试样为体液时，为第4测定试样。)被导入光学检测部505，在流动池551中形成细流，照射激光。这样的动作通过利用后述微型计算机511(控制部)的控制使电磁阀521a、521b、521c、521d和驱动部503等做出动作而自动进行。
[0134]
详细地对第1试剂至第4试剂进行说明。第1试剂519u是以缓冲剂为主成分的试剂，以能够不使红细胞溶血、获得稳定的荧光信号的方式含有渗透压补偿剂，以形成适合分类测定那样的渗透压的方式，调整至100～600mosm/kg。优选第1试剂519u对尿中的红细胞没有溶血作用。
[0135]
第2试剂519b与第1试剂519u不同，是具有溶血作用的。这是为了提高后述第4试剂518b对细菌细胞膜的透过性而使染色迅速进行。进一步，还为了使粘液线、红细胞碎片等夹杂物收缩。为了获得溶血作用，第2试剂519b含有表面活性剂。表面活性剂使用阴离子、非离子、阳离子等各种表面活性剂，特别优选阳离子系表面活性剂。利用表面活性剂，能够对细
菌细胞膜产生损伤，因此能够用第4试剂518b含有的色素对细菌的核酸进行高效染色。结果，能够通过短时间的染色处理，进行细菌的测定。
[0136]
作为进一步的其他实施方式，第2试剂519b也可以不是表面活性剂，而是通过调整至酸性或低ph来获得溶血作用。低ph是指ph比第1试剂19u低。第1试剂519u在中性或弱酸性～弱碱性范围内时，第2试剂19b为酸性或强酸性。第1试剂519u的ph为6.0～8.0时，第2试剂519b的ph为比该值低的ph，优选为2.0～6.0。
[0137]
也可以是第2试剂519b含有表面活性剂且被调整为低ph。
[0138]
作为进一步的其他实施方式，第2试剂519b也可以通过设为比第1试剂19u低的渗透压来获得溶血作用。
[0139]
另一方面，第1试剂519u不含表面活性剂。需说明的是，作为另一实施方式，第1试剂519u可以含有表面活性剂，但需要以不会使红细胞溶血的方式对种类和浓度进行调整。因此，优选第1试剂519u不含与第2试剂519b相同的表面活性剂、或者含有相同的表面活性剂但浓度比第2试剂519b低。
[0140]
第3试剂518u是尿中有形成分(红细胞、白细胞、上皮细胞、圆柱等)的测定中使用的染色试剂。作为第3试剂518u所含的染料，为了对不具有核酸的有形成分也进行染色，选择进行膜染色的染料。为了防止红细胞溶血的目的和获得稳定的荧光强度的目的，第3试剂518u优选含有渗透压补偿剂，以形成适合分类测定的渗透压的方式调整至100～600mosm/kg。尿中有形成分的细胞膜、核(膜)被第3试剂18u染色。作为含有进行膜染色的色素的染色试剂，使用的是缩苯衍生物，例如，可以使用花青系色素。需说明的是，第3试剂18u不仅对细胞膜进行染色，也会对核膜进行染色。如果使用第3试剂518u，则白细胞、上皮等有核细胞中，细胞质(细胞膜)的染色强度与核(核膜)的染色强度合并，染色强度比没有核酸的尿中有形成分高。由此，能够将白细胞和上皮等有核细胞与红细胞等没有核酸的尿中有形成分进行区别。作为第3试剂，可以使用美国5891733号公报记载的试剂。美国5891733号公报通过参照并入本说明书。第3试剂518u和第1试剂519u一起与尿或体液混合。
[0141]
第4试剂518b是，即使是含有与细菌和真菌同等大小的夹杂物的待测物，也能够对细菌进行高精度测定的染色试剂。作为第4试剂518b，在欧洲申请公开1136563号公报中有详细说明。作为第4试剂518b所含的染料，优选使用对核酸进行染色的染料。作为含有进行核染色的色素的染色试剂，例如可以使用美国专利7309581号的花青系色素。第4试剂518b和第2试剂519b一起与尿或待测物混合。欧洲申请公开1136563号公报和美国专利7309581号通过参照并入本说明书。
[0142]
因此，优选第3试剂518u含有对细胞膜进行染色的色素，另一方面，第4试剂518b含有对核酸进行染色的色素。尿中有形成分中含有红细胞那样的没有核的细胞，因此，通过第3试剂518u含有对细胞膜进行染色的色素，能够检测尿中有形成分，也包括这样的没有核的细胞。此外，第2试剂能够对细菌的细胞膜造成损伤，因此能够利用第4试剂18b含有的色素对细菌和真菌的核酸进行高效染色。结果，能够通过短时间的染色处理，进行细菌的测定。
[0143]
[3.波形数据分析系统1]
[0144]
＜波形数据分析系统1的构成＞
[0145]
本实施方式的第3实施方式涉及波形数据分析系统。
[0146]
参照图13，第3实施方式涉及的波形数据分析系统具备深度学习装置100a和分析
装置200a。供应侧装置100作为深度学习装置100a而工作，用户侧装置200作为分析装置200a而工作。深度学习装置100a在神经网络50中使用训练数据进行学习，向使用者提供用训练数据训练的深度学习算法60。由学习完的神经网络构成的深度学习算法60通过存储介质98或网络99，由深度学习装置100a向分析装置200a提供。分析装置200a使用由学习完的神经网络构成的深度学习算法60进行分析对象细胞的波形数据分析。
[0147]
深度学习装置100a例如由通用计算机构成，基于后述流程图进行深度学习处理。分析装置200a例如由通用计算机构成，基于后述流程图，进行波形数据分析处理。存储介质98例如是dvd－rom、usb内存等计算机可读取的、非临时的有形存储介质。
[0148]
深度学习装置100a与测定单元400a或测定单元500a连接。测定单元400a或测定单元500a的构成分别与上述测定单元400或测定单元500是同样的。深度学习装置100a取得由测定单元400a或测定单元500a取得的训练用波形数据70。训练用波形数据70的生成方法如上所述。分析装置200a还与测定单元400b或测定单元500b连接。测定单元400b或测定单元500b的构成分别与上述测定单元400或测定单元500是同样的。
[0149]
如图7和图11所示，测定单元400或测定单元500分别具备流动池4113、551。测定单元400或测定单元500将生物试样送至流动池4113、551。光从光源4112、553照射于向流动池4113、551供应的生物试样，光检测部4116、4121、4122、555、558、559检测从生物试样中的细胞发出的前向散射光、侧向散射光和侧向荧光。信号从光检测部4116、4121、4122、555、558、559向供应侧装置100或用户侧装置200传输。供应侧装置100和用户侧装置200由光检测部4116、4121、4122、555、558、559检测的前向散射光、侧向散射光和侧向荧光取得各波形数据。
[0150]
＜深度学习装置的硬件构成＞
[0151]
图14中例示了供应侧装置100(深度学习装置100a、深度学习装置100b)的框图。具备处理部10(10a、10b)、输入部16和输出部17。
[0152]
处理部10具备进行后述数据处理的cpu(central processing unit，中央处理器)11、数据处理的作业区域中使用的内存12、存储后述程序和处理数据的存储部13、在各部之间传输数据的总线14、进行与外部设备的数据输入输出的界面部15、以及gpu(graphics processing unit，图形处理器)19。输入部16和输出部17介由界面部17与处理部10连接。举个例子，输入部16是键盘或鼠标等输入装置，输出部17是液晶显示器等显示装置。gpu19发挥辅助cpu11进行的运算处理(例如并行运算处理)的加速器的功能。即，以下的说明中，cpu11进行的处理的意思也包括cpu11以gpu19为加速器进行的处理。这里，也可以搭载适合于神经网络的计算的芯片来代替gpu19。作为这样的芯片，可以列举例如fpga(field－programmable gate array，现场可编程门阵列)、asic(application specific integratedcircuit，专用集成电路)、myriadx(intel)等。
[0153]
此外，为了进行以下图16中说明的各步骤的处理，处理部10将本发明涉及的程序和训练前的神经网络50例如以运行形式预先存储在存储部13中。运行形式例如是利用编译器由编程语言转换而生成的形式。处理部10使用存储于存储部13的程序，进行训练前的神经网络50的训练处理。
[0154]
以下的说明中，除非另有说明，否则，处理部10进行的处理的意思是，基于存储在存储部13或内存12中的程序和神经网络50，cpu11进行的处理。cpu11以内存12为作业区域
临时存储必需的数据(处理过程中的中间数据等)，将运算结果等长期保存的数据适当存储在存储部13。
[0155]
＜分析装置的硬件构成＞
[0156]
参照图15，用户侧装置200(分析装置200a、分析装置200b、分析装置200c)具备处理部20(20a、20b、20c)、输入部26和输出部27。
[0157]
处理部20具备进行后述数据处理的cpu(central processing unit)21、数据处理的作业区域中使用的内存22、存储后述程序和处理数据的存储部23、在各部之间传输数据的总线24、进行与外部设备的数据输入输出的界面部25、以及gpu(graphics processing unit)29。输入部26和输出部27介由界面部25与处理部20连接。举个例子，输入部26是键盘或鼠标等输入装置，输出部27是液晶显示器等显示装置。gpu29发挥作为辅助cpu21进行的运算处理(例如并行运算处理)的加速器的功能。即，以下的说明中，cpu21进行的处理的意思也包括cpu21使用gpu29作为加速器进行的处理。
[0158]
此外，为了进行以下的波形数据分析处理中说明的各步骤的处理，处理部20将本发明涉及的程序和训练好的神经网络结构的深度学习算法60例如以运行形式预先存储在存储部23中。运行形式例如是用编译器从编程语言转换而生成的形式。处理部20使用存储部23中存储的程序和深度学习算法60进行处理。
[0159]
以下的说明中，除非另有说明，否则，处理部20进行的处理的意思均为基于存储部23或内存22中存储的程序和深度学习算法60，实际在处理部20的cpu21进行的处理。cpu21以内存22为作业区域临时存储必需的数据(处理过程中的中间数据等)，将运算结果等长期保存的数据适当存储在存储部23中。
[0160]
＜功能块和处理顺序＞
[0161]
(深度学习处理)
[0162]
参照图16，本实施方式涉及的深度学习装置100a的处理部10a具备训练数据生成部101、训练数据输入部102和算法更新部103。这些功能块通过下述方法来实现：将在计算机中运行深度学习处理的程序安装于图14所示处理部10a的存储部13或内存12，cpu11运行该程序。训练数据数据库(db)104和算法数据库(db)105存储在处理部10a的存储部13或内存12中。
[0163]
训练用波形数据70a、70b、70c是由测定单元400、500预先取得的，预先存储在处理部10a的存储部13或内存12中。深度学习算法50例如与分析对象细胞所属细胞种类对应，预先存储在算法数据库105中。
[0164]
深度学习装置100a的处理部10a进行图17所示处理。使用图16所示各功能块进行说明，训练数据生成部101进行图17所示步骤s11、s14和s16的处理。训练数据输入部102进行步骤s12的处理。算法更新部103进行步骤s13、和s15的处理。
[0165]
使用图17，对处理部10a进行的深度学习处理的例子进行说明。
[0166]
首先，处理部10a取得训练用波形数据70a、70b、70c。训练用波形数据70a是前向散射光的波形数据，训练用波形数据70b是侧向散射光的波形数据，训练用波形数据70c是侧向荧光的波形数据。训练用波形数据70a、70b、70c的取得是通过操作者的操作从测定单元400、500获取、或从存储介质98获取、或通过网络途径介由i/f部15来进行。取得训练用波形数据70a、70b、70c时，该训练用波形数据70a、70b、70c也取得了表示是任一细胞种类的信
息。表示是任一细胞种类的信息也可以与训练用波形数据70a、70b、70c相关联，此外，由操作者从输入部16输入。
[0167]
步骤s11中，处理部10a使与训练用波形数据70a、70b、70c相关联的表示是细胞种类的哪一种的信息、内存12或存储部13中存储的与细胞种类相关联的标签值、以及数列数据72a、72b、72c按取得波形数据的时间使前向散射光、侧向散射光和侧向荧光的波形数据同步，标以与数列数据76a、76b、76c对应的标签值77。如此，处理部10a生成训练数据75。
[0168]
图17所示步骤s12中，处理部10a使用训练数据75对神经网络50进行训练。神经网络50的训练结果在每次使用多个训练数据75进行训练时累积。
[0169]
本实施方式涉及的细胞种类分析方法中使用了卷积神经网络，使用了随机梯度下降法，因此，在步骤s13中，处理部10a判断是否累积了预先确定的规定的试验次数量的训练结果。训练结果累积了规定的试验次数量时(yes)，处理部10a进入步骤s14的处理；训练结果未累积规定的试验次数量时(no)，处理部10a进入步骤s15的处理。
[0170]
接下来，训练结果累积了规定的试验次数量时，在步骤s14中，处理部10a使用步骤s12中累积的训练结果，对神经网络50的权重w进行更新。本实施方式涉及的细胞种类分析方法中，使用随机梯度下降法，因此在累积了规定的试验次数量的学习结果的阶段，对神经网络50的权重w进行更新。具体地，更新权重w的处理是通过后述(式11)和(式12)所示的梯度下降法实施计算的处理。
[0171]
步骤s15中，处理部10a判断是否对神经网络50用规定数的训练用数据75进行了训练。用规定数的训练用数据75进行了训练时(yes)，深度学习处理结束。
[0172]
未用规定数的训练用数据75对神经网络50进行了训练时(no)，处理部10a从步骤s15进入步骤s16，对后面的训练用波形数据70进行步骤s11至步骤s15的处理。
[0173]
按照以上说明的处理对神经网络50进行训练，得到深度学习算法60。
[0174]
(神经网络的结构)
[0175]
如上所述，本实施方式中，使用的是卷积神经网络。图18(a)中例示了神经网络50的结构。神经网络50具备输入层50a、输出层50b、以及输入层50a与输出层50b之间的中间层50c，中间层50c由多个层构成。构成中间层50c的层的数量例如可以设为5层以上，优选为50层以上，更优选为100层以上。
[0176]
神经网络50中，层状配置的多个节点89在层间结合。由此，信息仅沿图中箭头d表示的一个方向从输入侧的层50a向输出侧的层50b传递。
[0177]
(各节点中的运算)
[0178]
图18(b)为显示各节点中的运算的示意图。在各节点89，接受多个输入，计算出1个输出(z)。图18(b)所示例子中，节点89接受4个输入。作为例子，节点89接受的总输入(u)由以下的(式1)表示。这里，本实施方式中，使用一维数列数据作为训练数据75和分析用数据85，因此运算式的变量对应于二维矩阵数据的情况下，对变量进行一维转换处理。
[0179]
[数1]
[0180]
u＝w1x1 w2x2 w3x3 w4x4 b
ꢀꢀꢀꢀ
(式1)
[0181]
各输入中分别应用不同的权重。(式1)中，b为被称为偏差的值。节点的输出(z)是，相对于(式1)所表示的总输入(u)，规定的函数f的输出，由以下的(式2)表示。函数f被称为激活函数。
function)是衡量使用神经网络表示的函数与训练数据的接近度的标准。
[0205]
[数8]
[0206]
y(x
n
：w)≈d
n
[0207]
误差函数也被称为损耗函数(loss function)。实施方式涉及的细胞种类分析方法中使用的误差函数e(w)由以下的(式6)表示。(式6)被称为交叉熵(cross entropy)。
[0208]
[数9]
[0209][0210]
对(式6)的交叉熵的计算方法进行说明。在实施方式涉及的细胞种类分析方法中使用的神经网络50的输出层50b中、即神经网络的最终层，使用的是用于根据内容将输入x分为有限个类的激活函数。激活函数被称为softmax函数(softmax function)，由以下的(式7)表示。需说明的是，设为在输出层50b中，排列有与类数k数量相等的节点。设为输出层l的各节点k(k＝1、......k)的总输入u从前层l
‑
1的输出由uk(l)产生。由此，输出层的第k个节点的输出由以下的(式7)表示。
[0211]
[数10]
[0212][0213]
(式7)为softmax函数。由(式7)决定的输出y1、......、y
k
的总和始终为1。
[0214]
如果将各类用c1、......、c
k
表示，则输出层l的节点k的输出yk(即u
k(l)
)表示给与的输入x属于类c
k
的概率。要参照以下的(式8)。输入x被分类至(式8)所表示的概率为最大的类中。
[0215]
[数11]
[0216][0217]
神经网络的学习中，将神经网络所表示的函数视为各类事后概率(posterior probability)的模型，在这样的概率模型下，评价权重w相对于训练数据的可能性(likelihood)，选择使可能性最大化的权重w。
[0218]
仅在输出为正确的类时，将(式7)的softmax函数得到的目标输出d
n
设为1，输出为1以外的情况下设为0。如果将目标输出用d
n
＝[d
n1
、......、d
nk
]的矢量格式表示，则例如输入x
n
的正确的类为c3时，仅目标输出d
n3
为1，除此以外的目标输出为0。如果以这种方式符号化，则事后分布(posterior)由以下的(式9)表示。
[0219]
[数12]
[0220][0221]
权重w相对于训练数据{(x
n
、d
n
)}(n＝1、......、n)的可能性l(w)由以下的(式10)表示。如果取可能性l(w)的对数使符号反转，则导出(式6)的误差函数。
[0222]
[数13]
[0223][0224]
学习的意思是，使基于训练数据计算出的误差函数e(w)关于神经网络的参数w最小化。实施方式涉及的细胞种类分析方法中，误差函数e(w)由(式6)表示。
[0225]
使误差函数e(w)关于参数w最小化的意思与求函数e(w)的局部极小点相同。参数w是节点间的加权权重。权重w的极小点是通过以任意初期值为出发点、反复更新参数w的反复计算求出的。这样的计算的一个例子是梯度下降法(gradient descent method)。
[0226]
梯度下降法中使用下面(式11)所表示的矢量。
[0227]
[数14]
[0228][0229]
梯度下降法中，将使现在的参数w的值向负的梯度方向(即)移动的处理重复多次。如果将现在的权重设为w
(t)
、将移动后的权重设为w
(t 1)
，则利用梯度下降法的运算由以下的(式12)表示。值t的意思是使参数w移动的次数。
[0230]
[数15]
[0231][0232]
记号
[0233]
[数16]
[0234]
∈
[0235]
是决定参数w的更新量大小的常数，称为学习系数。通过重复(式12)所表示的运算，随着值t的增加，误差函数e(w
(t)
)减小，参数w达到最小点。
[0236]
需说明的是，利用(式12)的运算可以对全部训练数据(n＝1、......、n)实施，也可以仅对一部分训练数据实施。仅对一部分训练数据进行的梯度下降法被称为随机梯度下降法(stochastic gradient descent)。实施方式涉及的细胞种类分析方法中，使用的是随机梯度下降法。
[0237]
(波形数据分析处理)
[0238]
图19显示的是进行从分析用波形数据80a、80b、80c至生成分析结果83的波形数据分析处理的分析装置200a的功能块图。分析装置200a的处理部20a具备分析用数据生成部201、分析用数据输入部202和分析部203。这些功能块通过下述方法来实现：将在本发明涉及的计算机中运行波形数据分析处理的程序安装于图15所示处理部20a的存储部23或内存22，cpu21运行该程序。训练数据数据库(db)104中存储的训练数据和算法数据库(db)105中存储的训练好的深度学习算法60通过存储介质98或网络99由深度学习装置100a提供，存储在处理部20a的存储部23或内存22中。
[0239]
分析用波形数据80a、80b、80c由测定单元400、500取得，存储在处理部20a的存储部23或内存22中。包括训练好的权重w的训练好的深度学习算法60例如与分析对象细胞所属细胞种类对应存储在算法数据库105中，作为在计算机中运行波形数据分析处理的程序
的一部分的程序模块发挥功能。即，深度学习算法60用于具备cpu和内存的计算机，是为了算出分析对象细胞对应于任意细胞种类的概率、生成细胞相关的分析结果83而使用的。
[0240]
此外，生成的分析结果83以下述方式输出。此外，处理部20a的cpu21以运行针对使用目的的特有信息的运算或加工的方式使计算机发挥功能。具体地，处理部20a的cpu21使用存储部23或内存22中存储的深度学习算法60，生成细胞相关的分析结果83。处理部20a的cpu21将分析数据85输入输入层60a，将分析对象细胞所属细胞种类相关的标签值，从输出层61输出被识别属于分析用波形数据所含的细胞的细胞种类的标签值。
[0241]
使用图20所示流程图进行说明，分析用数据生成部201进行步骤s21的处理。分析用数据输入部202进行步骤s22、s23、s24和s26的处理。分析部203进行步骤s25的处理。
[0242]
使用图20，对从处理部20a进行的分析用波形数据80a、80b、80c至生成细胞相关的分析结果83的波形数据分析处理的例子进行说明。
[0243]
首先，处理部20a取得分析用波形数据80a、80b、80c。分析用波形数据80a、80b、80c的取得是通过使用者的操作或者自动地从测定单元400、500获取，或者从存储介质98获取，或者通过网络途径介由i/f部25来进行。
[0244]
在步骤s21中，处理部20a按照上述分析数据生成方法中说明的顺序，从数列82a、82b、82c生成细胞相关的分析结果83。
[0245]
接下来，在步骤s22中，处理部20a取得算法数据库105中存储的深度学习算法。需说明的是，步骤s21与s22的顺序没有限制。
[0246]
接下来，在步骤s23中，处理部20a将细胞相关的分析结果83输入深度学习算法。处理部20a按照上述波形数据的分析方法中描述的顺序，输出根据深度学习算法判断属于取得分析用波形数据80a、80b、80c的分析对象细胞的标签值。处理部20a将该标签值存储在内存22或存储部23中。
[0247]
在步骤s24中，处理部20a判断是否全部识别了最初取得的分析用波形数据80a、80b、80c。全部分析用波形数据80a、80b、80c的识别结束(yes)的情况下，进入步骤s25，输出包括细胞相关信息83的分析结果。全部分析用波形数据80a、80b、80c的识别未结束(no)的情况下，进入步骤s26，对于还未进行识别的分析用波形数据80a、80b、80c，进行步骤s22至步骤s24的处理。
[0248]
通过本实施方式，不管检测者的技术如何，都能够进行细胞种类的识别。
[0249]
＜计算机程序＞
[0250]
本实施方式包括在计算机中运行步骤s11～s16和/或s21～s26的处理的、用于对细胞种类进行分析的波形数据分析的计算机程序。
[0251]
进一步，本实施方式的某实施方式还涉及存储计算机程序的存储介质等程序制品。即，计算机程序存储在硬盘、闪存等半导体内存元件、光盘等存储介质中。程序在存储介质中的存储形式只要是供应侧装置100和/或用户侧装置200可读取程序即可，没有限制。前述在存储介质中的存储优选为非挥发性的。
[0252]
[4.波形数据分析系统2]
[0253]
＜波形数据分析系统2的构成＞
[0254]
对波形数据分析系统的另一方式进行说明。
[0255]
图21显示的是第2波形数据分析系统的构成例。第2波形数据分析系统具备用户侧
装置200，用户侧装置200作为综合型分析装置200b而工作。分析装置200b例如由通用计算机构成，进行上述波形数据分析系统1中说明的深度学习处理和波形数据分析处理双方的处理。即，第2波形数据分析系统是在用户侧进行深度学习和波形数据分析的独立型系统。第2波形数据分析系统中，设置在用户侧的综合型分析装置200b负责本实施方式涉及的深度学习装置100a和分析装置200a双方的功能。
[0256]
图21中，分析装置200b与测定单元400b、500b连接。图5(a)中例示的测定单元400、图5(b)中例示的测定单元500在深度学习处理时取得训练用波形数据70a、70b、70c，在波形数据分析处理时取得分析用波形数据80a、80b、80c。
[0257]
＜硬件构成＞
[0258]
分析装置200b的硬件构成与图15所示用户侧装置200的硬件构成是同样的。
[0259]
＜功能块和处理顺序＞
[0260]
图22显示的是分析装置200b的功能块图。分析装置200b的处理部20b具备训练数据生成部101、训练数据输入部102、算法更新部103、分析数据生成部201、分析数据输入部202、分析部203、以及关于细胞种类的分析结果83。这些功能块是通过下述方法实现的：在计算机中，将运行深度学习处理和波形数据分析处理的程序安装在图15中例示的处理部20b的存储部23或内存22中，cpu21运行该程序。训练数据数据库(db)104和算法数据库(db)105存储在处理部20b的存储部23或内存22中，均在深度学习时和波形数据分析处理时共同使用。包括训练好的神经网络的深度学习算法60例如与分析对象细胞所属细胞种类、细胞种类对应，预先存储在算法数据库105中。通过深度学习处理，权重w得以更新，作为新的深度学习算法60存储在算法数据库105中。需说明的是，训练用波形数据70a、70b、70c如上所述由测定单元400b、500b预先取得，预先存储在训练数据数据库(db)104或处理部20b的存储部23或内存22中。分析对象待测物的分析用波形数据80a、80b、80c由测定单元400b、500b预先取得，预先存储在处理部20b的存储部23或内存22中。
[0261]
分析装置200b的处理部20b在深度学习处理时进行图17所示处理，在波形数据分析处理时进行图20所示处理。使用图22所示各功能块进行说明，深度学习处理时，训练数据生成部101进行步骤s11、s15和s16的处理。训练数据输入部102进行步骤s12的处理。算法更新部103进行步骤s13和s18的处理。波形数据分析处理时，分析用数据生成部201进行步骤s21的处理。分析用数据输入部202进行步骤s22、s23、s24和s26的处理。分析部203进行步骤s25的处理。
[0262]
分析装置200b进行的深度学习处理的顺序和波形数据分析处理的顺序与深度学习装置100a和分析装置200a分别进行时的顺序是同样的。其中，分析装置200b由测定单元400b、500b取得训练波形数据70a、70b、70c。
[0263]
利用分析装置200b，使用者能够确认训练好的深度学习算法60的识别精度。万一深度学习算法60的判定结果与使用者的波形数据观察的判定结果不同，则可以以分析用波形数据80a、80b、80c为训练用数据70a、70b、70c，以使用者波形数据观察判定结果为标签值77，对深度学习算法进行重新训练。以这种方式，能够使深度学习算法50的训练效率更高。
[0264]
[5.波形数据分析系统3]
[0265]
＜波形数据分析系统3的构成＞
[0266]
对波形数据分析系统的另一方式进行说明。
[0267]
图23显示的是第3波形数据分析系统的构成例。第3波形数据分析系统具备供应侧装置100和用户侧装置200。供应侧装置100作为综合型分析装置100b而工作，用户侧装置200作为终端装置200c而工作。分析装置100b例如由通用计算机构成，是进行上述波形数据分析系统1中说明的深度学习处理和波形数据分析处理双方的处理的云服务器侧装置。终端装置200c例如由通用计算机构成，是通过网络99将分析对象细胞的分析用波形数据80a、80b、80c向分析装置100b传输、通过网络99从分析装置100b接受分析结果83的用户侧终端装置。
[0268]
第3波形数据分析系统中，设置在供应侧的综合型分析装置100b负责深度学习装置100a和分析装置200a双方的功能。另一方面，第3波形数据分析系统具备终端装置200c，向用户侧的终端装置200c提供分析用波形数据80a、80b、80c的输入界面和分析结果波形数据的输出界面。即，第3波形数据分析系统是，具备进行深度学习处理和波形数据分析处理的供应侧向用户侧提供分析用波形数据80a、80b、80c的输入界面以及向用户侧提供细胞相关信息83的输出界面的云服务型系统。输入界面与输出界面可以是一体化的。
[0269]
分析装置100b与测定单元400a、500a连接，取得由测定单元400a、500a取得的训练用波形数据70a、70b、70c。
[0270]
终端装置200c与测定单元400b、500b连接，取得由测定单元400b、500b取得的分析用波形数据80a、80b、80c。
[0271]
＜硬件构成＞
[0272]
分析装置100b的硬件构成与图14所示供应侧装置100的硬件构成是同样的。终端装置200c的硬件构成与图15所示用户侧装置200的硬件构成是同样的。
[0273]
＜功能块和处理顺序＞
[0274]
图24显示的是分析装置100b的功能块图。分析装置100b的处理部10b具备训练数据生成部101、训练数据输入部102、算法更新部103、分析用数据生成部201、分析用数据输入部202、以及分析部203。这些功能块通过下述方法来实现：在计算机中，将运行深度学习处理和波形数据分析处理的程序安装在图14所示处理部10b的存储部13或内存12中，cpu11运行该程序。训练数据数据库(db)104和算法数据库(db)105存储在处理部10b的存储部13或内存12中，均在深度学习时和波形数据分析处理时共同使用。神经网络50例如与分析对象细胞所属细胞种类、种类对应，预先存储在算法数据库105中，通过深度学习处理更新权重w，作为深度学习算法60存储在算法数据库105中。
[0275]
训练用波形数据70a、70b、70c如上所述由测定单元400a、500a预先取得，预先存储在训练数据数据库(db)104或处理部10b的存储部13或者内存12中。分析用波形数据80a、80b、80c由测定单元400b、500b取得，预先存储在终端装置200c的处理部20c的存储部23或内存22中。
[0276]
分析装置100b的处理部10b在深度学习处理时进行图17所示处理，在波形数据分析处理时进行图20所示处理。使用图24所示各功能块进行说明，深度学习处理时，训练数据生成部101进行步骤s11、s15和s16的处理。训练数据输入部102进行步骤s12的处理。算法更新部103进行步骤s13和s18的处理。波形数据分析处理时，分析用数据生成部201进行步骤s21的处理。分析用数据输入部202进行步骤s22、s23、s24和s26的处理。分析部203进行步骤s25的处理。
[0277]
分析装置100b进行的深度学习处理的顺序和波形数据分析处理的顺序与本实施方式涉及的深度学习装置100a和分析装置200a分别进行时的顺序是同样的。
[0278]
处理部10b从用户侧终端装置200c接受训练用波形数据70a、70b、70c，根据图17所示步骤s11至s16，生成训练数据75。
[0279]
图20所示步骤s25中，处理部10b将包括细胞相关信息83的分析结果向用户侧终端装置200c传输。用户侧终端装置200c中，处理部20c将接收的分析结果在输出部27输出。
[0280]
以上，终端装置200c的使用者通过将分析用波形数据80a、80b、80c传输至分析装置100b，能够取得作为分析结果的、细胞种类相关的分析结果83。
[0281]
利用第3实施方式涉及的分析装置100b，使用者能够使用识别器而不从深度学习装置100a取得训练数据数据库104和算法数据库105。由此，能够以云服务形式提供识别细胞种类的服务。
[0282]
[6.其他形态]
[0283]
以上，通过概要和特定的实施方式对本发明进行了说明，但本发明不受上述概要和各实施方式的限定。
[0284]
各现场图像分析系统中，处理部10a、10b是作为一体装置实现的，但处理部10a、10b没有必要为一体装置，也可以是cpu11、内存12、存储部13、gpu19等配置在不同地方，它们通过网络连接。关于处理部10a、10b和输入部16以及输出部17也同样，不一定必须配置在一个地方，也可以分别配置在不同地方，相互通过网络以可通信方式连接。关于处理部20a、20b、20c，与处理部10a、10b也是同样的。
[0285]
上述第1至第3实施方式中，训练数据生成部101、训练数据输入部102、算法更新部103、分析用数据生成部201、分析用数据输入部202和分析部203各功能块在单一cpu11或单一cpu21中运行，但这些各功能块没有必要必须在单一cpu中运行，也可以分散在多个cpu中运行。此外，这些各功能块可以分散在多个gpu中运行，也可以分散在多个cpu和多个gpu中运行。
[0286]
上述第2和第3实施方式中，将用于进行图17和图20中说明的各步骤的处理的程序预先存储在存储部13、23中。代替这种方式，程序例如也可以从dvd－rom、usb内存等计算机可读取且非临时的有形存储介质98安装于处理部10b、20b。或者，还可以使处理部10b、20b与网络99连接，介由网络99，例如从外部的服务器(图中未显示)下载程序并安装。
[0287]
各波形数据分析系统中，输入部16、26是键盘或鼠标等输入装置，输出部17、27以液晶显示器等显示装置形式实现。也可以取而代之，使输入部16、26与输出部17、27一体化，以触控面板式显示装置形式实现。或者，也可以由打印机等构成输出部17、27。
[0288]
上述各波形数据分析系统中，测定单元400a、500a与深度学习装置100a或分析装置100b是直接连接的，流式细胞术300也可以介由网络99与深度学习装置100a或分析装置100b连接。关于流式细胞术400也同样地，流式细胞术400与分析装置200a或分析装置200b是直接连接的，测定单元400b、500b也可以介由网络99与分析装置200a或分析装置200b连接。
[0289]
图25显示的是在输出部27输出的分析结果的一个实施方式。图25显示的是，通过流式细胞术测定的生物试样所含的、带有图3所示标签值的细胞种类和各种细胞种类的细胞数。代替细胞数的显示、或与细胞数的显示同时，输出计数的全部细胞数中各细胞种类的
比例(例如％)。细胞数的计数可以通过以与输出的各细胞种类对应的标签值的数量(相同的标签值的数量)为系数求出。此外，输出结果中可以输出表示生物试样中含有异常细胞的警告。图25中显示了异常细胞项目带有感叹号作为警告的例子，但不限于这种情况。进一步，还可以以散点图形式输出各细胞种类的分布。以散点图形式输出时，例如可以将取得信号强度时的最高值例如以侧向荧光强度为纵轴、以侧向散射光强度为横轴进行绘图。
[0290]
实施例
[0291]
1.深度学习模型的构建
[0292]
用sysmex xn
‑
1000测定作为健康血液试样的从健康人采集的血液、测定作为非健康血液试样的xn check lv2(施特雷克公司的控制血液(control blood)(进行了固定等处理))。荧光染色试剂使用希森美康株式会社制的fluorocell wdf。此外，溶血剂使用希森美康株式会社制的lysercell wdf。对各待测物所含的每个细胞，前向散射光的测定开始后，以10纳秒间隔取得1024点前向散射光、侧向散射光和侧向荧光的波形数据。关于健康血液试样，将从8名健康人采集的血液中的细胞的波形数据集中作为数字数据。对于各细胞的波形数据，手动实施中性粒细胞(neut)、淋巴细胞(lymph)、单核细胞(mono)、嗜酸性粒细胞(eo)、嗜碱性粒细胞(baso)、未成熟粒细胞(ig)的分类，对各波形数据标以细胞种类注释(标注标签)。将前向散射光的信号强度超过阈值的时刻作为测定开始时刻，前向散射光、侧向散射光、侧向荧光的波形数据取得时刻同步，生成训练数据。此外，对于控制血液，也进行注释，注释为控制血液来源细胞(cont)。将训练数据输入深度学习算法并学习。
[0293]
对于与学习的细胞数据不同的健康人血液细胞，利用sysmex xn
‑
1000，与训练数据同样地取得分析用波形数据。将控制血液来源的波形数据混合，制作分析用数据。该分析用数据在散点图上健康人来源的血细胞与控制血液来源的血细胞重合，完全无法通过以往的方法来鉴别。将该分析用数据输入构建的深度学习算法，取得各个细胞种类的数据。
[0294]
将其结果作为混合矩阵示于图26。横轴表示构建的深度学习算法得到的判定结果，纵轴表示人的手动(参照法)判定结果。构建的深度学习算法得到的判定结果中，虽然在嗜碱性粒细胞与淋巴细胞间、嗜碱性粒细胞与鬼影细胞(ghost)间产生了轻微混淆，但与参照法得到的判定结果显示98.8％的一致率。
[0295]
下面，对各细胞种类进行roc分析，评价灵敏度特异性。图27(a)显示的是中性粒细胞的roc曲线，图27(b)显示的是淋巴细胞的roc曲线，图27(c)显示的是单核细胞的roc曲线，图28(a)显示的是中性粒细胞的roc曲线，图28(b)显示的是嗜碱性粒细胞的roc曲线，图28(c)显示的是控制血液(cont)的roc曲线。关于灵敏度和特异性，中性粒细胞分别为99.5％、99.6％，淋巴细胞分别为99.4％、99.5％，单核细胞分别为98.5％、99.9％，嗜酸性粒细胞分别为97.9％、99.8％，嗜碱性粒细胞分别为71.0％、81.4％，控制血液(cont)为99.8％、99.6％，均显示良好的成绩。
[0296]
根据以上结果，可见，通过以基于波形数据从生物试样所含的细胞取得的信号为基础、使用深度学习算法，能够对细胞种类进行判定。
[0297]
进一步，像控制血液那样非健康血液细胞与健康血液细胞混合的情况下，存在难以通过以往的散点图法进行判定的情况。但是很明显，通过使用本实施方式的深度学习算法，即使在非健康血液细胞与健康血液细胞混合的情况下，也能够进行这些细胞的判定。
[0298]
符号说明
[0299]
4000、4000’：细胞分析装置
[0300]
10：处理部
[0301]
50：训练前的深度学习算法
[0302]
50a：输入层
[0303]
50b：输出层
[0304]
60：训练好的深度学习算法
[0305]
75：训练数据
[0306]
80：分析数据
[0307]
83：细胞种类相关的分析结果