特許ウォッチ

公開番号2025122123
公報種別公開特許公報(A)
公開日2025-08-20
出願番号2025086218,2020157930
出願日2025-05-23,2020-09-18
発明の名称有形成分分析装置及び有形成分分析方法
出願人シスメックス株式会社
代理人弁理士法人 HARAKENZO WORLD PATENT & TRADEMARK
主分類G16H 50/00 20180101AFI20250813BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】検体に含まれる複数の細胞から得られたデータを分析する構成において、大幅に増加した情報量の細胞のデータを要求された処理能力で処理可能な有形成分分析装置及び有形成分分析方法を提供する。
【解決手段】有形成分分析装置は、フローサイトメータのフローセル内で光を照射された有形成分から放出される光の強度の変化に対応するアナログ信号を複数の有形成分の各々について取得する測定ユニット(400、400a、500、500a、700)と、前記アナログ信号に基づいて取得された前記複数の有形成分の各々の複数時点での光の強度に対応する値を要素として含む行列データを処理するための行列演算を含む人工知能アルゴリズムによって前記複数の有形成分の各々の種別を分類する解析ユニット(600)とを備え、解析ユニット(600)が有する複数の演算ユニット(6200)の各々は行列演算を構成する複数の演算処理を並列に実行する。
【選択図】図1
特許請求の範囲【請求項１】
フローサイトメータを備え、前記フローサイトメータのフローセル内で複数の有形成分を含んだ試料を流し、光を照射された有形成分から放出される光の強度の変化に対応するアナログ信号を複数の有形成分の各々について取得する測定ユニットと、
前記アナログ信号に基づいて取得された前記複数の有形成分の各々の行列データを人工知能アルゴリズムによって処理することで、前記複数の有形成分の各々の種別を分類する、解析ユニットと、を備え、
前記行列データは、前記複数の有形成分の各々の複数時点での光の強度に対応する値を要素として含み、
前記人工知能アルゴリズムは、前記行列データを処理するための行列演算を含み、
前記解析ユニットは、複数の演算ユニットを有し、
前記解析ユニットは、前記行列演算を構成する複数の演算処理の各々を、前記複数の演算ユニットのいずれかに割り当て、
前記複数の演算ユニットの各々は、割り当てられた前記演算処理を並列に実行する、
有形成分分析装置。
続きを表示（約 1,000 文字）【請求項２】
前記人工知能アルゴリズムに含まれる前記行列演算は、互いに順序依存が無い複数の前記演算処理に分割することができる、
請求項１に記載の有形成分分析装置。
【請求項３】
前記解析ユニットは、第１演算ユニットと、第２演算ユニットを有し、
前記第１演算ユニットと、前記第２演算ユニットは、分割された前記演算処理を同時に実行する、
請求項１または２に記載の有形成分分析装置。
【請求項４】
前記解析ユニットは、解析のためのプログラムを記憶する記憶部と、前記プログラムの展開に用いられる第１ＲＡＭと、前記行列演算に用いられる第２ＲＡＭを備え、
前記演算ユニットは、前記第２ＲＡＭから前記行列データの少なくとも一部のデータを取得し、前記演算処理を実行する、
請求項１から３のいずれか１項に記載の有形成分分析装置。
【請求項５】
前記解析ユニットは、前記行列データを前記第１ＲＡＭに一時的に記憶し、一時的に記憶された前記行列データを、伝送路を介して前記第２ＲＡＭに伝送する、
請求項４に記載の有形成分分析装置。
【請求項６】
前記解析ユニットは、前記行列データを前記第１ＲＡＭに一時的に記憶し、一時的に記憶された前記行列データを、インターネットまたはイントラネットとは異なる伝送路を介して前記第２ＲＡＭに伝送する、
請求項４または５に記載の有形成分分析装置。
【請求項７】
前記伝送路は、１ギガビット／秒以上の通信帯域を備える、
請求項５に記載の有形成分分析装置。
【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から７のいずれか１項に記載の有形成分分析装置。
【請求項９】
前記解析ユニットは、前記深層学習アルゴリズムにおける畳み込み層に関する行列演算に含まれる複数の前記演算処理の各々を、前記複数の演算ユニットのいずれかに割り当てる、
請求項８に記載の有形成分分析装置。
【請求項１０】
前記解析ユニットは、前記演算処理を実行可能な演算ユニットを少なくとも１００個有し、前記演算ユニットの各々による前記演算処理を並列に実行させる、
請求項１から９のいずれか１項に記載の有形成分分析装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、有形成分分析装置及び有形成分分析方法に関する。
続きを表示（約 3,700 文字）【背景技術】
【０００２】
特許文献１には、血球細胞をフローサイトメータによって測定して得られたデータを、プロセッサを搭載したデータ処理システムにおいて解析し、細胞を種別に応じて分類する方法が記載されている。特許文献１では、フローサイトメータによって測定した光学的な情報で細胞を分類できない場合に、さらに細胞の体積と導電率の情報を用いることが記載されている。
【先行技術文献】
【特許文献】
【０００３】
特表２０１２－５１９８４８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
細胞の分類精度を向上するために細胞の分類に用いる情報量を増やすと、複数の細胞を含む血液や尿などの検体においては、一つの細胞から得られる情報量が増えることで検体単位でのデータ容量は膨大なものとなる。例えば、深層学習アルゴリズムを用いて個々の細胞の分類を行うには、細胞毎の特徴を抽出するために個々の細胞から取得する情報量を大幅に増やす必要がある。特許文献１には、大幅に増加した情報量を、要求された処理能力の範囲内で処理可能なシステムは開示されていない。
【０００５】
本発明の一態様は、検体に含まれる複数の細胞から得られたデータを分析する構成において、大幅に増加する情報量の細胞のデータを、要求された処理能力の要求を満たすことが可能な有形成分分析装置及び有形成分分析方法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】
上記の課題を解決するために、本発明の一態様に係る有形成分分析装置は、フローサイトメータを備え、前記フローサイトメータのフローセル内で複数の有形成分を含んだ試料を流し、光を照射された有形成分から放出される光の強度の変化に対応するアナログ信号を複数の有形成分の各々について取得する測定ユニット（４００、４００ａ、５００、５００ａ、７００）と、前記アナログ信号に基づいて取得された前記複数の有形成分の各々の行列データを人工知能アルゴリズムによって処理することで、前記複数の有形成分の各々の種別を分類する、解析ユニット（６００）と、を備え、前記行列データは、前記複数の有形成分の各々の複数時点での光の強度に対応する値を要素として含み、前記人工知能アルゴリズムは、前記行列データを処理するための行列演算を含み、解析ユニット（６００）は、複数の演算ユニット（６２００）を有し、解析ユニット（６００）は、前記行列演算を構成する複数の演算処理の各々を、複数の演算ユニット（６２００）のいずれかに割り当て、複数の演算ユニット（６２００）の各々は、割り当てられた前記演算処理を並列に実行する。
【０００７】
上記の課題を解決するために、本発明の別の態様に係る有形成分分析方法は、測定ユニット（４００、４００ａ、５００、５００ａ、７００）と、解析ユニット（６００）と、を用いた有形成分分析方法であって、測定ユニット（４００、４００ａ、５００、５００ａ、７００）が備えるフローサイトメータのフローセル内で有形成分を含んだ試料を流し、光を照射された有形成分から放出される光の強度の変化に対応するアナログ信号を複数の有形成分の各々について取得することにより、前記試料中の前記複数の有形成分の各々に関する行列データを取得すること、及び、解析ユニット（６００）によって、前記アナログ信号に基づいて取得された行列データを人工知能アルゴリズムによって処理することにより、前記複数の有形成分の各々の有形成分種別を分類すること、を含み、前記行列データは、前記複数の有形成分の各々の複数時点での光の強度に対応する値を要素として含み、
前記人工知能アルゴリズムは、前記行列データを処理するための行列演算を含み、解析ユニット（６００）による前記行列データの処理は、前記行列演算を構成する複数の演算処理の各々を、解析ユニット（６００）が有する複数の演算ユニット（６２００）のいずれかに割り当てることと、複数の演算ユニット（６２００）の各々によって、割り当てられた前記演算処理を並列に実行すること、を含む。
【発明の効果】
【０００８】
複数の細胞を大容量のデータに基づいて分析しつつ、処理能力の要求を満たすことが可能となる。
【図面の簡単な説明】
【０００９】
（ａ）は、従来法の白血球分類の例を示す。（ｂ）は、本法の白血球分類の例を示す。
（ａ）は、フローセルを流れる細胞に光を照射する例を示す。（ｂ）は、前方散乱光信号、側方散乱光信号、蛍光信号のサンプリングを行う例を示す。（ｃ）は、サンプリングによって得られる波形データの例を示す。
訓練データの生成方法の例を示す。
ラベル値の例を示す。
分析データの分析方法の例を示す。
細胞分析装置の外観の例を示す。
測定ユニットのブロック図の例を示す。
検体吸引部と試料調製部の例を示す。
ＦＣＭ検出部の光学系の構成例を示す。
処理ユニットの構成例を示す。
並列処理プロセッサの構成例を示す。
測定ユニットへの並列処理プロセッサの実装例を示す。
測定ユニットへの並列処理プロセッサの他の実装例を示す。
測定ユニットへの並列処理プロセッサの他の実装例を示す。
測定ユニットへの並列処理プロセッサの他の実装例を示す。
プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。
（ａ）は、行列の積の計算式を示す。（ｂ）は、並列処理プロセッサで並列に実行される演算処理の例を示す。
演算処理を、並列処理プロセッサにて実行する様子を示す。
（ａ）は、深層学習アルゴリズムに入力される波形データとして、前方散乱光の波形データの例を示す。（ｂ）は、波形データとフィルタとの行列演算の概要を示す。
細胞分析装置による検体の分析動作の例を示す。
細胞分析処理の例を示す。
並列処理の例を示す。
測定ユニットのブロック図の他の例を示す。
処理ユニットのブロック図の例を示す。
プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。
測定ユニットのブロック図の他の例を示す。
処理ユニットのブロック図の他の例を示す。
測定ユニットと処理ユニットと解析ユニットとの構成例を示す。
測定ユニットのブロック図の他の例を示す。
解析ユニットのブロック図の例を示す。
プロセッサが並列処理プロセッサを用いて行列データの演算処理を実行する動作の概要を示す。
処理ユニットのブロック図の他の例を示す。
測定ユニットのブロック図の他の例を示す。
解析ユニットのブロック図の他の例を示す。
測定ユニットのブロック図の例を示す。
フローサイトメータの光学系の概略の例を示す。
測定ユニットの試料調製部の概略の例を示す。
波形データ分析システムの概略の例を示す。
ベンダ側装置のブロック図の例を示す。
測定ユニットのブロック図の例を示す。
解析ユニットのブロック図の他の例を示す。
深層学習装置の機能ブロック図の例を示す。
訓練データを生成するため処理部の動作のフローチャート例を示す。
ニューラルネットワークを説明するための模式図を示す。（ａ）は、ニューラルネットワークの概要を示す模式図を示す。（ｂ）は、各ノードにおける演算を示す模式図を示す。（ｃ）は、ノード間の演算を示す模式図を示す。
参照法による判定結果と深層学習アルゴリズムを用いた判定結果との混合マトリックスを示す。
（ａ）は、好中球のＲＯＣ曲線を示す。（ｂ）は、リンパ球のＲＯＣ曲線を示す。（ｃ）は、単球のＲＯＣ曲線を示す。
（ａ）は、好酸球のＲＯＣ曲線を示す。（ｂ）は、好塩基球のＲＯＣ曲線を示す。（ｃ）は、コントロール血液（ＣＯＮＴ）のＲＯＣ曲線のＲＯＣ曲線を示す。
画像分析装置としての細胞分析装置の構成例を示す。
処理部の構成例を示す。
訓練データの生成方法の例を示す。
ラベル値の例を示す。
画像の分析方法の例を示す。
分析結果の一実施形態を示す。
【発明を実施するための形態】
【００１０】
以下、本発明の概要及び実施の形態を、添付の図面を参照して詳細に説明する。なお、以下の説明及び図面において、同じ符号は同じ又は類似の構成要素を示すこととし、よって、同じ又は類似の構成要素に関する説明を省略する。
（【００１１】以降は省略されています）

関連特許