女性生殖器癌症的评价方法

摘要

本发明的课题在于：提供女性生殖器癌症的评价方法，该评价方法利用血液中的氨基酸浓度中与女性生殖器癌症的状态相关的氨基酸的浓度，可以高精度地评价女性生殖器癌症的状态。本发明所述的女性生殖器癌症的评价方法，是针对从评价对象采集到的血液测定与氨基酸的浓度值有关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值，对于评价对象评价包含宫颈癌、子宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的状态。

说明书

本申请是原案申请日为2009年6月22日、原案申请号为 200980122467.0(国际申请号为PCT/JP2009/061348)、发明名称为“女 性生殖器癌症的评价方法”的专利申请的分案申请。

技术领域

本发明涉及利用血液(血浆)中的氨基酸浓度的、包含宫颈癌、子 宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的评价方法。

背景技术

2004年，日本因宫颈癌而死亡的人数为2494人、因子宫体癌而 死亡的人数为1436人、因卵巢癌而死亡的人数为4420人。有关上述 癌症的存活率，早期(I期～II期)癌症的5年存活率为80％以上，而进 展的癌症的5年存活率极度下降至10％～20％左右。因此，早期发现对 于上述癌症的治愈是很重要的。

宫颈癌的诊断通过细胞检查或组织检查、阴道镜检查、HPV(人 乳头状瘤病毒)检查来进行。细胞检查或HPV检查不能确诊，通过进 行组织检查或阴道镜检查能够确诊。但组织检查或阴道镜检查是侵袭 度高的检查，对所有疑似宫颈癌的患者施行组织检查或阴道镜检查并 不实际。

子宫体癌的诊断主要通过子宫内膜细胞检查来进行。子宫内膜细 胞检查并不能确诊，通过进行刮宫检查能够确诊。但刮宫检查是侵袭 度高的检查，对所有疑似子宫体癌的患者施行刮宫检查并不实际。

卵巢癌的诊断通过超声波断层法和肿瘤标志物(主要是CA125)、 CT或MRI来进行。这些方法并不能确诊，对通过手术取出的卵巢进 行病理组织学诊断能够确诊。但是，据van Nagell JR等人报道(参照 非专利文献1)，为了发现1例卵巢癌(真阳性)，必需进行11例良性肿 瘤(假阳性)的摘出手术，卵巢癌的阳性命中率低至8.3％。

如上所述，上述癌症的诊断方法大多具有侵袭性，所以在施行这 些诊断方法时，患者伴有身体的苦痛或精神的苦痛等负担，还可能引 起检查所导致的出血等风险。并且，这些诊断方法对每种女性生殖器 癌症的状态独立进行，而每项检查都会产生费用，所以被检者的经济 负担或时间负担也增加。因此，从患者的身体负担或费用对效果等方 面考虑，人们希望通过侵袭或精神苦痛少的方法、而且通过1次检查， 廉价地选择女性生殖器癌症发病的可能性高的被检者，对所选择的该 被检者进行诊断，再以得到确诊的被检者作为治疗对象。

另一方面，已知血液中氨基酸的浓度根据癌症发病而变化。例如 根据Cynober的报道(参照非专利文献2)，例如由于谷氨酰胺主要作为 氧化能量源、精氨酸作为氮氧化物或多胺的前体，通过激活癌细胞摄 入甲硫氨酸的能力，使甲硫氨酸在各种癌细胞中的消耗量增加。根据 Vissers等人(参照非专利文献3)或Park(参照非专利文献4)、Proenza 等人(参照非专利文献5)或Cascino(参照非专利文献6)的报道，癌症 患者的血浆中氨基酸组成与健康人不同。

另外，有关氨基酸浓度与机体状态相关联的方法，公开在专利文 献1或专利文献2中。有关利用氨基酸浓度来评价肺癌的状态的方法， 公开在专利文献3中。

现有技术文献

专利文献

专利文献1：国际公开第2004/052191号；

专利文献2：国际公开第2006/098192号；

专利文献3：国际公开第2008/016111号；

非专利文献

非专利文献1：van Nagell JR，DePriest PD，Reedy MB，Gallion HH， Ueland FR，Pavlik EJ，Kryscio RJ.The efficiency of transvaginal  sonographic screening in asymptomatic women at risk for ovarian cancer. Gynecol Oncol，2000.77；350-356；

非专利文献2：Cynober，L.ed.，Metabolic and therapeutic aspects of  amino acids in clinical nutrition.2^nded.，CRC Press；

非专利文献3：Vissers，Y.LJ.，等人，Plasma arginine concentration are  reduced in cancer patients：evidence for arginine deficiency？，The  American Journal of Clinical Nutrition，2005.81，第1142-1146页；

非专利文献4：Park，K.G.，等人，Arginine metabolism in benign and  maglinant disease of breast and colon：evidence for possible inhibition of  tumor-infiltrating macropharges.，Nutrition，1991.7，第185-188页；

非专利文献5：Proenza，A.M.，J.Oliver，A.Palou和P.Roca，Breast  and lung cancer are associated with a decrease in blood cell amino acid  content.，J Nutr Biochem，2003.14(3)，第133-8页；

非专利文献6：Cascino，A.，M.Muscaritoli，C.Cangiano，L.Conversano， A.Laviano，S.Ariemma，M.M.Meguid和F.Rossi Fanelli，Plasma  amino acid imbalance in patients with lung and breast cancer.， Anticancer Res，1995.15(2)，第507-10页。

发明内容

发明所要解决的课题

但是，迄今为止存在的问题是：以多种氨基酸为变数来诊断是否 有女性生殖器癌症发病这样的诊断方法或诊断装置的开发从时间和 金钱方面的角度考虑并未得到进行，未得到实际应用。另外，还存在 以下问题：即使通过专利文献3中公开的肺癌判别用的指标式组来判 别是否有女性生殖器癌症发病，但由于判别对象不同，所以无法获得 充分的判别能力。

本发明鉴于上述问题而设，其目的在于提供：利用血液中的氨基 酸浓度中与女性生殖器癌症的状态相关的氨基酸的浓度可以高精度 地评价女性生殖器癌症的状态的女性生殖器癌症的评价方法。

用于解决课题的手段

本发明人等为了解决上述课题进行了深入研究，结果确定了对女 性生殖器癌症和非女性生殖器癌症的两组判别有用的氨基酸，同时发 现了包含以确定的氨基酸的浓度作为变数的多变量判别式(指标式、相 关式)与女性生殖器癌症的状态具有显著相关，从而完成了本发明。具 体而言，本发明人等探索了对女性生殖器癌症更具特异性的指标式， 结果可以得到较专利文献1、专利文献2或专利文献3等中公开的指 标式更适于评价女性生殖器癌症状态的指标式，从而完成了本发明。

即，为解决上述课题并达到目的，本发明所述的女性生殖器癌症 的评价方法的特征在于，该方法包括下述步骤：测定步骤，针对从评 价对象采集到的血液测定与氨基酸的浓度值有关的氨基酸浓度数据； 浓度值基准评价步骤，根据在上述测定步骤中测定的上述评价对象的 上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸的上述浓度值，对于上述评价对象评价包含宫颈 癌、子宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的状态。

本发明所述的女性生殖器癌症的评价方法的特征还在于，在上述 记载的女性生殖器癌症的评价方法中，上述浓度值基准评价步骤进一 步包括下述浓度值基准判别步骤：根据在上述测定步骤中测定的上述 评价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的上述浓度值，对于上述评价对象，判别是 上述女性生殖器癌症还是非女性生殖器癌症；是上述宫颈癌、上述子 宫体癌、上述卵巢癌中的任一种癌还是上述非女性生殖器癌症；是上 述宫颈癌、上述子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中 的任一种癌；是上述宫颈癌还是上述非宫颈癌；是上述子宫体癌还是 上述非子宫体癌；是上述卵巢癌还是非卵巢癌；是女性生殖器癌症罹 患风险组还是健康组；或者是否是上述宫颈癌、上述子宫体癌、上述 卵巢癌中的任一种癌。

本发明所述的女性生殖器癌症的评价方法的特征还在于，在上述 记载的女性生殖器癌症的评价方法中，上述浓度值基准评价步骤进一 步包括下述步骤：判别值计算步骤，根据在上述测定步骤中测定的上 述评价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的上述浓度值以及以上述氨基酸的浓度为变 数的预先设定的多变量判别式，计算该多变量判别式的值即判别值； 判别值基准评价步骤，根据在上述判别值计算步骤中算出的上述判别 值，对于上述评价对象评价上述女性生殖器癌症的状态；上述多变量 判别式含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 作为上述变数。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值基准评价步骤进一 步包括下述判别值基准判别步骤：根据在上述判别值计算步骤中算出 的上述判别值，对于上述评价对象，判别是上述女性生殖器癌症还是 非女性生殖器癌症；是上述宫颈癌、上述子宫体癌、上述卵巢癌中的 任一种癌还是上述非女性生殖器癌症；是上述宫颈癌、上述子宫体癌 中的任一种癌还是非宫颈癌、非子宫体癌中的任一种癌；是上述宫颈 癌还是上述非宫颈癌；是上述子宫体癌还是上述非子宫体癌；是上述 卵巢癌还是非卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或 者是否是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任一种癌。

本发明所述的女性生殖器癌症的评价方法的特征还在于，在上述 记载的女性生殖器癌症的评价方法中，上述多变量判别式为：1个分 数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归 式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典 型判别分析制作的公式、由决策树制作的公式中的任一式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、 Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸作为上述变数的上述多变量判别式来计 算上述判别值；上述判别值基准判别步骤是根据在上述判别值计算步 骤中算出的上述判别值，对于上述评价对象，判别是上述宫颈癌、上 述子宫体癌、上述卵巢癌中的任一种癌还是上述非女性生殖器癌症。 本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述记载 的女性生殖器癌症的评价方法中，上述多变量判别式为：以Gln、His、 Arg作为上述变数的上述分数式、以a-ABA、His、Met作为上述变数 的上述分数式、以Ile、His、Cit、Arg、Tyr、Trp作为上述变数的上 述分数式或以a-ABA、Cit、Met作为上述变数的上述分数式；以Gly、 Val、His、Arg作为上述变数的上述线性判别式、以Gly、a-ABA、 Met、His作为上述变数的上述线性判别式、以Ala、Ile、His、Trp、 Arg作为上述变数的上述线性判别式、以Gly、Cit、Met、Phe作为上 述变数的上述线性判别式或以His、Leu、Met、Cit、Ile、Tyr作为上 述变数的上述线性判别式；或以Val、Leu、His、Arg作为上述变数的 上述逻辑回归式、以a-ABA、Met、Tyr、His作为上述变数的上述逻 辑回归式、以Val、Ile、His、Trp、Arg作为上述变数的上述逻辑回归 式、以Cit、a-ABA、Met、Tyr作为上述变数的上述逻辑回归式或以 His、Leu、Met、Cit、Ile、Tyr作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、 Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为上述变数的上述多变量判别式来计 算上述判别值；上述判别值基准判别步骤是根据在上述判别值计算步 骤中算出的上述判别值，对于上述评价对象，判别是上述宫颈癌、上 述子宫体癌中的任一种癌还是上述非宫颈癌、上述非子宫体癌中的任 一种癌。本发明所述的女性生殖器癌症的评价方法的特征还在于，在 上述记载的女性生殖器癌症的评价方法中，上述多变量判别式为：以 Lys、His、Arg作为上述变数的上述分数式、以a-ABA、His、Met作 为上述变数的上述分数式或以Ile、His、Cit、Arg作为上述变数的上 述分数式；以Gly、Val、His、Arg作为上述变数的上述线性判别式、 以Gly、Phe、His、Arg作为上述变数的上述线性判别式、以Cit、Ile、 His、Arg作为上述变数的上述线性判别式或以His、Leu、Met、Cit、 Ile、Tyr作为上述变数的上述线性判别式；或以Val、His、Lys、Arg 作为上述变数的上述逻辑回归式、以Thr、a-ABA、Met、His作为上 述变数的上述逻辑回归式、以Cit、Ile、His、Arg作为上述变数的上 述逻辑回归式或以His、Leu、Met、Cit、Ile、Tyr作为上述变数的上 述逻辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸的上述浓度值以及含有Asn、Val、Met、Leu、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸作为上述变数的上述多变量 判别式来计算上述判别值；上述判别值基准判别步骤是根据在上述判 别值计算步骤中算出的上述判别值，对于上述评价对象判别是上述宫 颈癌还是上述非宫颈癌。本发明所述的女性生殖器癌症的评价方法的 特征还在于，在上述记载的女性生殖器癌症的评价方法中，上述多变 量判别式为：以a-ABA、His、Val作为上述变数的上述分数式、以 a-ABA、Met、Val作为上述变数的上述分数式或以Met、His、Cit、 Arg作为上述变数的上述分数式；以Gly、Val、His、Arg作为上述变 数的上述线性判别式、以Gly、Val、Met、Lys作为上述变数的上述 线性判别式、以Cit、Met、His、Arg作为上述变数的上述线性判别式 或以His、Leu、Met、Ile、Tyr、Lys作为上述变数的上述线性判别式； 或以Val、Leu、His、Arg作为上述变数的上述逻辑回归式、以Met、 His、Orn、Arg作为上述变数的上述逻辑回归式、以Val、Tyr、His、 Arg作为上述变数的上述逻辑回归式或以His、Leu、Met、Ile、Tyr、 Lys作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、 Trp、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、 Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少 一种氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上 述判别值基准判别步骤是根据在上述判别值计算步骤中算出的上述 判别值，对于上述评价对象判别是上述子宫体癌还是上述非子宫体 癌。本发明所述的女性生殖器癌症的评价方法的特征还在于，在上述 记载的女性生殖器癌症的评价方法中，上述多变量判别式为：以Lys、 His、Arg作为上述变数的上述分数式、以a-ABA、His、Met作为上 述变数的上述分数式或以Ile、His、Asn、Cit作为上述变数的上述分 数式；以Gln、His、Lys、Arg作为上述变数的上述线性判别式、以 Gly、Met、Phe、His作为上述变数的上述线性判别式、以Cit、Ile、 His、Arg作为上述变数的上述线性判别式或以His、Asn、Val、Pro、 Cit、Ile作为上述变数的上述线性判别式；或以Gln、Gly、His、Arg 作为上述变数的上述逻辑回归式、以Gln、Phe、His、Arg作为上述变 数的上述逻辑回归式、以Gln、Ile、His、Arg作为上述变数的上述逻 辑回归式或以His、Asn、Val、Pro、Cit、Ile作为上述变数的上述逻 辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含 有Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为上述变数的上述 多变量判别式来计算上述判别值；上述判别值基准判别步骤是根据在 上述判别值计算步骤中算出的上述判别值，对于上述评价对象判别是 上述卵巢癌还是上述非卵巢癌。本发明所述的女性生殖器癌症的评价 方法的特征还在于，在上述记载的女性生殖器癌症的评价方法中，上 述多变量判别式为：以Orn、Cit、Met作为上述变数的上述分数式、 以Gln、Cit、Tyr作为上述变数的上述分数式或以Orn、His、Phe、 Trp作为上述变数的上述分数式；以Ser、Cit、Orn、Trp作为上述变 数的上述线性判别式、以Ser、Cit、Ile、Orn作为上述变数的上述线 性判别式、以Phe、Trp、Orn、Lys作为上述变数的上述线性判别式 或以His、Trp、Glu、Cit、Ile、Orn作为上述变数的上述线性判别式； 或以Ser、Cit、Trp、Orn作为上述变数的上述逻辑回归式、以Gln、 Cit、Ile、Tyr作为上述变数的上述逻辑回归式、以Asn、Phe、His、 Trp作为上述变数的上述逻辑回归式或以His、Trp、Glu、Cit、Ile、 Orn作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、 Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸作为上述变数的上述多变量判别式来计 算上述判别值；上述判别值基准判别步骤是根据在上述判别值计算步 骤中算出的上述判别值，对于上述评价对象判别是上述女性生殖器癌 症罹患风险组还是上述健康组。

本发明所述的女性生殖器癌症的评价方法的特征还在于，在上述 记载的女性生殖器癌症的评价方法中，上述多变量判别式为：以Phe、 His、Met、Pro、Lys、Arg作为上述变数的上述线性判别式、或以Phe、 His、Met、Pro、Lys、Arg作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症的评价方法的特征还在于：在上述 记载的女性生殖器癌症的评价方法中，上述判别值计算步骤是根据在 上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含 的Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 的上述浓度值以及含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、 Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸作为上述变数的上述多变量判别式来计算上 述判别值；上述判别值基准判别步骤是根据在上述判别值计算步骤中 算出的上述判别值，对于上述评价对象判别是否是上述宫颈癌、上述 子宫体癌、上述卵巢癌中的任一种癌。本发明所述的女性生殖器癌症 的评价方法的特征还在于，在上述记载的女性生殖器癌症的评价方法 中，上述多变量判别式为：以Cit、Met、Lys、Asn、Ala、Thr、Gln、 a-ABA作为上述变数的按照上述马氏距离法制作的公式、或以His、 Leu、Ser、Thr、Glu、Gln、Ala、Lys作为上述变数的按照上述马氏 距离法制作的公式。

本发明所述的女性生殖器癌症评价装置是具备控制装置和存储 装置、且对于评价对象评价包含宫颈癌、子宫体癌和卵巢癌中的至少 一种癌的女性生殖器癌症的状态的女性生殖器癌症评价装置，其特征 在于，上述控制装置具备下述装置：判别值计算装置，根据与氨基酸 的浓度值相关的、预先取得的上述评价对象的氨基酸浓度数据中所含 的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓 度值以及以上述氨基酸浓度为变数、在上述存储装置中存储的多变量 判别式，计算该多变量判别式的值即判别值；判别值基准评价装置， 根据在上述判别值计算装置中算出的上述判别值，对于上述评价对象 评价上述女性生殖器癌症的状态；上述多变量判别式含有Thr、Ser、 Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为上述变数。

本发明所述的女性生殖器癌症评价装置的特征还在于，在上述记 载的女性生殖器癌症评价装置中，上述判别值基准评价装置进一步具 备下述判别值基准判别装置：根据在上述判别值计算装置中算出的上 述判别值，对于上述评价对象，判别是上述女性生殖器癌症还是非女 性生殖器癌症；是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任一 种癌还是上述非女性生殖器癌症；是上述宫颈癌、上述子宫体癌中的 任一种癌还是非宫颈癌、非子宫体癌中的任一种癌；是上述宫颈癌还 是上述非宫颈癌；是上述子宫体癌还是上述非子宫体癌；是上述卵巢 癌还是非卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或者是 否是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任一种癌。

本发明所述的女性生殖器癌症评价装置的特征还在于，在上述记 载的女性生殖器癌症评价装置中，上述多变量判别式为：1个分数式 或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、 由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判 别分析制作的公式、由决策树制作的公式中的任一式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Pro、Ala、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别装置是根据在上述判别值计算装置中算出的上述判别 值，对于上述评价对象判别是上述宫颈癌、上述子宫体癌、上述卵巢 癌中的任一种癌还是上述非女性生殖器癌症。本发明所述的女性生殖 器癌症评价装置的特征还在于，在上述记载的女性生殖器癌症评价装 置中，上述多变量判别式为：以Gln、His、Arg作为上述变数的上述 分数式、以a-ABA、His、Met作为上述变数的上述分数式、以Ile、 His、Cit、Arg、Tyr、Trp作为上述变数的上述分数式或以a-ABA、 Cit、Met作为上述变数的上述分数式；以Gly、Val、His、Arg作为 上述变数的上述线性判别式、以Gly、a-ABA、Met、His作为上述变 数的上述线性判别式、以Ala、Ile、His、Trp、Arg作为上述变数的上 述线性判别式、以Gly、Cit、Met、Phe作为上述变数的上述线性判别 式或以His、Leu、Met、Cit、Ile、Tyr作为上述变数的上述线性判别 式；或以Val、Leu、His、Arg作为上述变数的上述逻辑回归式、以 a-ABA、Met、Tyr、His作为上述变数的上述逻辑回归式、以Val、Ile、 His、Trp、Arg作为上述变数的上述逻辑回归式、以Cit、a-ABA、Met、 Tyr作为上述变数的上述逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、 Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别装置是根据在上述判别值计算装置中算出的上述判别 值，对于上述评价对象判别是上述宫颈癌、上述子宫体癌中的任一种 癌还是上述非宫颈癌、上述非子宫体癌中的任一种癌。本发明所述的 女性生殖器癌症评价装置的特征还在于，在上述记载的女性生殖器癌 症评价装置中，上述多变量判别式为：以Lys、His、Arg作为上述变 数的上述分数式、以a-ABA、His、Met作为上述变数的上述分数式或 以Ile、His、Cit、Arg作为上述变数的上述分数式；以Gly、Val、His、 Arg作为上述变数的上述线性判别式、以Gly、Phe、His、Arg作为上 述变数的上述线性判别式、以Cit、Ile、His、Arg作为上述变数的上 述线性判别式或以His、Leu、Met、Cit、Ile、Tyr作为上述变数的上 述线性判别式；或以Val、His、Lys、Arg作为上述变数的上述逻辑回 归式、以Thr、a-ABA、Met、His作为上述变数的上述逻辑回归式、 以Cit、Ile、His、Arg作为上述变数的上述逻辑回归式或以His、Leu、 Met、Cit、Ile、Tyr作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Asn、Val、Met、Leu、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含 有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上 述判别值基准判别装置是根据在上述判别值计算装置中算出的上述 判别值，对于上述评价对象判别是上述宫颈癌还是上述非宫颈癌。本 发明所述的女性生殖器癌症评价装置的特征还在于，在上述记载的女 性生殖器癌症评价装置中，上述多变量判别式为：以a-ABA、His、 Val作为上述变数的上述分数式、以a-ABA、Met、Val作为上述变数 的上述分数式或以Met、His、Cit、Arg作为上述变数的上述分数式； 以Gly、Val、His、Arg作为上述变数的上述线性判别式、以Gly、Val、 Met、Lys作为上述变数的上述线性判别式、以Cit、Met、His、Arg 作为上述变数的上述线性判别式或以His、Leu、Met、Ile、Tyr、Lys 作为上述变数的上述线性判别式；或以Val、Leu、His、Arg作为上述 变数的上述逻辑回归式、以Met、His、Orn、Arg作为上述变数的上 述逻辑回归式、以Val、Tyr、His、Arg作为上述变数的上述逻辑回归 式或以His、Leu、Met、Ile、Tyr、Lys作为上述变数的上述逻辑回归 式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸 的上述浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、 Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸作为上述变数的 上述多变量判别式来计算上述判别值；上述判别值基准判别装置是根 据在上述判别值计算装置中算出的上述判别值，对于上述评价对象判 别是上述子宫体癌还是上述非子宫体癌。本发明所述的女性生殖器癌 症评价装置的特征还在于，在上述女性生殖器癌症评价装置中，上述 多变量判别式为：以Lys、His、Arg作为上述变数的上述分数式、以 a-ABA、His、Met作为上述变数的上述分数式或以Ile、His、Asn、 Cit作为上述变数的上述分数式；以Gln、His、Lys、Arg作为上述变 数的上述线性判别式、以Gly、Met、Phe、His作为上述变数的上述 线性判别式、以Cit、Ile、His、Arg作为上述变数的上述线性判别式 或以His、Asn、Val、Pro、Cit、Ile作为上述变数的上述线性判别式； 或以Gln、Gly、His、Arg作为上述变数的上述逻辑回归式、以Gln、 Phe、His、Arg作为上述变数的上述逻辑回归式、以Gln、Ile、His、 Arg作为上述变数的上述逻辑回归式或以His、Asn、Val、Pro、Cit、 Ile作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为上述变数的上述多变量判别式来计算上述判 别值；上述判别值基准判别装置是根据在上述判别值计算装置中算出 的上述判别值，对于上述评价对象判别是上述卵巢癌还是上述非卵巢 癌。本发明所述的女性生殖器癌症评价装置的特征还在于，在上述记 载的女性生殖器癌症评价装置中，上述多变量判别式为：以Orn、Cit、 Met作为上述变数的上述分数式、以Gln、Cit、Tyr作为上述变数的 上述分数式或以Orn、His、Phe、Trp作为上述变数的上述分数式；以 Ser、Cit、Orn、Trp作为上述变数的上述线性判别式、以Ser、Cit、Ile、 Orn作为上述变数的上述线性判别式、以Phe、Trp、Orn、Lys作为上 述变数的上述线性判别式或以His、Trp、Glu、Cit、Ile、Orn作为上 述变数的上述线性判别式；或以Ser、Cit、Trp、Orn作为上述变数的 上述逻辑回归式、以Gln、Cit、Ile、Tyr作为上述变数的上述逻辑回 归式、以Asn、Phe、His、Trp作为上述变数的上述逻辑回归式或以 His、Trp、Glu、Cit、Ile、Orn作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Pro、Ala、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别装置是根据在上述判别值计算装置中算出的上述判别 值，对于上述评价对象判别是上述女性生殖器癌症罹患风险组还是上 述健康组。本发明所述的女性生殖器癌症评价装置的特征还在于，在 上述记载的女性生殖器癌症评价装置中，上述多变量判别式为：以 Phe、His、Met、Pro、Lys、Arg作为上述变数的上述线性判别式、或 以Phe、His、Met、Pro、Lys、Arg作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价装置的特征还在于：在上述记 载的女性生殖器癌症评价装置中，上述判别值计算装置是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Glu、Gln、 Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、 Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、 Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为 上述变数的上述多变量判别式来计算上述判别值；上述判别值基准判 别装置是根据在上述判别值计算装置中算出的上述判别值，对于上述 评价对象判别是否是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任 一种癌。本发明所述的女性生殖器癌症评价装置的特征还在于，在上 述记载的女性生殖器癌症评价装置中，上述多变量判别式为：以Cit、 Met、Lys、Asn、Ala、Thr、Gln、a-ABA作为上述变数、按照上述马 氏距离法制作的公式；或者以His、Leu、Ser、Thr、Glu、Gln、Ala、 Lys作为上述变数、按照上述马氏距离法制作的公式。

本发明所述的女性生殖器癌症评价装置的特征还在于，在上述记 载的女性生殖器癌症评价装置中，上述控制装置进一步具备下述多变 量判别式制作装置：根据包含上述氨基酸浓度数据和与表示上述女性 生殖器癌症的上述状态的指标相关的女性生殖器癌症状态指标数据、 在上述存储装置中存储的女性生殖器癌症状态信息，制作在上述存储 装置中存储的上述多变量判别式；上述多变量判别式制作装置进一步 具备下述装置：候选多变量判别式制作装置，根据规定的公式制作方 法，由上述女性生殖器癌症状态信息制作上述多变量判别式的候选即 候选多变量判别式；候选多变量判别式验证装置，根据规定的验证方 法，验证在上述候选多变量判别式制作装置中制作的上述候选多变量 判别式；变数选择装置，根据规定的变数选择方法，从上述候选多变 量判别式验证装置的验证结果中选择上述候选多变量判别式的变数， 来选择在制作上述候选多变量判别式时使用的上述女性生殖器癌症 状态信息中所含的上述氨基酸浓度数据的组合，根据反复运行上述候 选多变量判别式制作装置、上述候选多变量判别式验证装置以及上述 变数选择装置而累积的上述验证结果，从多个上述候选多变量判别式 中选出用作上述多变量判别式的上述候选多变量判别式，来制作上述 多变量判别式。

本发明所述的女性生殖器癌症评价方法是在具备控制装置和存 储装置的信息处理装置中运行的、对于评价对象评价包括宫颈癌、子 宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的状态的女性生 殖器癌症评价方法，其特征在于，在上述控制装置中运行以下步骤： 判别值计算步骤，根据与氨基酸的浓度值相关的、预先取得的上述评 价对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的上述浓度值以及以上述氨基酸的浓度作为变 数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的 值即判别值；判别值基准评价步骤，根据在上述判别值计算步骤中算 出的上述判别值，对于上述评价对象评价上述女性生殖器癌症的状 态；上述多变量判别式含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为上述变数。

本发明所述的女性生殖器癌症评价方法的特征还在于，在上述记 载的女性生殖器癌症评价方法中，上述判别值基准评价步骤进一步包 括下述判别值基准判别步骤：根据在上述判别值计算步骤中算出的上 述判别值，对于上述评价对象，判别是上述女性生殖器癌症还是非女 性生殖器癌症；是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任一 种癌还是上述非女性生殖器癌症；是上述宫颈癌、上述子宫体癌中的 任一种癌还是非宫颈癌、非子宫体癌中的任一种癌；是上述宫颈癌还 是上述非宫颈癌；是上述子宫体癌还是上述非子宫体癌；是上述卵巢 癌还是非卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或者是 否是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任一种癌。

本发明所述的女性生殖器癌症评价方法的特征还在于，在上述记 载的女性生殖器癌症评价方法中，上述多变量判别式为：1个分数式 或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、 由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判 别分析制作的公式、由决策树制作的公式中的任一式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Pro、Ala、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别步骤是根据在上述判别值计算步骤中算出的上述判别 值，对于上述评价对象判别是上述宫颈癌、上述子宫体癌、上述卵巢 癌中的任一种癌还是上述非女性生殖器癌症。本发明所述的女性生殖 器癌症评价方法的特征还在于，在上述记载的女性生殖器癌症评价方 法中，上述多变量判别式为：以Gln、His、Arg作为上述变数的上述 分数式、以a-ABA、His、Met作为上述变数的上述分数式、以Ile、 His、Cit、Arg、Tyr、Trp作为上述变数的上述分数式或以a-ABA、 Cit、Met作为上述变数的上述分数式；以Gly、Val、His、Arg作为 上述变数的上述线性判别式、以Gly、a-ABA、Met、His作为上述变 数的上述线性判别式、以Ala、Ile、His、Trp、Arg作为上述变数的上 述线性判别式、以Gly、Cit、Met、Phe作为上述变数的上述线性判别 式或以His、Leu、Met、Cit、Ile、Tyr作为上述变数的上述线性判别 式；或以Val、Leu、His、Arg作为上述变数的上述逻辑回归式、以 a-ABA、Met、Tyr、His作为上述变数的上述逻辑回归式、以Val、Ile、 His、Trp、Arg作为上述变数的上述逻辑回归式、以Cit、a-ABA、Met、 Tyr作为上述变数的上述逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、 Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别步骤是根据在上述判别值计算步骤中算出的上述判别 值，对于上述评价对象判别是上述宫颈癌、上述子宫体癌中的任一种 癌还是上述非宫颈癌、上述非子宫体癌中的任一种癌。本发明所述的 女性生殖器癌症评价方法的特征还在于，在上述记载的女性生殖器癌 症评价方法中，上述多变量判别式为：以Lys、His、Arg作为上述变 数的上述分数式、以a-ABA、His、Met作为上述变数的上述分数式或 以Ile、His、Cit、Arg作为上述变数的上述分数式；以Gly、Val、His、 Arg作为上述变数的上述线性判别式、以Gly、Phe、His、Arg作为上 述变数的上述线性判别式、以Cit、Ile、His、Arg作为上述变数的上 述线性判别式或以His、Leu、Met、Cit、Ile、Tyr作为上述变数的上 述线性判别式；或以Val、His、Lys、Arg作为上述变数的上述逻辑回 归式、以Thr、a-ABA、Met、His作为上述变数的上述逻辑回归式、 以Cit、Ile、His、Arg作为上述变数的上述逻辑回归式或以His、Leu、 Met、Cit、Ile、Tyr作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Asn、Val、Met、Leu、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含 有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上 述判别值基准判别步骤是根据在上述判别值计算步骤中算出的上述 判别值，对于上述评价对象判别是上述宫颈癌还是上述非宫颈癌。本 发明所述的女性生殖器癌症评价方法的特征还在于，在上述记载的女 性生殖器癌症评价方法中，上述多变量判别式为：以a-ABA、His、 Val作为上述变数的上述分数式、以a-ABA、Met、Val作为上述变数 的上述分数式或以Met、His、Cit、Arg作为上述变数的上述分数式； 以Gly、Val、His、Arg作为上述变数的上述线性判别式、以Gly、Val、 Met、Lys作为上述变数的上述线性判别式、以Cit、Met、His、Arg 作为上述变数的上述线性判别式或以His、Leu、Met、Ile、Tyr、Lys 作为上述变数的上述线性判别式；或以Val、Leu、His、Arg作为上述 变数的上述逻辑回归式、以Met、His、Orn、Arg作为上述变数的上 述逻辑回归式、以Val、Tyr、His、Arg作为上述变数的上述逻辑回归 式或以His、Leu、Met、Ile、Tyr、Lys作为上述变数的上述逻辑回归 式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸 的上述浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、 Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸作为上述变数的 上述多变量判别式来计算上述判别值；上述判别值基准判别步骤是根 据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象判 别是上述子宫体癌还是上述非子宫体癌。本发明所述的女性生殖器癌 症评价方法的特征还在于，在上述记载的女性生殖器癌症评价方法 中，上述多变量判别式为：以Lys、His、Arg作为上述变数的上述分 数式、以a-ABA、His、Met作为上述变数的上述分数式或以Ile、His、 Asn、Cit作为上述变数的上述分数式；以Gln、His、Lys、Arg作为 上述变数的上述线性判别式、以Gly、Met、Phe、His作为上述变数 的上述线性判别式、以Cit、Ile、His、Arg作为上述变数的上述线性 判别式或以His、Asn、Val、Pro、Cit、Ile作为上述变数的上述线性 判别式；或以Gln、Gly、His、Arg作为上述变数的上述逻辑回归式、 以Gln、Phe、His、Arg作为上述变数的上述逻辑回归式、以Gln、Ile、 His、Arg作为上述变数的上述逻辑回归式或以His、Asn、Val、Pro、 Cit、Ile作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为上述变数的上述多变量判别式来计算上述判 别值；上述判别值基准判别步骤是根据在上述判别值计算步骤中算出 的上述判别值，对于上述评价对象判别是上述卵巢癌还是上述非卵巢 癌。本发明所述的女性生殖器癌症评价方法的特征还在于，在上述记 载的女性生殖器癌症评价方法中，上述多变量判别式为：以Orn、Cit、 Met作为上述变数的上述分数式、以Gln、Cit、Tyr作为上述变数的 上述分数式或以Orn、His、Phe、Trp作为上述变数的上述分数式；以 Ser、Cit、Orn、Trp作为上述变数的上述线性判别式、以Ser、Cit、Ile、 Orn作为上述变数的上述线性判别式、以Phe、Trp、Orn、Lys作为上 述变数的上述线性判别式或以His、Trp、Glu、Cit、Ile、Orn作为上 述变数的上述线性判别式；或以Ser、Cit、Trp、Orn作为上述变数的 上述逻辑回归式、以Gln、Cit、Ile、Tyr作为上述变数的上述逻辑回 归式、以Asn、Phe、His、Trp作为上述变数的上述逻辑回归式或以 His、Trp、Glu、Cit、Ile、Orn作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸的上述浓度值以及含有Thr、Ser、Asn、Gln、Pro、Ala、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种 氨基酸作为上述变数的上述多变量判别式来计算上述判别值；上述判 别值基准判别步骤是根据在上述判别值计算步骤中算出的上述判别 值，对于上述评价对象判别是上述女性生殖器癌症罹患风险组还是上 述健康组。本发明所述的女性生殖器癌症评价方法的特征还在于，在 上述记载的女性生殖器癌症评价方法中，上述多变量判别式为：以 Phe、His、Met、Pro、Lys、Arg作为上述变数的上述线性判别式、或 以Phe、His、Met、Pro、Lys、Arg作为上述变数的上述逻辑回归式。

本发明所述的女性生殖器癌症评价方法的特征还在于：在上述记 载的女性生殖器癌症评价方法中，上述判别值计算步骤是根据上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Glu、Gln、 Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸的上述浓度值以及含有Thr、 Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、 Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为 上述变数的上述多变量判别式来计算上述判别值；上述判别值基准判 别步骤是根据在上述判别值计算步骤中算出的上述判别值，对于上述 评价对象判别是否是上述宫颈癌、上述子宫体癌、上述卵巢癌中的任 一种癌。本发明所述的女性生殖器癌症评价方法的特征还在于，在上 述记载的女性生殖器癌症评价方法中，上述多变量判别式为：以Cit、 Met、Lys、Asn、Ala、Thr、Gln、a-ABA作为上述变数、按照上述马 氏距离法制作的公式；或以His、Leu、Ser、Thr、Glu、Gln、Ala、 Lys作为上述变数、按照上述马氏距离法制作的公式。

本发明所述的女性生殖器癌症评价方法的特征还在于，在上述记 载的女性生殖器癌症评价方法中，在上述控制装置中进一步运行下述 多变量判别式制作步骤：根据包含上述氨基酸浓度数据和与表示上述 女性生殖器癌症的上述状态的指标相关的女性生殖器癌症状态指标 数据、在上述存储装置中存储的女性生殖器癌症状态信息，制作在上 述存储装置中存储的上述多变量判别式，上述多变量判别式制作步骤 进一步包括下述步骤：候选多变量判别式制作步骤，根据规定的公式 制作方法，由上述女性生殖器癌症状态信息制作上述多变量判别式的 候选即候选多变量判别式；候选多变量判别式验证步骤，根据规定的 验证方法，验证在上述候选多变量判别式制作步骤中制作的上述候选 多变量判别式；变数选择步骤，根据规定的变数选择方法，从上述候 选多变量判别式验证步骤的验证结果中选择上述候选多变量判别式 的变数，来选择在制作上述候选多变量判别式时使用的上述女性生殖 器癌症状态信息中所含的上述氨基酸浓度数据的组合，根据反复运行 上述候选多变量判别式制作步骤、上述候选多变量判别式验证步骤以 及上述变数选择步骤而累积的上述验证结果，从多个上述候选多变量 判别式中选出用作上述多变量判别式的上述候选多变量判别式，来制 作上述多变量判别式。

本发明所述的女性生殖器癌症评价系统是经由网络以可通信的 方式将具备控制装置和存储装置且对于评价对象评价包括宫颈癌、子 宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的状态的女性生 殖器癌症评价装置与提供上述评价对象的与氨基酸浓度值相关的氨 基酸浓度数据的信息通信终端装置连接在一起而构成的女性生殖器 癌症评价系统，其特征在于：上述信息通信终端装置具备下述装置： 氨基酸浓度数据发送装置，将上述评价对象的上述氨基酸浓度数据发 送至上述女性生殖器癌症评价装置；评价结果接收装置，接收由上述 女性生殖器癌症评价装置发送的针对上述评价对象作出的与上述女 性生殖器癌症的状态相关的评价结果，上述女性生殖器癌症评价装置 的上述控制装置具备下述装置：氨基酸浓度数据接收装置，接收由上 述信息通信终端装置发送的上述评价对象的上述氨基酸浓度数据；判 别值计算装置，根据在上述氨基酸浓度数据接收装置中接收的上述评 价对象的上述氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、 Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的上述浓度值以及以上述氨基酸的浓度为变 数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的 值即判别值；判别值基准评价装置，根据在上述判别值计算装置中算 出的上述判别值，对于上述评价对象评价上述女性生殖器癌症的状 态；评价结果发送装置，将上述判别值基准评价装置中作出的针对上 述评价对象的上述评价结果发送至上述信息通信终端装置，上述多变 量判别式含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 作为上述变数。

本发明所述的女性生殖器癌症评价程序是在具备控制装置和存 储装置的信息处理装置中运行的、对于评价对象评价包含宫颈癌、子 宫体癌和卵巢癌中的至少一种癌的女性生殖器癌症的状态的女性生 殖器癌症评价程序，其特征在于，在上述控制装置中运行下述步骤： 判别值计算步骤，根据与氨基酸的浓度值相关的、预先取得的上述评 价对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的上述浓度值以及以上述氨基酸的浓度为变数、 在上述存储装置中存储的多变量判别式，计算该多变量判别式的值即 判别值；判别值基准评价步骤，根据在上述判别值计算步骤中算出的 上述判别值，对于上述评价对象评价上述女性生殖器癌症的状态，上 述多变量判别式含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、 Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸作为上述变数。

本发明所述的记录介质是计算机可读取的记录介质，其特征在 于：该记录介质记录有上述记载的女性生殖器癌症评价程序。

发明效果

根据本发明，针对从评价对象采集到的血液测定与氨基酸浓度值 相关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓度数据中所 含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值， 对于评价对象评价包含宫颈癌、子宫体癌和卵巢癌中的至少一种癌的 女性生殖器癌症的状态，因此，利用血液中的氨基酸浓度中与女性生 殖器癌症状态相关的氨基酸浓度，发挥可以高精度地评价女性生殖器 癌症的状态的效果。具体而言，可以以1种检体且短时间内即可缩小 筛选范围至女性生殖器癌症中罹患的可能性高的被验者，其结果，发 挥可以减轻被检者的时间、身体和金钱方面的负担的效果。具体而言， 根据多个氨基酸的浓度，可以高精度地评价某检体是否有女性生殖器 癌症发病，其结果，发挥可以实现检查的高效化或高精度化的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值，对于 评价对象，判别是女性生殖器癌症还是非女性生殖器癌症；是宫颈癌、 子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症；是宫颈癌、 子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中的任一种癌；是 宫颈癌还是非宫颈癌；是子宫体癌还是非子宫体癌；是卵巢癌还是非 卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或者是否是宫颈 癌、子宫体癌、卵巢癌中的任一种癌，因此，利用血液中的氨基酸浓 度中对于女性生殖器癌症和非女性生殖器癌症的两组判别或宫颈癌、 子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别、宫颈癌、 子宫体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判 别、宫颈癌和非宫颈癌的两组判别、子宫体癌和非子宫体癌的两组判 别、卵巢癌和非卵巢癌的两组判别、女性生殖器癌症罹患风险组和健 康组的两组判别、宫颈癌和子宫体癌和卵巢癌的判别有用的氨基酸的 浓度，发挥可以高精度地进行上述两组判别或上述判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及以 氨基酸浓度为变数的预先设定的含有Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式，计算该多变量判别式 的值即判别值，再根据算出的判别值，对于评价对象评价女性生殖器 癌症的状态，因此，利用由与女性生殖器癌症的状态具有显著相关的 多变量判别式得到的判别值，发挥可以高精度地评价女性生殖器癌症 的状态的效果。具体而言，可以以1种检体且短时间内即可缩小筛选 范围至女性生殖器癌症中罹患的可能性高的被验者，其结果，发挥可 以减轻被检者的时间、身体和金钱方面的负担的效果。具体而言，根 据多个氨基酸的浓度或以该氨基酸浓度为变数的判别式，可以高精度 地评价某检体是否有女性生殖器癌症发病，其结果，发挥可以实现检 查的高效化或高精度化的效果。

根据本发明，根据算出的判别值，对于评价对象，判别是女性生 殖器癌症还是非女性生殖器癌症；是宫颈癌、子宫体癌、卵巢癌中的 任一种癌还是非女性生殖器癌症；是宫颈癌、子宫体癌中的任一种癌 还是非宫颈癌、非子宫体癌中的任一种癌；是宫颈癌还是非宫颈癌； 是子宫体癌还是非子宫体癌；是卵巢癌还是非卵巢癌；是女性生殖器 癌症罹患风险组还是健康组；或者是否是宫颈癌、子宫体癌、卵巢癌 中的任一种癌，因此，利用由对于女性生殖器癌症和非女性生殖器癌 症的两组判别或宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女性生 殖器癌症的判别、宫颈癌、子宫体癌中的任一种癌和非宫颈癌、非子 宫体癌中的任一种癌的判别、宫颈癌和非宫颈癌的两组判别、子宫体 癌和非子宫体癌的两组判别、卵巢癌和非卵巢癌的两组判别、女性生 殖器癌症罹患风险组和健康组的两组判别、宫颈癌和子宫体癌和卵巢 癌的判别有用的多变量判别式得到的判别值，发挥可以高精度地进行 上述两组判别或上述判别的效果。

根据本发明，多变量判别式为1个分数式或多个分数式之和、或 逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、 按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策 树制作的公式中的任一式，因此，利用由对于女性生殖器癌症和非女 性生殖器癌症的两组判别或宫颈癌、子宫体癌、卵巢癌中的任一种癌 和非女性生殖器癌症的判别、宫颈癌、子宫体癌中的任一种癌和非宫 颈癌、非子宫体癌中的任一种癌的判别、宫颈癌和非宫颈癌的两组判 别、子宫体癌和非子宫体癌的两组判别、卵巢癌和非卵巢癌的两组判 别、女性生殖器癌症罹患风险组和健康组的两组判别、宫颈癌和子宫 体癌和卵巢癌的判别特别有用的多变量判别式得到的判别值，发挥可 以进一步高精度地进行上述两组判别或上述判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸作为变数的多变量判别式来计算判别 值，再根据算出的判别值，对于评价对象判别是宫颈癌、子宫体癌、 卵巢癌中的任一种癌还是非女性生殖器癌症，因此，利用由对于宫颈 癌、子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别特别 有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该 判别的效果。根据本发明，多变量判别式为以Gln、His、Arg为变数 的分数式、以a-ABA、His、Met为变数的分数式、以Ile、His、Cit、 Arg、Tyr、Trp为变数的分数式或以a-ABA、Cit、Met为变数的分数 式；以Gly、Val、His、Arg为变数的线性判别式、以Gly、a-ABA、 Met、His为变数的线性判别式、以Ala、Ile、His、Trp、Arg为变数 的线性判别式、以Gly、Cit、Met、Phe为变数的线性判别式或以His、 Leu、Met、Cit、Ile、Tyr为变数的线性判别式；或以Val、Leu、His、 Arg为变数的逻辑回归式、以a-ABA、Met、Tyr、His为变数的逻辑 回归式、以Val、Ile、His、Trp、Arg为变数的逻辑回归式、以Cit、 a-ABA、Met、Tyr为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr为变数的逻辑回归式，因此，利用由对于宫颈癌、子宫体癌、卵 巢癌中的任一种癌和非女性生殖器癌症的判别特别有用的多变量判 别式得到的判别值，发挥可以进一步高精度地进行该判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、 Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、 Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式来计算判别值，再根据 算出的判别值，对于评价对象判别是宫颈癌、子宫体癌中的任一种癌 还是非宫颈癌、非子宫体癌中的任一种癌，因此，利用由对于宫颈癌、 子宫体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别 特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进 行该判别的效果。根据本发明，多变量判别式为：以Lys、His、Arg 为变数的分数式、以a-ABA、His、Met为变数的分数式或以Ile、His、 Cit、Arg为变数的分数式；以Gly、Val、His、Arg为变数的线性判别 式、以Gly、Phe、His、Arg为变数的线性判别式、以Cit、Ile、His、 Arg为变数的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为变数 的线性判别式；或以Val、His、Lys、Arg为变数的逻辑回归式、以 Thr、a-ABA、Met、His为变数的逻辑回归式、以Cit、Ile、His、Arg 为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、Tyr为变数的逻 辑回归式，因此，利用由对于宫颈癌、子宫体癌中的任一种癌和非宫 颈癌、非子宫体癌中的任一种癌的判别特别有用的多变量判别式得到 的判别值，发挥可以进一步高精度地进行该判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸的浓度值以及含有Asn、Val、Met、Leu、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为变数的多变量判别式来计算判别 值，再根据算出的判别值，对于评价对象判别是宫颈癌还是非宫颈癌， 因此，利用由对于宫颈癌和非宫颈癌的两组判别特别有用的多变量判 别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效 果。根据本发明，多变量判别式为：以a-ABA、His、Val为变数的分 数式、以a-ABA、Met、Val为变数的分数式或以Met、His、Cit、Arg 为变数的分数式；以Gly、Val、His、Arg为变数的线性判别式、以 Gly、Val、Met、Lys为变数的线性判别式、以Cit、Met、His、Arg 为变数的线性判别式或以His、Leu、Met、Ile、Tyr、Lys为变数的线 性判别式；或以Val、Leu、His、Arg为变数的逻辑回归式、以Met、 His、Orn、Arg为变数的逻辑回归式、以Val、Tyr、His、Arg为变数 的逻辑回归式或以His、Leu、Met、Ile、Tyr、Lys为变数的逻辑回归 式，因此，利用由对于宫颈癌和非宫颈癌的两组判别特别有用的多变 量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的 效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸 作为变数的多变量判别式来计算判别值，再根据算出的判别值，对于 评价对象判别是子宫体癌还是非子宫体癌，因此，利用由对于子宫体 癌和非子宫体癌的两组判别特别有用的多变量判别式得到的判别值， 发挥可以进一步高精度地进行该两组判别的效果。根据本发明，多变 量判别式为：以Lys、His、Arg为变数的分数式、以a-ABA、His、 Met为变数的分数式或以Ile、His、Asn、Cit为变数的分数式；以Gln、 His、Lys、Arg为变数的线性判别式、以Gly、Met、Phe、His为变数 的线性判别式、以Cit、Ile、His、Arg为变数的线性判别式或以His、 Asn、Val、Pro、Cit、Ile为变数的线性判别式；或以Gln、Gly、His、 Arg为变数的逻辑回归式、以Gln、Phe、His、Arg为变数的逻辑回归 式、以Gln、Ile、His、Arg为变数的逻辑回归式或以His、Asn、Val、 Pro、Cit、Ile为变数的逻辑回归式，因此，利用由对于子宫体癌和非 子宫体癌的两组判别特别有用的多变量判别式得到的判别值，发挥可 以进一步高精度地进行该两组判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、 Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为变数的多变量判别式来计算判别 值，再根据算出的判别值，对于评价对象判别是卵巢癌还是非卵巢癌， 因此，利用由对于卵巢癌和非卵巢癌的两组判别特别有用的多变量判 别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效 果。根据本发明，多变量判别式为：以Orn、Cit、Met为变数的分数 式、以Gln、Cit、Tyr为变数的分数式或以Orn、His、Phe、Trp为变 数的分数式；以Ser、Cit、Orn、Trp为变数的线性判别式、以Ser、 Cit、Ile、Orn为变数的线性判别式、以Phe、Trp、Orn、Lys为变数 的线性判别式或以His、Trp、Glu、Cit、Ile、Orn为变数的线性判别 式；或以Ser、Cit、Trp、Orn为变数的逻辑回归式、以Gln、Cit、Ile、 Tyr为变数的逻辑回归式、以Asn、Phe、His、Trp为变数的逻辑回归 式或以His、Trp、Glu、Cit、Ile、Orn为变数的逻辑回归式，因此， 利用由对于卵巢癌和非卵巢癌的两组判别特别有用的多变量判别式 得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸作为变数的多变量判别式来计算判别 值，再根据算出的判别值，对于评价对象判别是女性生殖器癌症罹患 风险组还是健康组，因此，利用由对于女性生殖器癌症罹患风险组和 健康组的两组判别特别有用的多变量判别式得到的判别值，发挥可以 进一步高精度地进行该两组判别的效果。根据本发明，多变量判别式 为：以Phe、His、Met、Pro、Lys、Arg为变数的线性判别式、或以 Phe、His、Met、Pro、Lys、Arg为变数的逻辑回归式，因此，利用由 对于女性生殖器癌症罹患风险组和健康组的两组判别特别有用的多 变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别 的效果。

根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 的浓度值以及含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、 ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式来计算判别值，再根据 算出的判别值，对于评价对象判别是否是宫颈癌、子宫体癌、卵巢癌 中的任一种癌，因此，利用由对于宫颈癌和子宫体癌和卵巢癌的判别 特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进 行该判别的效果。根据本发明，多变量判别式为：以Cit、Met、Lys、 Asn、Ala、Thr、Gln、a-ABA为变数的按照马氏距离法制作的公式； 或以His、Leu、Ser、Thr、Glu、Gln、Ala、Lys为变数的按照马氏距 离法制作的公式，因此，利用由对于宫颈癌和子宫体癌和卵巢癌的判 别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地 进行该判别的效果。

根据本发明，根据包含氨基酸浓度数据和与表示女性生殖器癌症 的状态的指标相关的女性生殖器癌症状态指标数据、在存储装置中存 储的女性生殖器癌症状态信息，制作在存储装置中存储的多变量判别 式。具体而言，(1)根据规定的公式制作方法，由女性生殖器癌症状态 信息制作候选多变量判别式；(2)根据规定的验证方法，验证制作的候 选多变量判别式；(3)根据规定的变数选择方法，从该验证结果中选择 候选多变量判别式的变数，来选择在制作候选多变量判别式时使用的 女性生殖器癌症状态信息中所含的氨基酸浓度数据的组合，(4)根据反 复运行(1)、(2)和(3)而累积的验证结果，从多个候选多变量判别式中 选出用作多变量判别式的候选多变量判别式，来制作多变量判别式。 由此，发挥可以制作最适合女性生殖器癌症状态的评价的多变量判别 式的效果。

根据本发明，通过计算机读取并运行记录在该记录介质上的女性 生殖器癌症评价程序，在计算机上运行女性生殖器癌症评价程序，因 此，发挥可以获得与女性生殖器癌症评价程序同样的效果的效果。

本发明中，在评价女性生殖器癌症的状态时，除氨基酸的浓度以 外，可进一步使用其它的代谢物的浓度或基因的表达量、蛋白的表达 量、被验者的年龄和性别、是否吸烟、心电图的波形数值化所得的数 据等。另外，本发明中，在评价女性生殖器癌症的状态时，作为多变 量判别式中的变数，除氨基酸的浓度之外，还可以进一步使用其它的 代谢物的浓度或基因的表达量、蛋白的表达量、被验者的年龄和性别、 是否吸烟、心电图的波形数值化所得的数据等。

附图说明

图1是表示本发明的基本原理的原理构成图。

图2是表示实施方案1所述的女性生殖器癌症的评价方法的一个 例子的流程图。

图3是表示本发明的基本原理的原理构成图。

图4是表示本系统的全体构成的一个例子的图。

图5是表示本系统的全体构成的又一个例子的图。

图6是表示本系统的女性生殖器癌症评价装置100的构成的一个 例子的框图。

图7是表示保存在利用者信息文件106a中的信息的一个例子的 图。

图8是表示保存在氨基酸浓度数据文件106b中的信息的一个例 子的图。

图9是表示保存在女性生殖器癌症状态信息文件106c中的信息 的一个例子的图。

图10是表示保存在指定女性生殖器癌症状态信息文件106d中的 信息的一个例子的图。

图11是表示保存在候选多变量判别式文件106e1中的信息的一 个例子的图。

图12是表示保存在验证结果文件106e2中的信息的一个例子的 图。

图13是表示保存在选择女性生殖器癌症状态信息文件106e3中 的信息的一个例子的图。

图14是表示保存在多变量判别式文件106e4中的信息的一个例 子的图。

图15是表示保存在判别值文件106f中的信息的一个例子的图。

图16是表示保存在评价结果文件106g中的信息的一个例子的 图。

图17是表示多变量判别式制作部102h的构成的框图。

图18是表示判别值基准评价部102j的构成的框图。

图19是表示本系统的客户端装置200的构成的一个例子的框图。

图20是表示本系统的数据库装置400的构成的一个例子的框图。

图21是表示在本系统中进行的女性生殖器癌症评价服务处理的 一个例子的流程图。

图22是表示在本系统的女性生殖器癌症评价装置100中进行的 多变量判别式制作处理的一个例子的流程图。

图23是与癌症患者组、良性疾病组和健康组的氨基酸变数的分 布相关的箱线图。

图24是与宫颈癌组、子宫体癌组、卵巢癌组、良性疾病组和健 康组的氨基酸变数的分布相关的箱线图。

图25是表示在各组间的两组判别中各氨基酸变数的ROC曲线下 面积的图。

图26是表示指标式1～12以及与各指标式有关的ROC曲线下面 积、截断值、灵敏度、特异度、阳性命中率、阴性命中率和准确率的 图。

图27是表示与指标式1具有同等判别性能的指标式的一览图。

图28是表示与指标式2具有同等判别性能的指标式的一览图。

图29是表示与指标式3具有同等判别性能的指标式的一览图。

图30是表示与指标式3具有同等判别性能的指标式的一览图。

图31是表示与指标式4具有同等判别性能的指标式的一览图。

图32是表示与指标式5具有同等判别性能的指标式的一览图。

图33是表示与指标式6具有同等判别性能的指标式的一览图。

图34是表示与指标式6具有同等判别性能的指标式的一览图。

图35是表示与指标式7具有同等判别性能的指标式的一览图。

图36是表示与指标式8具有同等判别性能的指标式的一览图。

图37是表示与指标式9具有同等判别性能的指标式的一览图。

图38是表示与指标式9具有同等判别性能的指标式的一览图。

图39是表示与指标式10具有同等判别性能的指标式的一览图。

图40是表示与指标式11具有同等判别性能的指标式的一览图。

图41是表示与指标式12具有同等判别性能的指标式的一览图。

图42是表示与指标式12具有同等判别性能的指标式的一览图。

图43是表示指标式13～21以及与各指标式有关的ROC曲线下面 积、截断值、灵敏度、特异度、阳性命中率、阴性命中率和准确率的 图。

图44是表示与指标式13具有同等判别性能的指标式的一览图。

图45是表示与指标式14具有同等判别性能的指标式的一览图。

图46是表示与指标式15具有同等判别性能的指标式的一览图。

图47是表示与指标式15具有同等判别性能的指标式的一览图。

图48是表示与指标式16具有同等判别性能的指标式的一览图。

图49是表示与指标式17具有同等判别性能的指标式的一览图。

图50是表示与指标式18具有同等判别性能的指标式的一览图。

图51是表示与指标式18具有同等判别性能的指标式的一览图。

图52是表示与指标式19具有同等判别性能的指标式的一览图。

图53是表示与指标式20具有同等判别性能的指标式的一览图。

图54是表示与指标式21具有同等判别性能的指标式的一览图。

图55是表示与指标式21具有同等判别性能的指标式的一览图。

图56是表示指标式22～30以及与各指标式有关的ROC曲线下面 积、截断值、灵敏度、特异度、阳性命中率、阴性命中率和准确率的 图。

图57是表示与指标式22具有同等判别性能的指标式的一览图。

图58是表示与指标式23具有同等判别性能的指标式的一览图。

图59是表示与指标式24具有同等判别性能的指标式的一览图。

图60是表示与指标式24具有同等判别性能的指标式的一览图。

图61是表示与指标式25具有同等判别性能的指标式的一览图。

图62是表示与指标式26具有同等判别性能的指标式的一览图。

图63是表示与指标式27具有同等判别性能的指标式的一览图。

图64是表示与指标式27具有同等判别性能的指标式的一览图。

图65是表示与指标式28具有同等判别性能的指标式的一览图。

图66是表示与指标式29具有同等判别性能的指标式的一览图。

图67是表示与指标式30具有同等判别性能的指标式的一览图。

图68是表示与指标式30具有同等判别性能的指标式的一览图。

图69是表示指标式31～39以及与各指标式有关的ROC曲线下面 积、截断值、灵敏度、特异度、阳性命中率、阴性命中率和准确率的 图。

图70是表示与指标式31具有同等判别性能的指标式的一览图。

图71是表示与指标式32具有同等判别性能的指标式的一览图。

图72是表示与指标式33具有同等判别性能的指标式的一览图。

图73是表示与指标式33具有同等判别性能的指标式的一览图。

图74是表示与指标式34具有同等判别性能的指标式的一览图。

图75是表示与指标式35具有同等判别性能的指标式的一览图。

图76是表示与指标式36具有同等判别性能的指标式的一览图。

图77是表示与指标式36具有同等判别性能的指标式的一览图。

图78是表示与指标式37具有同等判别性能的指标式的一览图。

图79是表示与指标式38具有同等判别性能的指标式的一览图。

图80是表示与指标式39具有同等判别性能的指标式的一览图。

图81是表示与指标式39具有同等判别性能的指标式的一览图。

图82是表示指标式40～48以及与各指标式有关的ROC曲线下面 积、截断值、灵敏度、特异度、阳性命中率、阴性命中率和准确率的 图。

图83是表示与指标式40具有同等判别性能的指标式的一览图。

图84是表示与指标式41具有同等判别性能的指标式的一览图。

图85是表示与指标式42具有同等判别性能的指标式的一览图。

图86是表示与指标式42具有同等判别性能的指标式的一览图。

图87是表示与指标式43具有同等判别性能的指标式的一览图。

图88是表示与指标式44具有同等判别性能的指标式的一览图。

图89是表示与指标式45具有同等判别性能的指标式的一览图。

图90是表示与指标式45具有同等判别性能的指标式的一览图。

图91是表示与指标式46具有同等判别性能的指标式的一览图。

图92是表示与指标式47具有同等判别性能的指标式的一览图。

图93是表示与指标式48具有同等判别性能的指标式的一览图。

图94是表示与指标式48具有同等判别性能的指标式的一览图。

图95是表示指标式49和50、以及与各指标式有关的SPEARMAN 相关系数和ROC曲线下面积的图。

图96是表示与指标式49具有同等判别性能的指标式的一览图。

图97是表示与指标式49具有同等判别性能的指标式的一览图。

图98是表示与指标式50具有同等判别性能的指标式的一览图。

图99是表示与指标式50具有同等判别性能的指标式的一览图。

图100是表示宫颈癌、子宫体癌、卵巢癌的准确率的图。

图101是表示与变数组1显示出同等的判别性能的氨基酸变数组 的组合的一览图。

图102是表示与变数组1显示出同等的判别性能的氨基酸变数组 的组合的一览图。

图103是表示与变数组1显示出同等的判别性能的氨基酸变数组 的组合的一览图。

图104是表示作为指标式组1的、包含氨基酸变数Asn、Pro、Cit、 ABA、Val、Ile、Tyr、Phe、Trp、Orn、Lys和常数项的判别式组的图。

图105是表示宫颈癌、子宫体癌、卵巢癌的准确率的图。

图106是表示与指标式组1显示出同等的判别性能的氨基酸变数 组的组合的一览图。

图107是表示与指标式组1显示出同等的判别性能的氨基酸变数 组的组合的一览图。

图108是表示与各指标式有关的各两组判别中的ROC曲线下面 积的图。

图109是与癌症患者组和非癌症组的氨基酸变数的分布相关的箱 线图。

图110是与子宫癌患者组和非子宫癌组的氨基酸变数的分布相关 的箱线图。

图111是与子宫体癌患者组和非子宫体癌组的氨基酸变数的分布 相关的箱线图。

图112是与宫颈癌患者组和非宫颈癌组的氨基酸变数的分布相关 的箱线图。

图113是与卵巢癌患者组和非卵巢癌组的氨基酸变数的分布相关 的箱线图。

图114是与女性生殖器癌症罹患风险组和健康组的氨基酸变数的 分布相关的箱线图。

图115是表示与指标式51有关的ROC曲线的图。

图116是表示与指标式51具有同等判别性能的指标式的一览图。

图117是表示与指标式51具有同等判别性能的指标式的一览图。

图118是表示与指标式51具有同等判别性能的指标式的一览图。

图119是表示与指标式51具有同等判别性能的指标式的一览图。

图120是表示与指标式52有关的ROC曲线的图。

图121是表示与指标式52具有同等判别性能的指标式的一览图。

图122是表示与指标式52具有同等判别性能的指标式的一览图。

图123是表示与指标式52具有同等判别性能的指标式的一览图。

图124是表示与指标式52具有同等判别性能的指标式的一览图。

图125是表示各氨基酸的出现频率的一览图。

图126是表示与指标式53有关的ROC曲线的图。

图127是表示与指标式53具有同等判别性能的指标式的一览图。

图128是表示与指标式53具有同等判别性能的指标式的一览图。

图129是表示与指标式53具有同等判别性能的指标式的一览图。

图130是表示与指标式53具有同等判别性能的指标式的一览图。

图131是表示与指标式54有关的ROC曲线的图。

图132是表示与指标式54具有同等判别性能的指标式的一览图。

图133是表示与指标式54具有同等判别性能的指标式的一览图。

图134是表示与指标式54具有同等判别性能的指标式的一览图。

图135是表示与指标式54具有同等判别性能的指标式的一览图。

图136是表示各氨基酸的出现频率的一览图。

图137是表示与指标式55有关的ROC曲线的图。

图138是表示与指标式55具有同等判别性能的指标式的一览图。

图139是表示与指标式55具有同等判别性能的指标式的一览图。

图140是表示与指标式55具有同等判别性能的指标式的一览图。

图141是表示与指标式55具有同等判别性能的指标式的一览图。

图142是表示与指标式56有关的ROC曲线的图。

图143是表示与指标式56具有同等判别性能的指标式的一览图。

图144是表示与指标式56具有同等判别性能的指标式的一览图。

图145是表示与指标式56具有同等判别性能的指标式的一览图。

图146是表示与指标式56具有同等判别性能的指标式的一览图。

图147是表示各氨基酸的出现频率的一览图。

图148是表示与指标式57有关的ROC曲线的图。

图149是表示与指标式57具有同等判别性能的指标式的一览图。

图150是表示与指标式57具有同等判别性能的指标式的一览图。

图151是表示与指标式57具有同等判别性能的指标式的一览图。

图152是表示与指标式57具有同等判别性能的指标式的一览图。

图153是表示与指标式58有关的ROC曲线的图。

图154是表示与指标式58具有同等判别性能的指标式的一览图。

图155是表示与指标式58具有同等判别性能的指标式的一览图。

图156是表示与指标式58具有同等判别性能的指标式的一览图。

图157是表示与指标式58具有同等判别性能的指标式的一览图。

图158是表示各氨基酸的出现频率的一览图。

图159是表示与指标式59有关的ROC曲线的图。

图160是表示与指标式59具有同等判别性能的指标式的一览图。

图161是表示与指标式59具有同等判别性能的指标式的一览图。

图162是表示与指标式59具有同等判别性能的指标式的一览图。

图163是表示与指标式59具有同等判别性能的指标式的一览图。

图164是表示与指标式60有关的ROC曲线的图。

图165是表示与指标式60具有同等判别性能的指标式的一览图。

图166是表示与指标式60具有同等判别性能的指标式的一览图。

图167是表示与指标式60具有同等判别性能的指标式的一览图。

图168是表示与指标式60具有同等判别性能的指标式的一览图。

图169是表示各氨基酸的出现频率的一览图。

图170是表示与指标式61有关的ROC曲线的图。

图171是表示与指标式61具有同等判别性能的指标式的一览图。

图172是表示与指标式61具有同等判别性能的指标式的一览图。

图173是表示与指标式61具有同等判别性能的指标式的一览图。

图174是表示与指标式61具有同等判别性能的指标式的一览图。

图175是表示与指标式62有关的ROC曲线的图。

图176是表示与指标式62具有同等判别性能的指标式的一览图。

图177是表示与指标式62具有同等判别性能的指标式的一览图。

图178是表示与指标式62具有同等判别性能的指标式的一览图。

图179是表示与指标式62具有同等判别性能的指标式的一览图。

图180是表示各氨基酸的出现频率的一览图。

图181是表示与指标式63具有同等判别性能的指标式的一览图。

图182是表示与指标式63具有同等判别性能的指标式的一览图。

图183是表示与变数组1具有同等判别性能的氨基酸变数组的组 合的图。

图184是表示与变数组1具有同等判别性能的氨基酸变数组的组 合的图。

图185是表示构成与线性判别式组1具有同等判别性能的线性判 别式组的氨基酸变数组的组合的图。

图186是表示构成与线性判别式组1具有同等判别性能的线性判 别式组的氨基酸变数组的组合的图。

具体实施方式

以下，根据附图来详细说明本发明所述的女性生殖器癌症的评价 方法的实施方案(实施方案1)、以及本发明所述的女性生殖器癌症评价 装置、女性生殖器癌症评价方法、女性生殖器癌症评价系统、女性生 殖器癌症评价程序和记录介质的实施方案(实施方案2)。本发明并不限 于本实施方案。

[实施方案1]

[1-1.本发明的概要]

在此，参照图1，对本发明所述的女性生殖器癌症的评价方法的 概要进行说明。图1是表示本发明的基本原理的原理构成图。

首先，本发明中，针对从评价对象(例如动物或人等个体)采集到 的血液测定与氨基酸浓度值有关的氨基酸浓度数据(步骤S-11)。这里， 血液中氨基酸浓度的分析如下进行。将采血得到的血样采集到经肝素 处理的管中，将采集的血样通过离心从血液中分离血浆。全部的血浆 样品在－70℃下冷冻保存至氨基酸浓度的测定之前。在氨基酸浓度测 定时，添加硫代水杨酸，调节为3％浓度，由此进行除蛋白处理，测 定使用氨基酸分析仪，该氨基酸分析仪是以采用了后柱茚三酮反应的 高效液相色谱(HPLC)为原理。氨基酸浓度的单位可以是例如摩尔浓度 或重量浓度、对这些浓度加减乘除任意的常数而得到的浓度。

接下来，本发明中，根据在步骤S-11中测定的评价对象的氨基酸 浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、 Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸的浓度值，对于评价对象评价包含宫颈癌、子宫体癌和卵巢癌 中的至少一种癌的女性生殖器癌症的状态(步骤S-12)。

以上，根据本发明，针对从评价对象采集到的血液，测定与氨基 酸的浓度值有关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓 度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、 Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种 氨基酸的浓度值，对于评价对象评价女性生殖器癌症的状态。由此， 利用血液中的氨基酸浓度中与女性生殖器癌症的状态相关的氨基酸 的浓度，可以高精度地评价女性生殖器癌症的状态。具体而言，可以 以1种检体且短时间内即可缩小筛选范围至女性生殖器癌症中罹患的 可能性高的被验者，其结果，可以减轻被验者的时间、身体以及金钱 方面的负担。具体而言，根据多个氨基酸的浓度，可以高精度地评价 某检体是否有女性生殖器癌症发病，其结果，可以实现检查的高效化 或高精度化。

这里，在实行步骤S-12之前，可以从步骤S-11中测定的评价对 象的氨基酸浓度数据中除去缺失值或偏离值等数据。由此，可以进一 步高精度地评价女性生殖器癌症的状态。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 的浓度值，对于评价对象，可以判别是女性生殖器癌症还是非女性生 殖器癌症；是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生 殖器癌症；是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫 体癌中的任一种癌；是宫颈癌还是非宫颈癌；是子宫体癌还是非子宫 体癌；是卵巢癌还是非卵巢癌；是女性生殖器癌症罹患风险组还是健 康组；或者是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌。由此， 利用血液中的氨基酸浓度中对于女性生殖器癌症和非女性生殖器癌 症的两组判别或宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女性生 殖器癌症的判别、宫颈癌、子宫体癌中的任一种癌和非宫颈癌、非子 宫体癌中的任一种癌的判别、宫颈癌和非宫颈癌的两组判别、子宫体 癌和非子宫体癌的两组判别、卵巢癌和非卵巢癌的两组判别、女性生 殖器癌症罹患风险组和健康组的两组判别、宫颈癌和子宫体癌和卵巢 癌的判别有用的氨基酸的浓度，可以高精度地进行上述两组判别或上 述判别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 的浓度值以及以氨基酸浓度为变数、预先设定的含有Thr、Ser、Asn、 Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判别式，计算 该多变量判别式的值即判别值，再根据算出的判别值，对于评价对象 可以评价女性生殖器癌症的状态。由此，利用由与女性生殖器癌症的 状态具有显著相关的多变量判别式得到的判别值，可以高精度地评价 女性生殖器癌症的状态。具体而言，可以以1种检体且短时间内即可 缩小筛选范围至女性生殖器癌症中罹患的可能性高的被验者，其结 果，可以减轻被验者的时间、身体以及金钱方面的负担。具体而言， 根据多个氨基酸的浓度或以该氨基酸的浓度为变数的判别式，可以高 精度地评价某检体是否有女性生殖器癌症发病，其结果，可以实现检 查的高效化或高精度化。

步骤S-12中，根据算出的判别值，对于评价对象，可以判别是女 性生殖器癌症还是非女性生殖器癌症；是宫颈癌、子宫体癌、卵巢癌 中的任一种癌还是非女性生殖器癌症；是宫颈癌、子宫体癌中的任一 种癌还是非宫颈癌、非子宫体癌中的任一种癌；是宫颈癌还是非宫颈 癌；是子宫体癌还是非子宫体癌；是卵巢癌还是非卵巢癌；是女性生 殖器癌症罹患风险组还是健康组；或者是否是宫颈癌、子宫体癌、卵 巢癌中的任一种癌。具体而言，通过将判别值与预先设定的阈值(截断 值)进行比较，对于评价对象，可以判别是女性生殖器癌症还是非女性 生殖器癌症；是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性 生殖器癌症；是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子 宫体癌中的任一种癌；是宫颈癌还是非宫颈癌；是子宫体癌还是非子 宫体癌；是卵巢癌还是非卵巢癌；是女性生殖器癌症罹患风险组还是 健康组；或者是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌。由此， 利用由对于女性生殖器癌症和非女性生殖器癌症的两组判别或宫颈 癌、子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别、宫 颈癌、子宫体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一种癌 的判别、宫颈癌和非宫颈癌的两组判别、子宫体癌和非子宫体癌的两 组判别、卵巢癌和非卵巢癌的两组判别、女性生殖器癌症罹患风险组 和健康组的两组判别、宫颈癌和子宫体癌和卵巢癌的判别有用的多变 量判别式得到的判别值，可以高精度地进行上述两组判别或上述判 别。

多变量判别式可以是：1个分数式或多个分数式之和、或逻辑回 归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马 氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作 的公式中的任一式。由此，利用由对于女性生殖器癌症和非女性生殖 器癌症的两组判别或宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女 性生殖器癌症的判别、宫颈癌、子宫体癌中的任一种癌和非宫颈癌、 非子宫体癌中的任一种癌的判别、宫颈癌和非宫颈癌的两组判别、子 宫体癌和非子宫体癌的两组判别、卵巢癌和非卵巢癌的两组判别、女 性生殖器癌症罹患风险组和健康组的两组判别、宫颈癌和子宫体癌和 卵巢癌的判别特别有用的多变量判别式得到的判别值，可以进一步高 精度地进行上述两组判别或上述判别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸的浓度值以及含 有Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸作为变数的多变量判别式来 计算判别值，再根据算出的判别值，对于评价对象，可以判别是宫颈 癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症。由此， 利用由对于宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女性生殖器 癌症的判别特别有用的多变量判别式得到的判别值，可以进一步高精 度地进行该判别。此时使用的多变量判别式可以是：以Gln、His、Arg 为变数的分数式、以a-ABA、His、Met为变数的分数式、以Ile、His、 Cit、Arg、Tyr、Trp为变数的分数式或以a-ABA、Cit、Met为变数的 分数式；以Gly、Val、His、Arg为变数的线性判别式、以Gly、a-ABA、 Met、His为变数的线性判别式、以Ala、Ile、His、Trp、Arg为变数 的线性判别式、以Gly、Cit、Met、Phe为变数的线性判别式或以His、 Leu、Met、Cit、Ile、Tyr为变数的线性判别式；或以Val、Leu、His、 Arg为变数的逻辑回归式、以a-ABA、Met、Tyr、His为变数的逻辑 回归式、以Val、Ile、His、Trp、Arg为变数的逻辑回归式、以Cit、 a-ABA、Met、Tyr为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr为变数的逻辑回归式。由此，利用由对于宫颈癌、子宫体癌、卵 巢癌中的任一种癌和非女性生殖器癌症的判别特别有用的多变量判 别式得到的判别值，可以进一步高精度地进行该判别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含 有Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判别式来 计算判别值，再根据算出的判别值，对于评价对象，可以判别是宫颈 癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中的任一种癌。 由此，利用由对于宫颈癌、子宫体癌中的任一种癌和非宫颈癌、非子 宫体癌中的任一种癌的判别特别有用的多变量判别式得到的判别值， 可以进一步高精度地进行该判别。此时使用的多变量判别式可以是： 以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变数的分 数式或以Ile、His、Cit、Arg为变数的分数式；以Gly、Val、His、 Arg为变数的线性判别式、以Gly、Phe、His、Arg为变数的线性判别 式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Leu、Met、 Cit、Ile、Tyr为变数的线性判别式；或以Val、His、Lys、Arg为变数 的逻辑回归式、以Thr、a-ABA、Met、His为变数的逻辑回归式、以 Cit、Ile、His、Arg为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr为变数的逻辑回归式。由此，利用由对于宫颈癌、子宫体癌中的 任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别特别有用的多 变量判别式得到的判别值，可以进一步高精度地进行该判别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值以及含有Asn、Val、Met、Leu、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判 别式来计算判别值，再根据算出的判别值，对于评价对象，可以判别 是宫颈癌还是非宫颈癌。由此，利用由对于宫颈癌和非宫颈癌的两组 判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进 行该两组判别。此时使用的多变量判别式可以是：以a-ABA、His、 Val为变数的分数式、以a-ABA、Met、Val为变数的分数式或以Met、 His、Cit、Arg为变数的分数式；以Gly、Val、His、Arg为变数的线 性判别式、以Gly、Val、Met、Lys为变数的线性判别式、以Cit、Met、 His、Arg为变数的线性判别式或以His、Leu、Met、Ile、Tyr、Lys为 变数的线性判别式；或以Val、Leu、His、Arg为变数的逻辑回归式、 以Met、His、Orn、Arg为变数的逻辑回归式、以Val、Tyr、His、Arg 为变数的逻辑回归式或以His、Leu、Met、Ile、Tyr、Lys为变数的逻 辑回归式。由此，利用由对于宫颈癌和非宫颈癌的两组判别特别有用 的多变量判别式得到的判别值，可以进一步高精度地进行该两组判 别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、 Phe、His、Trp、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值，再根据算 出的判别值，对于评价对象，可以判别是子宫体癌还是非子宫体癌。 由此，利用由对于子宫体癌和非子宫体癌的两组判别特别有用的多变 量判别式得到的判别值，可以进一步高精度地进行该两组判别。此时 使用的多变量判别式可以是：以Lys、His、Arg为变数的分数式、以 a-ABA、His、Met为变数的分数式或以Ile、His、Asn、Cit为变数的 分数式；以Gln、His、Lys、Arg为变数的线性判别式、以Gly、Met、 Phe、His为变数的线性判别式、以Cit、Ile、His、Arg为变数的线性 判别式或以His、Asn、Val、Pro、Cit、Ile为变数的线性判别式；或 以Gln、Gly、His、Arg为变数的逻辑回归式、以Gln、Phe、His、Arg 为变数的逻辑回归式、以Gln、Ile、His、Arg为变数的逻辑回归式或 以His、Asn、Val、Pro、Cit、Ile为变数的逻辑回归式。由此，利用 由对于子宫体癌和非子宫体癌的两组判别特别有用的多变量判别式 得到的判别值，可以进一步高精度地进行该两组判别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值 以及含有Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变 量判别式来计算判别值，再根据算出的判别值，对于评价对象，可以 判别是卵巢癌还是非卵巢癌。由此，利用由对于卵巢癌和非卵巢癌的 两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度 地进行该两组判别。此时使用的多变量判别式可以是：以Orn、Cit、 Met为变数的分数式、以Gln、Cit、Tyr为变数的分数式或以Orn、 His、Phe、Trp为变数的分数式；以Ser、Cit、Orn、Trp为变数的线 性判别式、以Ser、Cit、Ile、Orn为变数的线性判别式、以Phe、Trp、 Orn、Lys为变数的线性判别式或以His、Trp、Glu、Cit、Ile、Orn为 变数的线性判别式；或以Ser、Cit、Trp、Orn为变数的逻辑回归式、 以Gln、Cit、Ile、Tyr为变数的逻辑回归式、以Asn、Phe、His、Trp 为变数的逻辑回归式或以His、Trp、Glu、Cit、Ile、Orn为变数的逻 辑回归式。由此，利用由对于卵巢癌和非卵巢癌的两组判别特别有用 的多变量判别式得到的判别值，可以进一步高精度地进行该两组判 别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸的浓度值以及含 有Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Arg中的至少一种氨基酸作为变数的多变量判别式来 计算判别值，再根据算出的判别值，对于评价对象，可以判别是女性 生殖器癌症罹患风险组还是健康组。由此，利用由对于女性生殖器癌 症罹患风险组和健康组的两组判别特别有用的多变量判别式得到的 判别值，可以进一步高精度地进行该两组判别。此时使用的多变量判 别式可以是：以Phe、His、Met、Pro、Lys、Arg为变数的线性判别式、 或以Phe、His、Met、Pro、Lys、Arg为变数的逻辑回归式。由此，利 用由对于女性生殖器癌症罹患风险组和健康组的两组判别特别有用 的多变量判别式得到的判别值，可以进一步高精度地进行该两组判 别。

步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸的浓度值以及含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、 Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为变数的多变量判别式来计算判别 值，再根据算出的判别值，对于评价对象，可以判别是否是宫颈癌、 子宫体癌、卵巢癌中的任一种癌。由此，利用由对于宫颈癌和子宫体 癌和卵巢癌的判别特别有用的多变量判别式得到的判别值，可以进一 步高精度地进行该判别。此时使用的多变量判别式可以是：以Cit、 Met、Lys、Asn、Ala、Thr、Gln、a-ABA为变数的按照马氏距离法制 作的公式、或以His、Leu、Ser、Thr、Glu、Gln、Ala、Lys为变数的 按照马氏距离法制作的公式。由此，利用由对于宫颈癌和子宫体癌和 卵巢癌的判别特别有用的多变量判别式得到的判别值，可以进一步高 精度地进行该判别。

上述多变量判别式可以按照本申请人的国际申请即国际公开第 2004/052191号中所述的方法、或本申请人的国际申请即国际公开第 2006/098192号中所述的方法(后述的实施方案2中记载的多变量判别 式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作 为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别 式均可适用于女性生殖器癌症状态的评价。

这里，多变量判别式是指通常在多变量分析中使用的公式的形 式，包含例如分数式、多重回归式、多重逻辑回归式、线性判别函数、 马氏距离、典型判别函数、支持向量机、决策树等。还包含由不同形 式的多变量判别式之和表示的公式。多重回归式、多重逻辑回归式、 典型判别函数中，各变数可以附加系数和常数项，此时的系数和常数 项优选为实数，更优选属于为了由数据进行判别而得到的系数和常数 项的99％可靠区间的范围的值，还可进一步优选属于为了由数据进行 判别而得到的系数和常数项的95％可靠区间的范围的值。各系数的值 及其可靠区间可以是将其实数倍所得的值，常数项的值及其可靠区间 可以是对其加减乘除任意的实常数所得的值。

分数式是指：该分数式的分子由氨基酸A、B、C等的之和表示、 且该分数式的分母由氨基酸a、b、c等的之和表示。分数式也包含上 述构成的分数式α、β、γ等的之和(例如α+β等)。分数式也包含分割 的分数式。分子或分母中使用的氨基酸可以分别具有适当的系数。分 子或分母中使用的氨基酸可以重复。各分数式可以具有适当的系数。 另外，各变数的系数的值或常数项的值只要是实数即可。分数式中， 将分子的变数和分母的变数互换的组合中，与目标变数相关的正负符 号均颠倒，但它们仍保持相关性，因此，在判别性方面视为同等，因 此，分数式也包含将分子的变数与分母的变数互换的组合。

本发明中，在评价女性生殖器癌症的状态时，除氨基酸的浓度以 外，可进一步使用其它的代谢物的浓度或基因的表达量、蛋白的表达 量、被验者的年龄和性别、是否吸烟、心电图的波形数值化所得的数 据等。本发明中，在评价女性生殖器癌症的状态时，作为多变量判别 式中的变数，除氨基酸的浓度以外，可进一步使用其它的代谢物的浓 度或基因的表达量、蛋白的表达量、被验者的年龄和性别、是否吸烟、 心电图的波形数值化所得的数据等。

[1-2.实施方案1所述的女性生殖器癌症状态的评价方法]

这里，参照图2对实施方案1所述的女性生殖器癌症状态的评价 方法进行说明。图2是表示实施方案1所述的女性生殖器癌症状态的 评价方法的一个例子的流程图。

首先，针对从动物或人等个体采集到的血液测定与氨基酸浓度值 有关的氨基酸浓度数据(步骤SA-11)。氨基酸浓度值的测定按照上述 方法进行。

接着，从步骤SA-11中测定的个体的氨基酸浓度数据中除去缺失 值或偏离值等数据(步骤SA-12)。

接着，根据在步骤SA-12中除去了缺失值或偏离值等数据的个体 的氨基酸浓度数据、或以氨基酸浓度为变数的预先设定的多变量判别 式(该多变量判别式为1个分数式或多个分数式之和、或逻辑回归式、 线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离 法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式 中的任一式。)，对于个体进行下述11.～18.所示的判别中的任一种判 别(步骤SA-13)。

11.判别是女性生殖器癌症还是非女性生殖器癌症

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是女性生殖器癌症还是非女性生殖器癌症；或者，根据 氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值，通过将算 出的判别值与预先设定的阈值(截断值)进行比较，对于个体判别是女 性生殖器癌症还是非女性生殖器癌症。

12.判别是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖 器癌症

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性 生殖器癌症；或者，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸作为变数的多变量判别式来计算判别值，通过将算出的判 别值与预先设定的阈值(截断值)进行比较，对于个体判别是宫颈癌、 子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症。

13.判别是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫体 癌中的任一种癌

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子 宫体癌中的任一种癌；或者，根据氨基酸浓度数据中所含的Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为变数的多变量判别式来计算判别值，通过将算出的判 别值与预先设定的阈值(截断值)进行比较，对于个体判别是宫颈癌、 子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中的任一种癌。

14.判别是宫颈癌还是非宫颈癌

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是宫颈癌还是非宫颈癌；或者，根据氨基酸浓度数据中 所含的Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的 至少一种氨基酸的浓度值以及含有Asn、Val、Met、Leu、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判别式来 计算判别值，通过将算出的判别值与预先设定的阈值(截断值)进行比 较，对于个体判别是宫颈癌还是非宫颈癌。

15.判别是子宫体癌还是非子宫体癌

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值和预先设定的阈值(截断值)进行比较， 对于个体判别是子宫体癌还是非子宫体癌；或者，根据氨基酸浓度数 据中所含的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、 Phe、His、Trp、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值，通过将算 出的判别值与预先设定的阈值(截断值)进行比较，对于个体判别是子 宫体癌还是非子宫体癌。

16.判别是卵巢癌还是非卵巢癌

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是卵巢癌还是非卵巢癌；或者，根据氨基酸浓度数据中 所含的Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含 有Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判 别式来计算判别值，通过将算出的判别值与预先设定的阈值(截断值) 进行比较，对于个体判别是卵巢癌还是非卵巢癌。

17.判别是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌；或者， 根据氨基酸浓度数据中所含的Thr、Ser、Asn、Glu、Gln、Pro、Gly、 Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Glu、 Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判 别式来计算判别值，通过将算出的判别值与预先设定的阈值(截断值) 进行比较，对于个体判别是否是宫颈癌、子宫体癌、卵巢癌中的任一 种癌。

18.判别是女性生殖器癌症罹患风险组还是健康组

通过将氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较， 对于个体判别是女性生殖器癌症罹患风险组还是健康组；或者，根据 氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸的浓 度值以及含有Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸作为变数的多变 量判别式来计算判别值，通过将算出的判别值与预先设定的阈值(截断 值)进行比较，对于个体判别是女性生殖器癌症罹患风险组还是健康 组。

[1-3.实施方案1的总结、以及其它实施方案]

如以上的详细说明，根据实施方案1所述的女性生殖器癌症的评 价方法，(1)针对从个体采集到的血液测定氨基酸浓度数据，(2)从测定 的个体的氨基酸浓度数据中除去缺失值或偏离值等数据，(3)根据除去 了缺失值或偏离值等数据的个体的氨基酸浓度数据或以氨基酸浓度 为变数的预先设定的多变量判别式，对于个体进行上述11.～18.所示的 判别中的任一种判别。由此，利用血液中的氨基酸浓度中对于女性生 殖器癌症和非女性生殖器癌症的两组判别或宫颈癌、子宫体癌、卵巢 癌中的任一种癌和非女性生殖器癌症的判别、宫颈癌、子宫体癌中的 任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别、宫颈癌和非 宫颈癌的两组判别、子宫体癌和非子宫体癌的两组判别、卵巢癌和非 卵巢癌的两组判别、宫颈癌和子宫体癌和卵巢癌的判别有用的氨基酸 的浓度，可以高精度地进行上述两组判别或上述判别。另外，利用由 对于女性生殖器癌症和非女性生殖器癌症的两组判别或宫颈癌、子宫 体癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别、宫颈癌、子 宫体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别、 宫颈癌和非宫颈癌的两组判别、子宫体癌和非子宫体癌的两组判别、 卵巢癌和非卵巢癌的两组判别、女性生殖器癌症罹患风险组和健康组 的两组判别、宫颈癌和子宫体癌和卵巢癌的判别特别有用的多变量判 别式得到的判别值，可以进一步高精度地进行上述两组判别或上述判 别。

在步骤SA-13中进行上述12.所示的判别时，多变量判别式可以 是：以Gln、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式、以Ile、His、Cit、Arg、Tyr、Trp为变数的分数式或以a-ABA、 Cit、Met为变数的分数式；以Gly、Val、His、Arg为变数的线性判 别式、以Gly、a-ABA、Met、His为变数的线性判别式、以Ala、Ile、 His、Trp、Arg为变数的线性判别式、以Gly、Cit、Met、Phe为变数 的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为变数的线性判别 式；或以Val、Leu、His、Arg为变数的逻辑回归式、以a-ABA、Met、 Tyr、His为变数的逻辑回归式、以Val、Ile、His、Trp、Arg为变数 的逻辑回归式、以Cit、a-ABA、Met、Tyr为变数的逻辑回归式或以 His、Leu、Met、Cit、Ile、Tyr为变数的逻辑回归式。由此，利用由 对于宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的 判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进 行该判别。

在步骤SA-13中进行上述13.所示的判别时，多变量判别式可以 是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式或以Ile、His、Cit、Arg为变数的分数式；以Gly、Val、His、 Arg为变数的线性判别式、以Gly、Phe、His、Arg为变数的线性判别 式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Leu、Met、 Cit、Ile、Tyr为变数的线性判别式；或以Val、His、Lys、Arg为变数 的逻辑回归式、以Thr、a-ABA、Met、His为变数的逻辑回归式、以 Cit、Ile、His、Arg为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr为变数的逻辑回归式。由此，利用由对于宫颈癌、子宫体癌中的 任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别特别有用的多 变量判别式得到的判别值，可以进一步高精度地进行该判别。

在步骤SA-13中进行上述14.所示的判别时，多变量判别式可以 是：以a-ABA、His、Val为变数的分数式、以a-ABA、Met、Val为 变数的分数式或以Met、His、Cit、Arg为变数的分数式；以Gly、Val、 His、Arg为变数的线性判别式、以Gly、Val、Met、Lys为变数的线 性判别式、以Cit、Met、His、Arg为变数的线性判别式或以His、Leu、 Met、Ile、Tyr、Lys为变数的线性判别式；或以Val、Leu、His、Arg 为变数的逻辑回归式、以Met、His、Orn、Arg为变数的逻辑回归式、 以Val、Tyr、His、Arg为变数的逻辑回归式或以His、Leu、Met、Ile、 Tyr、Lys为变数的逻辑回归式。由此，利用由对于宫颈癌和非宫颈癌 的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精 度地进行该两组判别。

在步骤SA-13中进行上述15.所示的判别时，多变量判别式可以 是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式或以Ile、His、Asn、Cit为变数的分数式；以Gln、His、Lys、 Arg为变数的线性判别式、以Gly、Met、Phe、His为变数的线性判别 式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Asn、Val、 Pro、Cit、Ile为变数的线性判别式；或以Gln、Gly、His、Arg为变数 的逻辑回归式、以Gln、Phe、His、Arg为变数的逻辑回归式、以Gln、 Ile、His、Arg为变数的逻辑回归式或以His、Asn、Val、Pro、Cit、Ile 为变数的逻辑回归式。由此，利用由对于子宫体癌和非子宫体癌的两 组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地 进行该两组判别。

在步骤SA-13中进行上述16.所示的判别时，多变量判别式可以 是：以Orn、Cit、Met为变数的分数式、以Gln、Cit、Tyr为变数的 分数式或以Orn、His、Phe、Trp为变数的分数式；以Ser、Cit、Orn、 Trp为变数的线性判别式、以Ser、Cit、Ile、Orn为变数的线性判别式、 以Phe、Trp、Orn、Lys为变数的线性判别式或以His、Trp、Glu、Cit、 Ile、Orn为变数的线性判别式；或以Ser、Cit、Trp、Orn为变数的逻 辑回归式、以Gln、Cit、Ile、Tyr为变数的逻辑回归式、以Asn、Phe、 His、Trp为变数的逻辑回归式或以His、Trp、Glu、Cit、Ile、Orn为 变数的逻辑回归式。由此，利用由对于卵巢癌和非卵巢癌的两组判别 特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该 两组判别。

在步骤SA-13中进行上述17.所示的判别时，多变量判别式可以 是以Cit、Met、Lys、Asn、Ala、Thr、Gln、a-ABA为变数的按照马 氏距离法制作的公式、或以His、Leu、Ser、Thr、Glu、Gln、Ala、 Lys为变数的按照马氏距离法制作的公式。由此，利用由对于宫颈癌 和子宫体癌和卵巢癌的判别特别有用的多变量判别式得到的判别值， 可以进一步高精度地进行该判别。

在步骤SA-13中进行上述18.所示的判别时，多变量判别式可以 是以Phe、His、Met、Pro、Lys、Arg为变数的线性判别式、或以Phe、 His、Met、Pro、Lys、Arg为变数的逻辑回归式。由此，利用由对于 女性生殖器癌症罹患风险组和健康组的两组判别特别有用的多变量 判别式得到的判别值，可以进一步高精度地进行该两组判别。

上述多变量判别式可以按照本申请人的国际申请即国际公开第 2004/052191号中所述的方法、或本申请人的国际申请即国际公开第 2006/098192号中所述的方法(后述的实施方案2中记载的多变量判别 式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作 为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别 式均可适用于女性生殖器癌症状态的评价。

[实施方案2]

[2-1.本发明的概要]

这里，参照图3对本发明所述的女性生殖器癌症评价装置、女性 生殖器癌症评价方法、女性生殖器癌症评价系统、女性生殖器癌症评 价程序和记录介质的概要进行说明。图3是表示本发明的基本原理的 原理构成图。

首先，本发明是在控制部，根据预先取得的与氨基酸浓度值有关 的评价对象(例如动物或人等个体)的氨基酸浓度数据中所含的Arg、 Asn、Cit、Gly、His、Leu、Met、Lys、Phe、Thr、Trp、Tyr、Val中 的至少一种氨基酸的浓度值以及以氨基酸浓度为变数、在存储部存储 的含有Arg、Asn、Cit、Gly、His、Leu、Met、Lys、Phe、Thr、Trp、 Tyr、Val中的至少一种氨基酸作为变数的多变量判别式，计算该多变 量判别式的值即判别值(步骤S-21)。

接着，本发明是在控制部，根据在步骤S-21中算出的判别值，对 于评价对象评价包含宫颈癌、子宫体癌和卵巢癌中的至少一种癌的女 性生殖器癌症的状态(步骤S-22)。

以上，根据本发明，根据预先取得的与氨基酸的浓度值相关的评 价对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值以及以氨基酸浓度为变数、在存储部存 储的含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、 Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为 变数的多变量判别式，计算该多变量判别式的值即判别值，再根据算 出的判别值，对于评价对象评价女性生殖器癌症的状态。由此，利用 由与女性生殖器癌症的状态具有显著相关的多变量判别式得到的判 别值，可以高精度地评价女性生殖器癌症的状态。具体而言，可以以 1种检体且短时间内即可缩小筛选范围至女性生殖器癌症中罹患的可 能性高的被验者，其结果，可以减轻被验者的时间、身体以及金钱方 面的负担。具体而言，根据多个氨基酸的浓度或以该氨基酸浓度为变 数的判别式，可以高精度地评价某检体是否有女性生殖器癌症发病， 其结果，可以实现检查的高效化或高精度化。

这里，在步骤S-22中，根据在步骤S-21中算出的判别值，对于 评价对象，可以判别是女性生殖器癌症还是非女性生殖器癌症；是宫 颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症；是宫 颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中的任一种 癌；是宫颈癌还是非宫颈癌；是子宫体癌还是非子宫体癌；是卵巢癌 还是非卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或者是否 是宫颈癌、子宫体癌、卵巢癌中的任一种癌。由此，利用由对于女性 生殖器癌症和非女性生殖器癌症的两组判别或宫颈癌、子宫体癌、卵 巢癌中的任一种癌和非女性生殖器癌症的判别、宫颈癌、子宫体癌中 的任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别、宫颈癌和 非宫颈癌的两组判别、子宫体癌和非子宫体癌的两组判别、卵巢癌和 非卵巢癌的两组判别、女性生殖器癌症罹患风险组和健康组的两组判 别、宫颈癌和子宫体癌和卵巢癌的判别有用的多变量判别式得到的判 别值，可以高精度地进行上述两组判别或上述判别。

另外，多变量判别式可以是1个分数式或多个分数式之和、或逻 辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按 照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树 制作的公式中的任一式。由此，利用由对于女性生殖器癌症和非女性 生殖器癌症的两组判别或宫颈癌、子宫体癌、卵巢癌中的任一种癌和 非女性生殖器癌症的判别、宫颈癌、子宫体癌中的任一种癌和非宫颈 癌、非子宫体癌中的任一种癌的判别、宫颈癌和非宫颈癌的两组判别、 子宫体癌和非子宫体癌的两组判别、卵巢癌和非卵巢癌的两组判别、 女性生殖器癌症罹患风险组和健康组的两组判别、宫颈癌和子宫体癌 和卵巢癌的判别特别有用的多变量判别式得到的判别值，可以进一步 高精度地进行上述两组判别或上述判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸作为变数的多变量判别式来计算判别值；在步骤S-22中， 根据算出的判别值，对于评价对象可以判别是宫颈癌、子宫体癌、卵 巢癌中的任一种癌还是非女性生殖器癌症。由此，利用由对于宫颈癌、 子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别特别有用 的多变量判别式得到的判别值，可以进一步高精度地进行该判别。此 时使用的多变量判别式可以是：以Gln、His、Arg为变数的分数式、 以a-ABA、His、Met为变数的分数式、以Ile、His、Cit、Arg、Tyr、 Trp为变数的分数式或以a-ABA、Cit、Met为变数的分数式；以Gly、 Val、His、Arg为变数的线性判别式、以Gly、a-ABA、Met、His为 变数的线性判别式、以Ala、Ile、His、Trp、Arg为变数的线性判别式、 以Gly、Cit、Met、Phe为变数的线性判别式或以His、Leu、Met、Cit、 Ile、Tyr为变数的线性判别式；或以Val、Leu、His、Arg为变数的逻 辑回归式、以a-ABA、Met、Tyr、His为变数的逻辑回归式、以Val、 Ile、His、Trp、Arg为变数的逻辑回归式、以Cit、a-ABA、Met、Tyr 为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、Tyr为变数的逻 辑回归式。由此，利用由对于宫颈癌、子宫体癌、卵巢癌中的任一种 癌和非女性生殖器癌症的判别特别有用的多变量判别式得到的判别 值，可以进一步高精度地进行该判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为变数的多变量判别式来计算判别值；在步骤S-22中， 根据算出的判别值，对于评价对象可以判别是宫颈癌、子宫体癌中的 任一种癌还是非宫颈癌、非子宫体癌中的任一种癌。由此，利用由对 于宫颈癌、子宫体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一 种癌的判别特别有用的多变量判别式得到的判别值，可以进一步高精 度地进行该判别。此时使用的多变量判别式可以是：以Lys、His、Arg 为变数的分数式、以a-ABA、His、Met为变数的分数式或以Ile、His、 Cit、Arg为变数的分数式；以Gly、Val、His、Arg为变数的线性判别 式、以Gly、Phe、His、Arg为变数的线性判别式或以Cit、Ile、His、 Arg为变数的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为变数 的线性判别式；或以Val、His、Lys、Arg为变数的逻辑回归式、以 Thr、a-ABA、Met、His为变数的逻辑回归式或以Cit、Ile、His、Arg 为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、Tyr为变数的逻 辑回归式。由此，利用由对于宫颈癌、子宫体癌中的任一种癌和非宫 颈癌、非子宫体癌中的任一种癌的判别特别有用的多变量判别式得到 的判别值，可以进一步高精度地进行该判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Asn、Val、Met、 Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值 以及含有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值；在步骤 S-22中，根据算出的判别值，对于评价对象可以判别是宫颈癌还是非 宫颈癌。由此，利用由对于宫颈癌和非宫颈癌的两组判别特别有用的 多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。 此时使用的多变量判别式可以是：以a-ABA、His、Val为变数的分数 式、以a-ABA、Met、Val为变数的分数式或以Met、His、Cit、Arg 为变数的分数式；以Gly、Val、His、Arg为变数的线性判别式、以 Gly、Val、Met、Lys为变数的线性判别式、以Cit、Met、His、Arg 为变数的线性判别式或以His、Leu、Met、Ile、Tyr、Lys为变数的线 性判别式；或以Val、Leu、His、Arg为变数的逻辑回归式、以Met、 His、Orn、Arg为变数的逻辑回归式、以Val、Tyr、His、Arg为变数 的逻辑回归式或以His、Leu、Met、Ile、Tyr、Lys为变数的逻辑回归 式。由此，利用由对于宫颈癌和非宫颈癌的两组判别特别有用的多变 量判别式得到的判别值，可以进一步高精度地进行该两组判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少 一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、Val、 Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸作为变数的 多变量判别式来计算判别值；在步骤S-22中，根据算出的判别值，对 于评价对象可以判别是子宫体癌还是非子宫体癌。由此，利用由对于 子宫体癌和非子宫体癌的两组判别特别有用的多变量判别式得到的 判别值，可以进一步高精度地进行该两组判别。此时使用的多变量判 别式可以是：以Lys、His、Arg为变数的分数式、以a-ABA、His、 Met为变数的分数式或以Ile、His、Asn、Cit为变数的分数式；以Gln、 His、Lys、Arg为变数的线性判别式、以Gly、Met、Phe、His为变数 的线性判别式、以Cit、Ile、His、Arg为变数的线性判别式或以His、 Asn、Val、Pro、Cit、Ile为变数的线性判别式；或以Gln、Gly、His、 Arg为变数的逻辑回归式、以Gln、Phe、His、Arg为变数的逻辑回归 式、以Gln、Ile、His、Arg为变数的逻辑回归式或以His、Asn、Val、 Pro、Cit、Ile为变数的逻辑回归式。由此，利用由对于子宫体癌和非 子宫体癌的两组判别特别有用的多变量判别式得到的判别值，可以进 一步高精度地进行该两组判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值；在步骤 S-22中，根据算出的判别值，对于评价对象可以判别是卵巢癌还是非 卵巢癌。由此，利用由对于卵巢癌和非卵巢癌的两组判别特别有用的 多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。 此时使用的多变量判别式可以是：以Orn、Cit、Met为变数的分数式、 以Gln、Cit、Tyr为变数的分数式或以Orn、His、Phe、Trp为变数的 分数式；以Ser、Cit、Orn、Trp为变数的线性判别式、以Ser、Cit、 Ile、Orn为变数的线性判别式、以Phe、Trp、Orn、Lys为变数的线性 判别式或以His、Trp、Glu、Cit、Ile、Orn为变数的线性判别式；或 以Ser、Cit、Trp、Orn为变数的逻辑回归式、以Gln、Cit、Ile、Tyr 为变数的逻辑回归式、以Asn、Phe、His、Trp为变数的逻辑回归式或 以His、Trp、Glu、Cit、Ile、Orn为变数的逻辑回归式。由此，利用 由对于卵巢癌和非卵巢癌的两组判别特别有用的多变量判别式得到 的判别值，可以进一步高精度地进行该两组判别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、Pro、 Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少 一种氨基酸作为变数的多变量判别式来计算判别值；在步骤S-22中， 根据算出的判别值，对于评价对象可以判别是女性生殖器癌症罹患风 险组还是健康组。由此，利用由对于女性生殖器癌症罹患风险组和健 康组的两组判别特别有用的多变量判别式得到的判别值，可以进一步 高精度地进行该两组判别。此时使用的多变量判别式可以是：以Phe、 His、Met、Pro、Lys、Arg作为上述变数的上述线性判别式、或以Phe、 His、Met、Pro、Lys、Arg作为上述变数的上述逻辑回归式。由此， 利用由对于女性生殖器癌症罹患风险组和健康组的两组判别特别有 用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判 别。

在步骤S-21中，根据氨基酸浓度数据中所含的Thr、Ser、Asn、 Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、 Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含 有Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 作为变数的多变量判别式来计算判别值；在步骤S-22中，根据算出的 判别值，对于评价对象可以判别是否是宫颈癌、子宫体癌、卵巢癌中 的任一种癌。由此，利用由对于宫颈癌和子宫体癌和卵巢癌的判别特 别有用的多变量判别式得到的判别值，可以进一步高精度地进行该判 别。此时使用的多变量判别式可以是：以Cit、Met、Lys、Asn、Ala、 Thr、Gln、a-ABA为变数的按照马氏距离法制作的公式、或以His、 Leu、Ser、Thr、Glu、Gln、Ala、Lys为变数的按照马氏距离法制作 的公式。由此，利用由对于宫颈癌和子宫体癌和卵巢癌的判别特别有 用的多变量判别式得到的判别值，可以进一步高精度地进行该判别。

上述多变量判别式可以按照本申请人的国际申请即国际公开第 2004/052191号中所述的方法、或本申请人的国际申请即国际公开第 2006/098192号中所述的方法(后述的多变量判别式制作处理)制作。如 果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸 浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于女性生 殖器癌症状态的评价。

这里，多变量判别式是指通常在多变量分析中使用的公式的形 式，包含例如分数式、多重回归式、多重逻辑回归式、线性判别函数、 马氏距离、典型判别函数、支持向量机、决策树等。还包含由不同形 式的多变量判别式之和表示的公式。多重回归式、多重逻辑回归式、 典型判别函数中，各变数可以附加系数和常数项，此时的系数和常数 项优选为实数，更优选属于为了由数据进行判别而得到的系数和常数 项的99％可靠区间的范围的值，还可进一步优选属于为了由数据进行 判别而得到的系数和常数项的95％可靠区间的范围的值。各系数的值 及其可靠区间可以是将其实数倍所得的值，常数项的值及其可靠区间 可以是对其加减乘除任意的实常数所得的值。

分数式是指：该分数式的分子由氨基酸A、B、C等的之和表示、 且该分数式的分母由氨基酸a、b、c等的之和表示。分数式也包含上 述构成的分数式α、β、γ等的之和(例如α+β等)。分数式也包含分割 的分数式。分子或分母中使用的氨基酸可以分别具有适当的系数。分 子或分母中使用的氨基酸可以重复。各分数式可以具有适当的系数。 另外，各变数的系数的值或常数项的值只要是实数即可。分数式中， 将分子的变数和分母的变数互换的组合中，与目标变数相关的正负符 号均颠倒，但它们仍保持相关性，因此，在判别性方面视为同等，因 此，分数式也包含将分子的变数与分母的变数互换的组合。

本发明中，在评价女性生殖器癌症的状态时，除氨基酸的浓度以 外，可进一步使用其它的代谢物的浓度或基因的表达量、蛋白的表达 量、被验者的年龄和性别、是否吸烟、心电图的波形数值化所得的数 据等。本发明在评价女性生殖器癌症的状态时，作为多变量判别式中 的变数，除氨基酸的浓度以外，可以进一步使用其它的代谢物的浓度 或基因的表达量、蛋白的表达量、被验者的年龄和性别、是否吸烟、 心电图的波形数值化所得的数据等。

这里，对多变量判别式制作处理(步骤1～步骤4)的概要进行详细 说明。

首先，本发明是在控制部，根据规定的公式制作方法，由含有氨 基酸浓度数据和与表示女性生殖器癌症的状态的指标相关的女性生 殖器癌症状态指标数据、在存储部存储的女性生殖器癌症状态信息制 作多变量判别式的候选即候选多变量判别式(例如，y＝a₁x₁+a₂x₂+… +a_nx_n，y：女性生殖器癌症状态指标数据，x_i：氨基酸浓度数据，a_i： 常数，i＝1，2，…，n)(步骤1)。可以事先从女性生殖器癌症状态信 息中除去具有缺失值或偏离值等的数据。

在步骤1中，可以结合使用多个不同的公式制作方法(包括与主成 分分析或判别分析、支持向量机、多重回归分析、逻辑回归分析、 k-means法、聚类分析、决策树等的多变量分析相关的方法)，由女性 生殖器癌症状态信息制作多个候选多变量判别式。具体而言，可以利 用多种不同的算法，对于女性生殖器癌症状态信息同时并行地制作多 个候选多变量判别式，其中，所述女性生殖器癌症状态信息是由通过 分析从许多的健康人和女性生殖器癌症患者获取的血液而得到的氨 基酸浓度数据和女性生殖器癌症状态指标数据构成的多变量数据。例 如，可以利用不同的算法，同时进行判别分析和逻辑回归分析，制作 两种不同的候选多变量判别式。还可以利用进行主成分分析而制作的 候选多变量判别式，变换女性生殖器癌症状态信息，对变换的女性生 殖器癌症状态信息进行判别分析，来制作候选多变量判别式。由此， 最终可以制作符合诊断条件的适当的多变量判别式。

这里，使用主成分分析制作的候选多变量判别式是包含使全部的 氨基酸浓度数据的离散为最大的各氨基酸变数的一次式。使用判别分 析制作的候选多变量判别式是包含使各组内离散之和相对于全部氨 基酸浓度数据的离散的比为最小的各氨基酸变数的高次式(包括指数 或对数)。另外，使用支持向量机制作的候选多变量判别式是包含使组 间的分界为最大的各氨基酸变数的高次式(包括核函数)。使用多重回 归分析制作的候选多变量判别式是包含使自全部的氨基酸浓度数据 的距离之和为最小的各氨基酸变数的高次式。使用逻辑回归分析制作 的候选多变量判别式是项中具有以包含使似然率为最大的各氨基酸 变数的一次式作为指数的自然对数的分数式。k-means法是探索k个 各氨基酸浓度数据聚类(近傍)，在聚类点(近傍点)所属的组中，将最多 的数据定义为该数据的所属组，选择使输入的氨基酸浓度数据所属的 组与定义的组最一致的氨基酸变数的方法。聚类分析是将全部氨基酸 浓度数据中位于最近距离的点之间进行聚类(群化)的方法。决策树是给 氨基酸变数排序，由序列上位的氨基酸变数可取得的图案来预测氨基 酸浓度数据的组的方法。

返回多变量判别式制作处理的说明，本发明是在控制部，根据规 定的验证方法，验证(相互验证)步骤1中制作的候选多变量判别式(步 骤2)。候选多变量判别式的验证是对步骤1中制作的各候选多变量判 别式进行。

步骤2中，可以根据自举(bootstrap)法或保持(holdout)法、留一 (leave-one-out)法等中的至少一种方法，对候选多变量判别式的判别率 或灵敏度、特异性、信息量基准等中的至少一种进行验证。由此，可 以制作考虑了女性生殖器癌症状态信息或诊断条件的、预测性或可靠 性高的候选多变量判别式。

这里，判别率是指在全部输入数据中，本发明所评价的女性生殖 器癌症的状态正确的比例。灵敏度是指在输入数据所记载的女性生殖 器癌症的状态为患病的数据中，本发明所评价的女性生殖器癌症的状 态正确的比例。特异性是指在输入数据所记载的女性生殖器癌症的状 态为正常的数据中，本发明所评价的女性生殖器癌症的状态正确的比 例。信息量基准是指将步骤1中制作的候选多变量判别式的氨基酸变 数的数目、和本发明所评价的女性生殖器癌症的状态以及输入数据所 记载的女性生殖器癌症的状态的差异加在一起所得。预测性是指将反 复进行候选多变量判别式的验证得到的判别率或灵敏度、特异性的平 均。可靠性是指反复进行候选多变量判别式的验证得到的判别率或灵 敏度、特异性的离散。

返回多变量判别式制作处理的说明，本发明是在控制部，根据规 定的变数选择方法，从步骤2的验证结果中选择候选多变量判别式的 变数，来选择在制作候选多变量判别式时使用的女性生殖器癌症状态 信息中所含的氨基酸浓度数据的组合(步骤3)。氨基酸变数的选择是对 步骤1中制作的各候选多变量判别式进行。由此，可以适当选择候选 多变量判别式的氨基酸变数。之后，使用包含步骤3中选择的氨基酸 浓度数据的女性生殖器癌症状态信息，再次运行步骤1。

步骤3中，可以根据逐步法、最优路径法(best path method)、聚 类探索法(近傍探索法，local search method)、遗传算法中的至少一种方 法，从步骤2的验证结果中选择候选多变量判别式的氨基酸变数。

这里，最优路径法是将候选多变量判别式中所含的氨基酸变数一 个个依次减少，使候选多变量判别式带来的评价指标最优化，由此选 择氨基酸变数的方法。

回到多变量判别式制作处理的说明中，本发明是在控制部，根据 反复运行上述的步骤1、步骤2和步骤3而累积的验证结果，从多个 候选多变量判别式中选出用作多变量判别式的候选多变量判别式，由 此制作多变量判别式(步骤4)。候选多变量判别式的选出，例如有从按 照相同的公式制作方法制作的候选多变量判别式中选出最佳的情况， 也有从所有的候选多变量判别式中选出最佳的情况。

如上述说明，在多变量判别式制作处理中，根据女性生殖器癌症 状态信息，通过一系列的流程使与候选多变量判别式的制作、候选多 变量判别式的验证和候选多变量判别式的变数的选择相关的处理体 系化(系统化)并运行，由此可以制作最适合评价各女性生殖器癌症的 状态的多变量判别式。

[2-2.系统构成]

这里，参照图4～图20对实施方案2所述的女性生殖器癌症评价 系统(以下有时称为本系统)的构成进行说明。本系统只是一个举例， 本发明并不限于此。

首先，参照图4和图5对本系统的全体构成进行说明。图4是表 示本系统的全体构成的一个例子的图。图5是表示本系统的全体构成 的又一例子的图。如图4所示，本系统是经由网络300以可通信的方 式将对于评价对象评价女性生殖器癌症的状态的女性生殖器癌症评 价装置100和提供评价对象的与氨基酸浓度值相关的氨基酸浓度数据 的信息通信终端装置即客户端装置200连接在一起而构成。

如图5所示，本系统除女性生殖器癌症评价装置100或客户端装 置200以外，还可以将保存了在女性生殖器癌症评价装置100中制作 多变量判别式时使用的女性生殖器癌症状态信息或用于评价女性生 殖器癌症状态的多变量判别式等的数据库装置400经由网络300以可 通信的方式连接在一起而构成。由此，经由网络300可以自女性生殖 器癌症评价装置100向客户端装置200或数据库装置400、或者自客 户端装置200或数据库装置400向女性生殖器癌症评价装置100提供 与女性生殖器癌症状态相关的信息等。这里，与女性生殖器癌症的状 态相关的信息是指对与人的女性生殖器癌症的状态相关的特定项目 进行测定所得的值的相关信息。与女性生殖器癌症的状态相关的信息 是在女性生殖器癌症评价装置100或客户端装置200或其它装置(例 如，各种计测装置等)中生成，主要积累在数据库装置400中。

接着，参照图6～图18对本系统的女性生殖器癌症评价装置100 的构成进行说明。图6是表示本系统的女性生殖器癌症评价装置100 的构成的一个例子的框图，只概念性地表示了该构成中与本发明有关 的部分。

女性生殖器癌症评价装置100由下述部分构成：综合地控制该女 性生殖器癌症评价装置的CPU(中央处理装置，Central Processing Unit) 等的控制部102；经由路由器等通信装置和专用线等有线或无线的通 信线路，将该女性生殖器癌症评价装置与网络300以可通信的方式连 接的通信接口部104；保存各种数据库或表格或文件等的存储部106； 与输入装置112或输出装置114连接的输入输出接口部108，这些部 分可以经由任意的通信线路以可通信的方式连接。这里，女性生殖器 癌症评价装置100可以与各种分析装置(例如氨基酸分析仪等)在同一 框体中构成。女性生殖器癌症评价装置100的分散、综合的具体形态 并不限于图示，可以将其全部或部分以对应各种负荷等的任意单元进 行功能性或物理性地分散、综合来构成。例如，可以使用CGI(公共 网关接口，Common Gateway Interface)实现处理的一部分。

存储部106是存储装置，可以使用例如RAM和ROM等存储装 置、硬盘等固定盘装置、软盘、光盘等。存储部106中记录计算机程 序，该计算机程序与OS(操作系统，Operating System)协同，对CPU 发出指令，进行各种处理。如图所示，存储部106保存利用者信息文 件106a、氨基酸浓度数据文件106b、女性生殖器癌症状态信息文件 106c、指定女性生殖器癌症状态信息文件106d、多变量判别式关联信 息数据库106e、判别值文件106f和评价结果文件106g。

利用者信息文件106a中保存与利用者相关的利用者信息。图7 是表示保存在利用者信息文件106a中的信息的一个例子的图。如图7 所示，保存在利用者信息文件106a中的信息由用于专门识别利用者的 利用者ID、用于认证利用者是否为正当的利用者的利用者密码、利用 者姓名、用于专门识别利用者的所属机构的所属机构ID、用于专门识 别利用者的所属机构的部门的部门ID、部门名称和利用者的电子邮件 地址相互关联地构成。

返回图6，氨基酸浓度数据文件106b中保存与氨基酸浓度值有关 的氨基酸浓度数据。图8是表示保存在氨基酸浓度数据文件106b中 的信息的一个例子的图。如图8所示，保存在氨基酸浓度数据文件106b 中的信息由用于专门识别评价对象个体(样品)的个体编号和氨基酸浓 度数据相互关联地构成。这里，图8中，将氨基酸浓度数据作为数值 即连续尺度应用，氨基酸浓度数据也可以是名义尺度或顺序尺度。为 名义尺度或顺序尺度时，可通过对各状态赋予任意的数值进行分析。 氨基酸浓度数据中还可以组合其它的生物信息(氨基酸以外的其它的 代谢物的浓度或基因表达量、蛋白表达量、被验者的年龄和性别、是 否吸烟、心电图的波形数值化所得的数据等)。

返回图6，女性生殖器癌症状态信息文件106c中保存制作多变量 判别式时使用的女性生殖器癌症状态信息。图9是表示保存在女性生 殖器癌症状态信息文件106c中的信息的一个例子的图。如图9所示， 保存在女性生殖器癌症状态信息文件106c中的信息由个体编号、与表 示女性生殖器癌症的状态的指标(指标T1、指标T2、指标T3等)相关 的女性生殖器癌症状态指标数据(T)和氨基酸浓度数据相互关联地构 成。这里，图9中，女性生殖器癌症状态指标数据和氨基酸浓度数据 以数值(即连续尺度)的形式应用，女性生殖器癌症状态指标数据和氨 基酸浓度数据也可以是名义尺度或顺序尺度。为名义尺度或顺序尺度 时，可通过对各状态赋予任意的数值进行分析。女性生殖器癌症状态 指标数据是作为女性生殖器癌症状态的标志物的已知的单一的状态 指标，可以使用数值数据。

返回图6，指定女性生殖器癌症状态信息文件106d保存在后述的 女性生殖器癌症状态信息指定部102g中指定的女性生殖器癌症状态 信息。图10是表示保存在指定女性生殖器癌症状态信息文件106d中 的信息的一个例子。如图10所示，保存在指定女性生殖器癌症状态 信息文件106d中的信息由个体编号、指定的女性生殖器癌症状态指 标数据和指定的氨基酸浓度数据相互关联地构成。

返回图6，多变量判别式关联信息数据库106e由以下文件构成： 候选多变量判别式文件106e1，保存在后述的候选多变量判别式制作 部102h1中制作的候选多变量判别式；验证结果文件106e2，保存后 述的候选多变量判别式验证部102h2中的验证结果；选择女性生殖器 癌症状态信息文件106e3，保存包括在后述的变数选择部102h3中选 择的氨基酸浓度数据的组合的女性生殖器癌症状态信息；多变量判别 式文件106e4，保存在后述的多变量判别式制作部102h中制作的多变 量判别式。

候选多变量判别式文件106e1保存在后述的候选多变量判别式制 作部102h1中制作的候选多变量判别式。图11是表示保存在候选多 变量判别式文件106e1中的信息的一个例子的图。如图11所示，保存 在候选多变量判别式文件106e1中的信息由顺序(rank)和候选多变量 判别式(图11中的F₁(Gly，Leu，Phe，…)或F₂(Gly，Leu，Phe，…)、 F₃(Gly，Leu，Phe，…)等)相互关联地构成。

返回图6，验证结果文件106e2保存后述的候选多变量判别式验 证部102h2中的验证结果。图12是表示保存在验证结果文件106e2 中的信息的一个例子的图。如图12所示，保存在验证结果文件106e2 中的信息由顺序、候选多变量判别式(图12中的F_k(Gly，Leu，Phe，…) 或F_m(Gly，Leu，Phe，…)、F_l(Gly，Leu，Phe，…)等)和各候选多变 量判别式的验证结果(例如各候选多变量判别式的评价值)相互关联地 构成。

返回图6，选择女性生殖器癌症状态信息文件106e3保存女性生 殖器癌症状态信息，该癌症状态信息包括与在后述的变数选择部 102h3中选择的变数对应的氨基酸浓度数据的组合。图13是表示保存 在选择女性生殖器癌症状态信息文件106e3中的信息的一个例子的 图。如图13所示，保存在选择女性生殖器癌症状态信息文件106e3 中的信息由个体编号、在后述的女性生殖器癌症状态信息指定部102g 中指定的女性生殖器癌症状态指标数据和在后述的变数选择部102h3 中选择的氨基酸浓度数据相互关联地构成。

返回图6，多变量判别式文件106e4保存在后述的多变量判别式 制作部102h中制作的多变量判别式。图14是表示保存在多变量判别 式文件106e4中的信息的一个例子的图。如图14所示，保存在多变量 判别式文件106e4中的信息由顺序、多变量判别式(图14中的F_p(Phe，…)或F_p(Gly，Leu，Phe)、F_k(Gly，Leu，Phe，…)等)、与各公 式制作方法对应的阀值和各多变量判别式的验证结果(例如，各多变量 判别式的评价值)相互关联地构成。

返回图6，判别值文件106f保存在后述的判别值计算部102i中计 算的判别值。图15是表示保存在判别值文件106f中的信息的一个例 子的图。如图15所示，保存在判别值文件106f中的信息由用于专门 识别评价对象个体(样品)的个体编号、顺序(用于专门识别多变量判别 式的编号)和判别值相互关联地构成。

返回图6，评价结果文件106g保存在后述的判别值基准评价部 102j中的评价结果(具体而言，后述的判别值基准判别部102j1中的判 别结果)。图16是表示保存在评价结果文件106g中的信息的一个例子 的图。保存在评价结果文件106g中的信息由用于专门识别评价对象 个体(样品)的个体编号、预先取得的评价对象的氨基酸浓度数据、通 过多变量判别式计算的判别值和关于女性生殖器癌症状态的评价结 果相互关联地构成。

返回图6，在存储部106中，除上述信息外，作为其它信息，还 记录有用于将网站提供给客户端装置200的各种网站数据、或CGI程 序等。网站数据有用于表示后述的各种网页的数据等，这些数据以例 如用HTML或XML记述的文本文件的形式形成。用于制作网站数据 的部件用的文件(部品用のファイル)或操作用的文件(作業用のファイル) 或其它临时性的文件等也存储在存储部106中。在存储部106中，根 据需要可以将发送给客户端装置200的声音以如WAVE形式或AIFF 形式的声音文件保存，或者将静止图像或动态图像以如JPEG形式或 MPEG2形式的图像文件的形式保存。

通信接口部104连通女性生殖器癌症评价装置100和网络300(或 路由器等通信装置)之间的通信。即，通信接口部104具有经由通信线 路与其它终端进行数据通信的功能。

输入输出接口部108与输入装置112或输出装置114连接。这里， 输出装置114中除了使用监视器(包括家庭用电视)之外，也可以使用 扩音器或打印机(以下，有时将输出装置114记作监视器114)。输入装 置112中除了使用键盘或鼠标或麦克风之外，还可以使用与鼠标协同、 实现指点器(pointing device)功能的监视器。

控制部102具有用于保存OS(操作系统)等的控制程序、规定各 种处理顺序等的程序和所需要的数据等的内存，根据这些程序运行各 种信息处理。如图所示，控制部102大致具备要求解释部102a、阅览 处理部102b、认证处理部102c、电子邮件生成部102d、网页生成部 102e、接收部102f、女性生殖器癌症状态信息指定部102g、多变量判 别式制作部102h、判别值计算部102i、判别值基准评价部102j、结果 输出部102k和发送部102m。控制部102对于由数据库装置400发送 的女性生殖器癌症状态信息或由客户端装置200发送的氨基酸浓度数 据进行有缺失值的数据的除去、偏离值大的数据的除去、除去有缺失 值的数据的多个变数等的数据处理。

要求解释部102a解释来自客户端装置200或数据库装置400的 要求内容，根据该解释结果，将处理交付控制部102的各部。阅览处 理部102b接受来自客户端装置200的各种画面的阅览要求，进行这 些画面的网站数据的生成或发送。认证处理部102c接受来自客户端装 置200或数据库装置400的认证要求，进行认证判断。电子邮件生成 部102d生成包含各种信息的电子邮件。网页生成部102e生成利用者 可在客户端装置200阅览的网页。

接收部102f经由网络300，接收由客户端装置200或数据库装置 400发送的信息(具体而言，氨基酸浓度数据或女性生殖器癌症状态信 息、多变量判别式等)。女性生殖器癌症状态信息指定部102g在制作 多变量判别式时，指定作为对象的女性生殖器癌症状态指标数据和氨 基酸浓度数据。

多变量判别式制作部102h根据在接收部102f中接收的女性生殖 器癌症状态信息、或在女性生殖器癌症状态信息指定部102g中指定 的女性生殖器癌症状态信息来制作多变量判别式。具体而言，多变量 判别式制作部102h是根据反复运行候选多变量判别式制作部102h1、 候选多变量判别式验证部102h2和变数选择部102h3而累积的验证结 果，根据女性生殖器癌症状态信息，从多个候选多变量判别式中选出 用作多变量判别式的候选多变量判别式，来制作多变量判别式。

多变量判别式预先保存在存储部106的规定的存储区域时，多变 量判别式制作部102h可以通过从存储部106中选择所需要的多变量 判别式来制作多变量判别式。多变量判别式制作部102h通过从预先 保存了多变量判别式的其它计算机装置(例如数据库装置400)中选择 所需要的多变量判别式并下载，可以制作多变量判别式。

这里，参照图17对多变量判别式制作部102h的构成进行说明。 图17是表示多变量判别式制作部102h的构成的框图，该构成中只概 念性地表示了与本发明有关的部分。多变量判别式制作部102h进一 步具备候选多变量判别式制作部102h1、候选多变量判别式验证部 102h2和变数选择部102h3。候选多变量判别式制作部102h1是根据 规定的公式制作方法，由女性生殖器癌症状态信息制作多变量判别式 的候选即候选多变量判别式。候选多变量判别式制作部102h1可以将 多种不同的公式制作方法结合使用，根据女性生殖器癌症状态信息制 作多个候选多变量判别式。候选多变量判别式验证部102h2根据规定 的验证方法，验证在候选多变量判别式制作部102h1中制作的候选多 变量判别式。候选多变量判别式验证部102h2还可以根据自举法、保 持法、留一法中的至少一种方法，对于候选多变量判别式的判别率、 灵敏度、特异性、信息量基准中的至少一种进行验证。变数选择部 102h3根据规定的变数选择方法，从候选多变量判别式验证部102h2 的验证结果中选择候选多变量判别式的变数，来选择在制作候选多变 量判别式时使用的女性生殖器癌症状态信息中所含的氨基酸浓度数 据的组合。变数选择部102h3还可根据逐步法、最优路径法、聚类探 索法、遗传算法中的至少一种方法，从验证结果中选择候选多变量判 别式的变数。

返回图6，判别值计算部102i根据在接收部102f中接收的评价对 象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Gly、Ala、 Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中 的至少一种氨基酸的浓度值以及在多变量判别式制作部102h中制作 的、含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、 Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为 变数的多变量判别式，计算该多变量判别式的值即判别值。

这里，多变量判别式可以是1个分数式或多个分数式之和、或逻 辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按 照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树 制作的公式中的任一式。

在判别值基准判别部102j1中判别是宫颈癌、子宫体癌、卵巢癌 中的任一种癌还是非女性生殖器癌症时，判别值计算部102i根据在接 收部102f中接收的评价对象的氨基酸浓度数据中所含的Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸的浓度值以及在多变量判别式制作部 102h中制作的、含有Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、Ile、 Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸作为变数 的多变量判别式，可以计算判别值。此时使用的多变量判别式可以是： 以Gln、His、Arg为变数的分数式、以a-ABA、His、Met为变数的分 数式、以Ile、His、Cit、Arg、Tyr、Trp为变数的分数式或以a-ABA、 Cit、Met为变数的分数式；以Gly、Val、His、Arg为变数的线性判 别式、以Gly、a-ABA、Met、His为变数的线性判别式、以Ala、Ile、 His、Trp、Arg为变数的线性判别式、以Gly、Cit、Met、Phe为变数 的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为变数的线性判别 式；或以Val、Leu、His、Arg为变数的逻辑回归式、以a-ABA、Met、 Tyr、His为变数的逻辑回归式、以Val、Ile、His、Trp、Arg为变数 的逻辑回归式、以Cit、a-ABA、Met、Tyr为变数的逻辑回归式或以 His、Leu、Met、Cit、Ile、Tyr为变数的逻辑回归式。

在判别值基准判别部102j1中判别是宫颈癌、子宫体癌中的任一 种癌还是非宫颈癌、非子宫体癌中的任一种癌时，判别值计算部102i 根据在接收部102f中接收的评价对象的氨基酸浓度数据中所含的 Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、 Orn、Lys、Arg中的至少一种氨基酸的浓度值以及在多变量判别式制 作部102h中制作的、含有Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、 Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为 变数的多变量判别式，可以计算判别值。此时使用的多变量判别式可 以是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变 数的分数式或以Ile、His、Cit、Arg为变数的分数式；以Gly、Val、 His、Arg为变数的线性判别式、以Gly、Phe、His、Arg为变数的线 性判别式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Leu、 Met、Cit、Ile、Tyr为变数的线性判别式；或以Val、His、Lys、Arg 为变数的逻辑回归式、以Thr、a-ABA、Met、His为变数的逻辑回归 式、以Cit、Ile、His、Arg为变数的逻辑回归式或以His、Leu、Met、 Cit、Ile、Tyr为变数的逻辑回归式。

在判别值基准判别部102j1中判别是宫颈癌还是非宫颈癌时，判 别值计算部102i根据在接收部102f中接收的评价对象的氨基酸浓度 数据中所含的Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸的浓度值以及在多变量判别式制作部102h中制 作的、含有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式，可以计算判别值。此 时使用的多变量判别式可以是：以a-ABA、His、Val为变数的分数式、 以a-ABA、Met、Val为变数的分数式或以Met、His、Cit、Arg为变 数的分数式；以Gly、Val、His、Arg为变数的线性判别式、以Gly、 Val、Met、Lys为变数的线性判别式、以Cit、Met、His、Arg为变数 的线性判别式或以His、Leu、Met、Ile、Tyr、Lys为变数的线性判别 式；或以Val、Leu、His、Arg为变数的逻辑回归式、以Met、His、 Orn、Arg为变数的逻辑回归式、以Val、Tyr、His、Arg为变数的逻 辑回归式或以His、Leu、Met、Ile、Tyr、Lys为变数的逻辑回归式。

在判别值基准判别部102j1中判别是子宫体癌还是非子宫体癌 时，判别值计算部102i根据在接收部102f中接收的评价对象的氨基 酸浓度数据中所含的Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、 Leu、Phe、His、Trp、Arg中的至少一种氨基酸的浓度值以及在多变 量判别式制作部102h中制作的、含有Thr、Ser、Asn、Pro、Gly、Cit、 Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸作为 变数的多变量判别式，可以计算判别值。此时使用的多变量判别式可 以是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变 数的分数式或以Ile、His、Asn、Cit为变数的分数式；以Gln、His、 Lys、Arg为变数的线性判别式、以Gly、Met、Phe、His为变数的线 性判别式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Asn、 Val、Pro、Cit、Ile为变数的线性判别式；或以Gln、Gly、His、Arg 为变数的逻辑回归式、以Gln、Phe、His、Arg为变数的逻辑回归式、 以Gln、Ile、His、Arg为变数的逻辑回归式或以His、Asn、Val、Pro、 Cit、Ile为变数的逻辑回归式。

在判别值基准判别部102j1中判别是卵巢癌还是非卵巢癌时，判 别值计算部102i根据在接收部102f中接收的评价对象的氨基酸浓度 数据中所含的Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值 以及在多变量判别式制作部102h中制作的、含有Thr、Ser、Asn、Gln、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式，可以计算判别值。此 时使用的多变量判别式可以是：以Orn、Cit、Met为变数的分数式、 以Gln、Cit、Tyr为变数的分数式或以Orn、His、Phe、Trp为变数的 分数式；以Ser、Cit、Orn、Trp为变数的线性判别式、以Ser、Cit、 Ile、Orn为变数的线性判别式、以Phe、Trp、Orn、Lys为变数的线性 判别式或以His、Trp、Glu、Cit、Ile、Orn为变数的线性判别式；或 以Ser、Cit、Trp、Orn为变数的逻辑回归式、以Gln、Cit、Ile、Tyr 为变数的逻辑回归式、以Asn、Phe、His、Trp为变数的逻辑回归式或 以His、Trp、Glu、Cit、Ile、Orn为变数的逻辑回归式。

在判别值基准判别部102j1中判别是女性生殖器癌症罹患风险组 还是健康组时，判别值计算部102i根据在接收部102f中接收的评价 对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Gln、Pro、Ala、Val、 Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸 的浓度值以及在多变量判别式制作部102h中制作的、含有Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸作为变数的多变量判别式，可以计算判 别值。此时使用的多变量判别式可以是：以Phe、His、Met、Pro、Lys、 Arg为变数的线性判别式、或以Phe、His、Met、Pro、Lys、Arg为变 数的逻辑回归式。

在判别值基准判别部102j1中判别是否是宫颈癌、子宫体癌、卵 巢癌中的任一种癌时，判别值计算部102i根据在接收部102f中接收 的评价对象的氨基酸浓度数据中所含的Thr、Ser、Asn、Glu、Gln、 Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、 Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及在多变量判别 式制作部102h中制作的、含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、 Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为变数的多变量判别式，可以计算判 别值。此时使用的多变量判别式可以是：以Cit、Met、Lys、Asn、Ala、 Thr、Gln、a-ABA为变数的按照马氏距离法制作的公式、或以His、 Leu、Ser、Thr、Glu、Gln、Ala、Lys为变数的按照马氏距离法制作 的公式。

判别值基准评价部102j根据在判别值计算部102i中算出的判别 值，对于评价对象评价女性生殖器癌症的状态。判别值基准评价部102j 进一步具备判别值基准判别部102j1。这里，参照图18对判别值基准 评价部102j的构成进行说明。图18是表示判别值基准评价部102j的 构成的框图，只概念性地表示了该构成中与本发明有关的部分。判别 值基准判别部102j1根据在判别值计算部102i中算出的判别值，对于 评价对象，判别是女性生殖器癌症还是非女性生殖器癌症；是宫颈癌、 子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症；是宫颈癌、 子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中的任一种癌；是 宫颈癌还是非宫颈癌；是子宫体癌还是非子宫体癌；是卵巢癌还是非 卵巢癌；是女性生殖器癌症罹患风险组还是健康组；或者是否是宫颈 癌、子宫体癌、卵巢癌中的任一种癌。

返回图6，结果输出部102k将控制部102的各处理部中的处理结 果(包括判别值基准评价部102j中的评价结果(具体而言，是判别值基 准判别部102j1中的判别结果))等输出到输出装置114中。

发送部102m对评价对象的氨基酸浓度数据的发送源头的客户端 装置200发送评价结果，或对数据库装置400发送在女性生殖器癌症 评价装置100中制作的多变量判别式或评价结果。

接着，参照图19对本系统的客户端装置200的构成进行说明。 图19是表示本系统的客户端装置200的构成的一个例子的框图，只 概念性地表示该构成中与本发明有关的部分。

客户端装置200由控制部210、ROM220、HD230、RAM240、输 入装置250、输出装置260、输入输出IF270和通信IF280构成，上述 各部经由任意的通信线路以可通信的方式连接。

控制部210具备网页浏览器211、电子邮箱212、接收部213、发 送部214。网页浏览器211进行解释网站数据、将解释的网站数据显 示在后述的监视器261上的浏览处理。可以在网页浏览器211中插入 具备进行影像流的接收、显示、反馈等的功能的流式播放器等的各种 软件。电子邮箱212按照规定的通信协议(例如，SMTP(简单邮件传 输协议)或POP3(邮局协议的第3个版本)等)进行电子邮件的发送接 收。接收部213经由通信IF280，接收由女性生殖器癌症评价装置100 发送的评价结果等各种信息。发送部214经由通信IF280，将评价对 象的氨基酸浓度数据等各种信息发送至女性生殖器癌症评价装置 100。

输入装置250是键盘或鼠标或麦克风等。后述的监视器261也与 鼠标协同，实现指点器功能。输出装置260是将经由通信IF280接收 的信息进行输出的输出装置，包含监视器(包括家庭用电视机)261和 打印机262。除此之外，还可以在输出装置260中设置扩音器等。输 入输出IF270与输入装置250或输出装置260连接。

通信IF280将客户端装置200与网络300(或路由器等通信装置) 以可通信的方式连接。换言之，客户端装置200经由调制解调器或TA 或路由器等通信装置以及电话线路，或者经由专用线，与网络300连 接。由此，客户端装置200按照规定的通信协议与女性生殖器癌症评 价装置100连通(access)。

这里，通过在根据需要连接了打印机、监视器、图像扫描仪等外 围装置的信息处理装置(例如，已知的个人计算机、工作站、家庭用游 戏装置、互联网TV、PHS终端、便携终端、移动通信终端、PDA等 信息处理终端等)上安装可实现网站数据的浏览功能或电子邮件功能 的软件(程序、数据等)，也可以实现客户端装置200。

客户端装置200的控制部210中，通过CPU和由该CPU解释并 运行的程序，也可实现在控制部210中进行的处理的全部或任意的一 部分。ROM220或HD230中记录与OS(操作系统)协同、对CPU发出 指令、用于进行各种处理的计算机程序。该计算机程序通过装载在 RAM240中来运行，与CPU协同，构成控制部210。该计算机程序可 以记录在经由任意的网络与客户端装置200连接的应用程序服务器 中，客户端装置200可以根据需要下载其全部或部分。还可通过布线 逻辑等的硬件实现在控制部210中进行的处理的全部或任意的一部 分。

接着，参照图4、图5对本系统的网络300进行说明。网络300 具有以可通信的方式将女性生殖器癌症评价装置100和客户端装置 200和数据库装置400相互连接在一起的功能，例如互联网或内联网 或LAN(包括有线/无线两者)等。网络300可以是VAN、个人计算机 通信网、公众电话网(包括模拟/数字两者)、专用线路网(包括模拟/数 字两者)、CATV网、便携线路交换网或便携网络包交换网(包括 IMT2000方式、GSM方式或PDC/PDC-P方式等)、无线呼出网、 Bluetooth(蓝牙)(注册商标)等的局域无线网、PHS网或卫星通信网(包 括CS、BS或ISDB等)等。

接着，参照图20对本系统的数据库装置400的构成进行说明。 图20是表示本系统的数据库装置400的构成的一个例子的框图，只 概念性地表示了该构成中与本发明有关的部分。

数据库装置400具有保存在女性生殖器癌症评价装置100或该数 据库装置400中制作多变量判别式时使用的女性生殖器癌症状态信 息、在女性生殖器癌症评价装置100中制作的多变量判别式、女性生 殖器癌症评价装置100中的评价结果等的功能。如图20所示，数据 库装置400由综合控制该数据库装置400的CPU等的控制部402、经 由路由器等通信装置以及专用线等有线或无线通信线路将该数据库 装置与网络300以可通信的方式连接的通信接口部404、保存各种数 据库或表格或文件(例如网页用文件)等的存储部406、与输入装置412 或输出装置414连接的输入输出接口部408构成，上述各部经由任意 的通信线路以可通信的方式连接。

存储部406是存储装置，例如可使用RAM、ROM等存储装置、 或硬盘等固定盘装置、或软盘、或光盘等。存储部406中保存各种处 理中所使用的各种程序等。通信接口部404连通数据库装置400与网 络300(或路由器等通信装置)之间的通信。即，通信接口部404具有 经由通信线路与其它终端进行数据通信的功能。输入输出接口部408 与输入装置412或输出装置414连接。这里，输出装置414中除使用 监视器(包括家庭用电视机)之外，还可以使用扩音器或打印机(以下， 有时将输出装置414记作监视器414)。输入装置412中除键盘或鼠标 或麦克风之外，还可以使用与鼠标协同、实现指点器功能的监视器。

控制部402具有用于保存OS(操作系统)等的控制程序、对各种 处理顺序等进行规定的程序、所需数据等的内存，根据这些程序运行 各种信息处理。如图所示，控制部402大体具备要求解释部402a、阅 览处理部402b、认证处理部402c、电子邮件生成部402d、网页生成 部402e和发送部402f。

要求解释部402a解释来自女性生殖器癌症评价装置100的要求 内容，根据该解释结果，将处理交付给控制部402的各部。阅览处理 部402b接受来自女性生殖器癌症评价装置100的各种画面的阅览要 求，进行这些画面的网站数据的生成或发送。认证处理部402c接受来 自女性生殖器癌症评价装置100的认证要求，进行认证判断。电子邮 件生成部402d生成包含各种信息的电子邮件。网页生成部402e生成 利用者通过客户端装置200阅览的网页。发送部402f将女性生殖器癌 症状态信息或多变量判别式等的各种信息发送给女性生殖器癌症评 价装置100。

[2-3.本系统的处理]

这里，参照图21对由如上构成的本系统进行的女性生殖器癌症 评价服务处理的一个例子进行说明。图21是表示女性生殖器癌症评 价服务处理的一个例子的流程图。

本处理中使用的氨基酸浓度数据是针对从个体预先采集到的血 液进行分析而得到的、与氨基酸的浓度值相关的数据。这里，对血液 中的氨基酸的分析方法进行简单说明。首先，将采血得到的血样采集 到经肝素处理的管中，然后对该管进行离心，分离血浆。分离的全部 的血浆样品在－70℃下冷冻保存至氨基酸浓度测定之前。测定氨基酸 浓度时，在血浆样品中添加硫代水杨酸，调节为3％浓度，由此进行 除蛋白处理。氨基酸浓度的测定采用氨基酸分析仪，该氨基酸分析仪 以使用柱后茚三酮反应的高效液相色谱(HPLC)为原理。

首先，在显示了网页浏览器211的画面上，利用者经由输入装置 250来指定女性生殖器癌症评价装置100所提供的网站的地址(URL 等)，客户端装置200与女性生殖器癌症评价装置100连通。具体而言， 利用者指示客户端装置200的网页浏览器211的画面更新，则网页浏 览器211按照规定的通信协议，将女性生殖器癌症评价装置100所提 供的网站的地址发送给女性生殖器癌症评价装置100，通过基于该地 址的路由，对女性生殖器癌症评价装置100提出发送与氨基酸浓度数 据发送画面对应的网页的要求。

接着，女性生殖器癌症评价装置100在要求解释部102a接受来 自客户端装置200的发送，分析该发送的内容，根据分析结果将处理 转移至控制部102的各部。具体而言，发送的内容是要求发送与氨基 酸浓度数据发送画面对应的网页时，女性生殖器癌症评价装置100主 要是在阅览处理部102b取得保存在存储部106的规定的存储区域、 用于显示该网页的网站数据，将取得的网站数据发送给客户端装置 200。更具体而言，利用者要求发送与氨基酸浓度数据发送画面对应 的网页时，女性生殖器癌症评价装置100首先在控制部102要求利用 者输入利用者ID或利用者密码。输入利用者ID或密码后，女性生殖 器癌症评价装置100在认证处理部102c对输入的利用者ID或密码、 和保存在利用者信息文件106a中的利用者ID或利用者密码进行认证 判断。只在可以认证时，女性生殖器癌症评价装置100在阅览处理部 102b将用于显示与氨基酸浓度数据发送画面对应的网页的网站数据 发送至客户端装置200。客户端装置200的特定是通过在来自客户端 装置200的发送要求的同时发送的IP地址进行。

接着，客户端装置200在接收部213接收由女性生殖器癌症评价 装置100发送的网站数据(用于显示与氨基酸浓度数据发送画面对应 的网页)，在网页浏览器211解释所接收的网站数据，将氨基酸浓度数 据发送画面显示在监视器261上。

接着，利用者经由输入装置250，对于显示在监视器261上的氨 基酸浓度数据发送画面进行个体的氨基酸浓度数据等的输入、选择， 则客户端装置200在发送部214将用于特定输入信息或选择事项的标 识符发送至女性生殖器癌症评价装置100，由此将评价对象个体的氨 基酸浓度数据发送至女性生殖器癌症评价装置100(步骤SA-21)。步 骤SA-21中的氨基酸浓度数据的发送可通过FTP等的现有的文件传输 技术等来实现。

接着，女性生殖器癌症评价装置100在要求解释部102a解释由 客户端装置200发送的标识符，由此解释客户端装置200的要求内容， 将女性生殖器癌症的状态评价用的多变量判别式的发送要求发送至 数据库装置400。

接着，数据库装置400在要求解释部402a解释来自女性生殖器 癌症评价装置100的发送要求，将保存在存储部406的规定的存储区 域的、含有Thr、Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸 作为变数的多变量判别式(例如，更新的最新的多变量判别式。该多变 量判别式为1个分数式或多个分数式之和、或逻辑回归式、线性判别 式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的 公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一 式。)发送至女性生殖器癌症评价装置100(步骤SA-22)。

这里，步骤SA-22中，发送至女性生殖器癌症评价装置100的多 变量判别式，在后述的步骤SA-26中判别是宫颈癌、子宫体癌、卵巢 癌中的任一种癌还是非女性生殖器癌症时，可以是含有Thr、Ser、Asn、 Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Arg中的至少一种氨基酸作为变数的多变量判别式。具体而言，多变 量判别式可以是：以Gln、His、Arg为变数的分数式、以a-ABA、His、 Met为变数的分数式、以Ile、His、Cit、Arg、Tyr、Trp为变数的分 数式或以a-ABA、Cit、Met为变数的分数式；以Gly、Val、His、Arg 为变数的线性判别式、以Gly、a-ABA、Met、His为变数的线性判别 式、以Ala、Ile、His、Trp、Arg为变数的线性判别式、以Gly、Cit、 Met、Phe为变数的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为 变数的线性判别式；或以Val、Leu、His、Arg为变数的逻辑回归式、 以a-ABA、Met、Tyr、His为变数的逻辑回归式、以Val、Ile、His、 Trp、Arg为变数的逻辑回归式、以Cit、a-ABA、Met、Tyr为变数的 逻辑回归式或以His、Leu、Met、Cit、Ile、Tyr为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是宫颈癌、子宫体癌中的任一种癌 还是非宫颈癌、非子宫体癌中的任一种癌时，可以是含有Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸作为变数的多变量判别式。具体而言，多变 量判别式可以是：以Lys、His、Arg为变数的分数式、以a-ABA、His、 Met为变数的分数式或以Ile、His、Cit、Arg为变数的分数式；以Gly、 Val、His、Arg为变数的线性判别式、以Gly、Phe、His、Arg为变数 的线性判别式、以Cit、Ile、His、Arg为变数的线性判别式或以His、 Leu、Met、Cit、Ile、Tyr为变数的线性判别式；或以Val、His、Lys、 Arg为变数的逻辑回归式、以Thr、a-ABA、Met、His为变数的逻辑 回归式、以Cit、Ile、His、Arg为变数的逻辑回归式或以His、Leu、 Met、Cit、Ile、Tyr为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是宫颈癌还是非宫颈癌时，可以是 含有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至 少一种氨基酸作为变数的多变量判别式。具体而言，多变量判别式可 以是：以a-ABA、His、Val为变数的分数式、以a-ABA、Met、Val 为变数的分数式或以Met、His、Cit、Arg为变数的分数式；以Gly、 Val、His、Arg为变数的线性判别式、以Gly、Val、Met、Lys为变数 的线性判别式、以Cit、Met、His、Arg为变数的线性判别式或以His、 Leu、Met、Ile、Tyr、Lys为变数的线性判别式；或以Val、Leu、His、 Arg为变数的逻辑回归式、以Met、His、Orn、Arg为变数的逻辑回归 式、以Val、Tyr、His、Arg为变数的逻辑回归式或以His、Leu、Met、 Ile、Tyr、Lys为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是子宫体癌还是非子宫体癌时，可 以是含有Thr、Ser、Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、 His、Trp、Arg中的至少一种氨基酸作为变数的多变量判别式。具体 而言，多变量判别式可以是：以Lys、His、Arg为变数的分数式、以 a-ABA、His、Met为变数的分数式或以Ile、His、Asn、Cit为变数的 分数式；以Gln、His、Lys、Arg为变数的线性判别式、以Gly、Met、 Phe、His为变数的线性判别式、以Cit、Ile、His、Arg为变数的线性 判别式或以His、Asn、Val、Pro、Cit、Ile为变数的线性判别式；或 以Gln、Gly、His、Arg为变数的逻辑回归式、以Gln、Phe、His、Arg 为变数的逻辑回归式、以Gln、Ile、His、Arg为变数的逻辑回归式或 以His、Asn、Val、Pro、Cit、Ile为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是卵巢癌还是非卵巢癌时，可以是 含有Thr、Ser、Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判 别式。具体而言，多变量判别式可以是：以Orn、Cit、Met为变数的 分数式、以Gln、Cit、Tyr为变数的分数式或以Orn、His、Phe、Trp 为变数的分数式；以Ser、Cit、Orn、Trp为变数的线性判别式、以Ser、 Cit、Ile、Orn为变数的线性判别式、以Phe、Trp、Orn、Lys为变数 的线性判别式或以His、Trp、Glu、Cit、Ile、Orn为变数的线性判别 式；或以Ser、Cit、Trp、Orn为变数的逻辑回归式、以Gln、Cit、Ile、 Tyr为变数的逻辑回归式、以Asn、Phe、His、Trp为变数的逻辑回归 式或以His、Trp、Glu、Cit、Ile、Orn为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是女性生殖器癌症罹患风险组还是 健康组时，可以是含有Thr、Ser、Asn、Gln、Pro、Ala、Val、Met、 Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中的至少一种氨基酸作为 变数的多变量判别式。具体而言，多变量判别式可以是：以Phe、His、 Met、Pro、Lys、Arg为变数的线性判别式、或以Phe、His、Met、Pro、 Lys、Arg为变数的逻辑回归式。

步骤SA-22中，发送至女性生殖器癌症评价装置100的多变量判 别式，在后述的步骤SA-26中判别是否是宫颈癌、子宫体癌、卵巢癌 中的任一种癌时，可以是含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、 Ala、Cit、ABA、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸作为变数的多变量判别式。具体而言， 多变量判别式可以是：以Cit、Met、Lys、Asn、Ala、Thr、Gln、a-ABA 为变数的按照马氏距离法制作的公式、或以His、Leu、Ser、Thr、Glu、 Gln、Ala、Lys为变数的按照马氏距离法制作的公式。

返回图21的说明，女性生殖器癌症评价装置100在接收部102f 接收由客户端装置200发送的个体的氨基酸浓度数据和由数据库装置 400发送的多变量判别式，将接收的氨基酸浓度数据保存在氨基酸浓 度数据文件106b的规定的存储区域，同时将接收的多变量判别式保 存在多变量判别式文件106e4的规定的存储区域(步骤SA-23)。

接着，女性生殖器癌症评价装置100在控制部102，从在步骤 SA-23中接收的个体的氨基酸浓度数据中除去缺失值或偏离值等数据 (步骤SA-24)。

接着，女性生殖器癌症评价装置100在判别值计算部102i，根据 在步骤SA-24中除去了缺失值或偏离值等数据的个体的氨基酸浓度数 据以及在步骤SA-23中接收的多变量判别式，计算该多变量判别式的 值即判别值(步骤SA-25)。在判别值基准判别部102j1对在步骤SA-25 中计算的判别值和预先设定的阀值(截断值)进行比较，对于个体进行 下述21.～28.所示的判别中的任一种判别，将该判别结果保存在评价结 果文件106g的规定的存储区域(步骤SA-26)。

21.判别是女性生殖器癌症还是非女性生殖器癌症

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值以及含有Thr、 Ser、Asn、Gln、Pro、Gly、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、 His、Trp、Orn、Lys、Arg中的至少一种氨基酸作为变数的多变量判 别式来计算判别值；在步骤SA-26中，通过将算出的判别值和预先设 定的阈值(截断值)进行比较，对于个体判别是女性生殖器癌症还是非 女性生殖器癌症。

22.判别是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖 器癌症

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、 Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中 的至少一种氨基酸作为变数的多变量判别式来计算判别值；在步骤 SA-26中，通过将算出的判别值和预先设定的阈值(截断值)进行比较， 对于个体判别是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性 生殖器癌症。

23.判别是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫体 癌中的任一种癌

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、 Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、 Cit、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为变数的多变量判别式计算判别值；在步骤SA-26中， 通过将算出的判别值和预先设定的阈值(截断值)进行比较，对于个体 判别是宫颈癌、子宫体癌中的任一种癌还是非宫颈癌、非子宫体癌中 的任一种癌。

24.判别是宫颈癌还是非宫颈癌

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Asn、Val、 Met、Leu、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓 度值以及含有Asn、Val、Met、Leu、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式计算判别值；在步骤 SA-26中，通过将算出的判别值和预先设定的阈值(截断值)进行比较， 对于个体判别是宫颈癌还是非宫颈癌。

25.判别是子宫体癌还是非子宫体癌

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Pro、Gly、Cit、Val、Met、Ile、Leu、Phe、His、Trp、Arg中 的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Pro、Gly、Cit、 Val、Met、Ile、Leu、Phe、His、Trp、Arg中的至少一种氨基酸作为 变数的多变量判别式计算判别值；在步骤SA-26中，通过将算出的判 别值和预先设定的阈值(截断值)进行比较，对于个体判别是子宫体癌 还是非子宫体癌。

26.判别是卵巢癌还是非卵巢癌

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Gln、Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、 Lys、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、 Ala、Cit、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg 中的至少一种氨基酸作为变数的多变量判别式计算判别值；在步骤 SA-26中，通过将算出的判别值和预先设定的阈值(截断值)进行比较， 对于个体判别是卵巢癌还是非卵巢癌。

27.判别是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、 Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少一种氨基酸的浓度值 以及含有Thr、Ser、Asn、Glu、Gln、Pro、Gly、Ala、Cit、ABA、 Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Lys、Arg中的至少 一种氨基酸作为变数的多变量判别式计算判别值；在步骤SA-26中， 通过将算出的判别值和预先设定的阈值(截断值)进行比较，对于个体 判别是否是宫颈癌、子宫体癌、卵巢癌中的任一种癌。

28.判别是女性生殖器癌症罹患风险组还是健康组

在步骤SA-25中，根据个体的氨基酸浓度数据中所含的Thr、Ser、 Asn、Gln、Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、 Orn、Arg中的至少一种氨基酸的浓度值以及含有Thr、Ser、Asn、Gln、 Pro、Ala、Val、Met、Ile、Leu、Tyr、Phe、His、Trp、Orn、Arg中 的至少一种氨基酸作为变数的多变量判别式计算判别值；在步骤 SA-26中，根据算出的判别值，对于评价对象判别是女性生殖器癌症 罹患风险组还是健康组。

返回图21的说明，女性生殖器癌症评价装置100在发送部102m 中将在步骤SA-26中得到的判别结果发送至氨基酸浓度数据的发送源 头的客户端装置200和数据库装置400(步骤SA-27)。具体而言，首 先，女性生殖器癌症评价装置100在网页生成部102e中制作用于显示 判别结果的网页，将与制作的网页对应的网站数据保存在存储部106 的规定存储区域。接着，利用者经由输入装置250，向客户端装置200 的网页浏览器211输入规定的URL，通过了上述认证后，客户端装置 200将阅览该网页的要求发送给女性生殖器癌症评价装置100。接着， 女性生殖器癌症评价装置100在阅览处理部102b中解释由客户端装 置200发送的阅览要求，由存储部106的规定的存储区域读取与用于 显示判别结果的网页对应的网站数据。然后，女性生殖器癌症评价装 置100在发送部102m中将读取的网站数据发送至客户端装置200， 同时将该网站数据或判别结果发送至数据库装置400。

这里，在步骤SA-27中，女性生殖器癌症评价装置100可以在控 制部102中通过电子邮件将判别结果通知利用者的客户端装置200。 具体而言，首先，女性生殖器癌症评价装置100在电子邮件生成部 102d，基于利用者ID等，按照发送时间，参照保存在利用者信息文 件106a中的利用者信息，取得利用者的电子邮件地址。接着，女性生 殖器癌症评价装置100在电子邮件生成部102d中，以获得的电子邮 件地址为发送地址，生成与包含利用者的姓名和判别结果的电子邮件 相关的数据。接着，女性生殖器癌症评价装置100在发送部102m中 将生成的该数据发送至利用者的客户端装置200。

步骤SA-27中，女性生殖器癌症评价装置100可通过FTP等的已 有的文件传输技术等，将判别结果发送至利用者的客户端装置200。

返回图21的说明，数据库装置400在控制部402中接收由女性 生殖器癌症评价装置100发送的判别结果或网站数据，将接收的判别 结果或网站数据保存(积累)在存储部406的规定的存储区域(步骤 SA-28)。

客户端装置200在接收部213中接收由女性生殖器癌症评价装置 100发送的网站数据，在网页浏览器211中解释接收的网站数据，将 记录有个体的判别结果的网页的画面显示在监视器261上(步骤 SA-29)。判别结果通过电子邮件由女性生殖器癌症评价装置100发送 时，利用电子邮箱212的公知的功能，客户端装置200可以在任意的 时间接收由女性生殖器癌症评价装置100发送的电子邮件，并将接收 的电子邮件显示在监视器261上。

以上，利用者通过阅览在监视器261上显示的网页，可以确认关 于女性生殖器癌症的个体的判别结果。利用者可以通过打印机262打 印显示在监视器261上的网页的显示内容。

判别结果通过电子邮件由女性生殖器癌症评价装置100发送时， 利用者通过阅览在监视器261上显示的电子邮件，可以确认关于女性 生殖器癌症的个体的判别结果。利用者可以通过打印机262打印显示 在监视器261上的电子邮件的显示内容。

至此，女性生殖器癌症评价服务处理的说明结束。

[2-4.实施方案2的总结、以及其它实施方案]

如上述详细说明，根据女性生殖器癌症评价系统，客户端装置200 将个体的氨基酸浓度数据发送至女性生殖器癌症评价装置100，数据 库装置400接受来自女性生殖器癌症评价装置100的要求，将女性生 殖器癌症的判别用的多变量判别式发送至女性生殖器癌症评价装置 100。然后，女性生殖器癌症评价装置100运行以下步骤：(1)接收来 自客户端装置200的氨基酸浓度数据，同时由数据库装置400接收多 变量判别式；(2)根据接收的氨基酸浓度数据和多变量判别式计算判别 值；(3)通过将算出的判别值和预先设定的阀值进行比较，对于个体进 行上述21.～28.所示的判别中的任一种判别；(4)将该判别结果发送至客 户端装置200或数据库装置400。客户端装置200接收由女性生殖器 癌症评价装置100发送的判别结果并显示，数据库装置400接收由女 性生殖器癌症评价装置100发送的判别结果并保存。由此，利用由对 于女性生殖器癌症和非女性生殖器癌症的两组判别或宫颈癌、子宫体 癌、卵巢癌中的任一种癌和非女性生殖器癌症的判别、宫颈癌、子宫 体癌中的任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别、宫 颈癌和非宫颈癌的两组判别、子宫体癌和非子宫体癌的两组判别、卵 巢癌和非卵巢癌的两组判别、女性生殖器癌症罹患风险组和健康组的 两组判别、宫颈癌和子宫体癌和卵巢癌的判别特别有用的多变量判别 式得到的判别值，可以进一步高精度地进行上述两组判别或上述判 别。

在步骤SA-26中进行上述22.所示的判别时，多变量判别式可以 是：以Gln、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式、以Ile、His、Cit、Arg、Tyr、Trp为变数的分数式或以a-ABA、 Cit、Met为变数的分数式；以Gly、Val、His、Arg为变数的线性判 别式、以Gly、a-ABA、Met、His为变数的线性判别式、以Ala、Ile、 His、Trp、Arg为变数的线性判别式、以Gly、Cit、Met、Phe为变数 的线性判别式或以His、Leu、Met、Cit、Ile、Tyr为变数的线性判别 式；或以Val、Leu、His、Arg为变数的逻辑回归式、以a-ABA、Met、 Tyr、His为变数的逻辑回归式、以Val、Ile、His、Trp、Arg为变数 的逻辑回归式、以Cit、a-ABA、Met、Tyr为变数的逻辑回归式或以 His、Leu、Met、Cit、Ile、Tyr为变数的逻辑回归式。由此，利用由 对于宫颈癌、子宫体癌、卵巢癌中的任一种癌和非女性生殖器癌症的 判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进 行该判别。

在步骤SA-26中进行上述23.所示的判别时，多变量判别式可以 是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式或以Ile、His、Cit、Arg为变数的分数式；以Gly、Val、His、 Arg为变数的线性判别式、以Gly、Phe、His、Arg为变数的线性判别 式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Leu、Met、 Cit、Ile、Tyr为变数的线性判别式；或以Val、His、Lys、Arg为变数 的逻辑回归式、以Thr、a-ABA、Met、His为变数的逻辑回归式、以 Cit、Ile、His、Arg为变数的逻辑回归式或以His、Leu、Met、Cit、Ile、 Tyr为变数的逻辑回归式。由此，利用由对于宫颈癌、子宫体癌中的 任一种癌和非宫颈癌、非子宫体癌中的任一种癌的判别特别有用的多 变量判别式得到的判别值，可以进一步高精度地进行该判别。

在步骤SA-26中进行上述24.所示的判别时，多变量判别式可以 是：以a-ABA、His、Val为变数的分数式、以a-ABA、Met、Val为 变数的分数式或以Met、His、Cit、Arg为变数的分数式；以Gly、Val、 His、Arg为变数的线性判别式、以Gly、Val、Met、Lys为变数的线 性判别式、以Cit、Met、His、Arg为变数的线性判别式或以His、Leu、 Met、Ile、Tyr、Lys为变数的线性判别式；或以Val、Leu、His、Arg 为变数的逻辑回归式、以Met、His、Orn、Arg为变数的逻辑回归式、 以Val、Tyr、His、Arg为变数的逻辑回归式或以His、Leu、Met、Ile、 Tyr、Lys为变数的逻辑回归式。由此，利用由对于宫颈癌和非宫颈癌 的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精 度地进行该两组判别。

在步骤SA-26中进行上述25.所示的判别时，多变量判别式可以 是：以Lys、His、Arg为变数的分数式、以a-ABA、His、Met为变数 的分数式或以Ile、His、Asn、Cit为变数的分数式；以Gln、His、Lys、 Arg为变数的线性判别式、以Gly、Met、Phe、His为变数的线性判别 式、以Cit、Ile、His、Arg为变数的线性判别式或以His、Asn、Val、 Pro、Cit、Ile为变数的线性判别式；或以Gln、Gly、His、Arg为变数 的逻辑回归式、以Gln、Phe、His、Arg为变数的逻辑回归式、以Gln、 Ile、His、Arg为变数的逻辑回归式或以His、Asn、Val、Pro、Cit、Ile 为变数的逻辑回归式。由此，利用由对于子宫体癌和非子宫体癌的两 组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地 进行该两组判别。

在步骤SA-26中进行上述26.所示的判别时，多变量判别式可以 是：以Orn、Cit、Met为变数的分数式、以Gln、Cit、Tyr为变数的 分数式或以Orn、His、Phe、Trp为变数的分数式；以Ser、Cit、Orn、 Trp为变数的线性判别式、以Ser、Cit、Ile、Orn为变数的线性判别式、 以Phe、Trp、Orn、Lys为变数的线性判别式或以His、Trp、Glu、Cit、 Ile、Orn为变数的线性判别式；或以Ser、Cit、Trp、Orn为变数的逻 辑回归式、以Gln、Cit、Ile、Tyr为变数的逻辑回归式、以Asn、Phe、 His、Trp为变数的逻辑回归式或以His、Trp、Glu、Cit、Ile、Orn为 变数的逻辑回归式。由此，利用由对于卵巢癌和非卵巢癌的两组判别 特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该 两组判别。

在步骤SA-26中进行上述27.所示的判别时，多变量判别式可以 是：以Cit、Met、Lys、Asn、Ala、Thr、Gln、a-ABA为变数的按照 马氏距离法制作的公式、或以His、Leu、Ser、Thr、Glu、Gln、Ala、 Lys为变数的按照马氏距离法制作的公式。由此，利用由对于宫颈癌 和子宫体癌和卵巢癌的判别特别有用的多变量判别式得到的判别值， 可以进一步高精度地进行该判别。

在步骤SA-26中进行上述28.所示的判别时，多变量判别式可以 是：以Phe、His、Met、Pro、Lys、Arg为变数的线性判别式、或以 Phe、His、Met、Pro、Lys、Arg为变数的逻辑回归式。由此，利用由 对于女性生殖器癌症罹患风险组和健康组的两组判别特别有用的多 变量判别式得到的判别值，可以进一步高精度地进行该两组判别。

上述多变量判别式可按照本申请人的国际申请即国际公开第 2004/052191号中所述的方法、或本申请人的国际申请即国际公开第 2006/098192号中所述的方法(后述的多变量判别式制作处理)制作。如 果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸 浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于女性生 殖器癌症状态的评价。

除上述实施方案2以外，本发明还可以在专利权利要求书的文件 记载的技术思想范围内，以各种不同的实施方案实施。例如，在上述 实施方案2中说明的各处理中，以自动进行的形式说明的处理的全部 或一部分可以是手动进行，以手动进行的形式说明的处理的全部或一 部分可以按照公知的方法自动进行。除此之外，除了特别说明的之外， 上述文章中或附图中表示的处理顺序、控制顺序、具体名称、各种登 录数据以及包括检索条件等的参数的信息、画面例、数据库构成均可 任意变更。例如，关于女性生殖器癌症评价装置100，图示的各构成 要素是功能概念性的，物理学上未必是如图示的构成。另外，关于女 性生殖器癌症评价装置100的各部或各装置所具备的处理功能(特别 是通过控制部102进行的各处理功能)，可通过CPU(中央处理单元) 以及由该CPU解释并运行的程序来实现其全部或任意的一部分，也可 以以接线逻辑的硬件的形式实现。

这里，“程序”是指通过任意的语言或记述方法记述的数据处理方 法，不管其源代码或二进制代码等形式。“程序”未必限于单一构成， 包含多种模块或以库的形式分散构成的程序、或与以OS(操作系统) 为代表的个别程序协同来实现其功能的程序。程序记录在记录介质 上，根据需要，可以机械读取到女性生殖器癌症评价装置100中。关 于用于在各装置中读取记录在记录介质上的程序的具体的构成或读 取程序或读取后的安装程序等，可以采用周知的构成或程序。

“记录介质”包含任意的“可移动用的物理介质”或任意的“固定用 的物理介质”或“通信介质”。“可移动用的物理介质”是指软盘、光磁盘、 ROM、EPROM、EEPROM、CD-ROM、MO或DVD等。“固定用的 物理介质”是指内置于各种计算机系统的ROM、RAM或HD等。“通 信介质”是指如经由LAN或WAN或互联网等网络发送程序时的通信 线路或载波，为短期保有程序的介质。

最后，参照图22对于在女性生殖器癌症评价装置100中进行的 多变量判别式制作处理的一个例子进行详细说明。图22是表示多变 量判别式制作处理的一个例子的流程图。该多变量判别式制作处理可 以在管理女性生殖器癌症状态信息的数据库装置400中进行。

本说明中，女性生殖器癌症评价装置100是将事先由数据库装置 400取得的女性生殖器癌症状态信息保存在女性生殖器癌症状态信息 文件106c的规定的存储区域。女性生殖器癌症评价装置100是将事先 在女性生殖器癌症状态信息指定部102g中指定的、包含女性生殖器 癌症状态指标数据和氨基酸浓度数据的女性生殖器癌症状态信息保 存在指定女性生殖器癌症状态信息文件106d的规定的存储区域。

首先，多变量判别式制作部102h是在候选多变量判别式制作部 102h1中，根据规定的公式制作方法，由保存在指定女性生殖器癌症 状态信息文件106d的规定的存储区域的女性生殖器癌症状态信息制 作候选多变量判别式，将制作的候选多变量判别式保存在候选多变量 判别式文件106e1的规定的存储区域(步骤SB-21)。具体而言，首先， 多变量判别式制作部102h是在候选多变量判别式制作部102h1中， 从多种不同的公式制作方法(包含关于主成分分析或判别分析、支持向 量机、多重回归分析、逻辑回归分析、k-means法、聚类分析、决策 树等的多变量分析的方法)中选择所需的一种，根据所选择的公式制作 方法，确定将要制作的候选多变量判别式的形式(公式的形式)。接着， 多变量判别式制作部102h是在候选多变量判别式制作部102h1中， 根据女性生殖器癌症状态信息，运行与所选择的公式选择方法对应的 各种(例如平均或分散等)的计算。接着，多变量判别式制作部102h是 在候选多变量判别式制作部102h1中，确定计算结果和所确定的候选 多变量判别式的参数。由此，根据所选择的公式制作方法制作候选多 变量判别式。将多种不同的公式制作方法结合使用、同时并行(并列) 地制作候选多变量判别式时，可以根据每种所选择的公式制作方法， 将上述处理并行运行。另外，将多种不同的公式制作方法结合使用、 依次制作候选多变量判别式时，例如可以利用进行主成分分析制作的 候选多变量判别式，变换女性生殖器癌症状态信息，对变换的女性生 殖器癌症状态信息进行判别分析，由此制作候选多变量判别式。

接着，多变量判别式制作部102h是在候选多变量判别式验证部 102h2中，根据规定的验证方法，对在步骤SB-21中制作的候选多变 量判别式进行验证(相互验证)，将验证结果保存在验证结果文件106e2 的规定的存储区域(步骤SB-22)。具体而言，多变量判别式制作部102h 是在候选多变量判别式验证部102h2中，根据保存在指定女性生殖器 癌症状态信息文件106d的规定的存储区域的女性生殖器癌症状态信 息，制作验证候选多变量判别式时使用的验证用数据，根据制作的验 证用数据来验证候选多变量判别式。在步骤SB-21中结合使用多种不 同的公式制作方法来制作多种候选多变量判别式时，多变量判别式制 作部102h是在候选多变量判别式验证部102h2中，对于每种与各公 式制作方法对应的候选多变量判别式，按照规定的验证方法进行验 证。这里，在步骤SB-22中，可以根据自举法或保持法、留一法等中 的至少一种方法，对候选多变量判别式的判别率或灵敏度、特异性、 信息量基准等中的至少一种进行验证。由此，可以选择考虑了女性生 殖器癌症状态信息或诊断条件的、预测性或可靠性高的候选指标式。

接着，多变量判别式制作部102h是在变数选择部102h3中，根 据规定的变数选择方法，从步骤SB-22的验证结果中选择候选多变量 判别式的变数，由此选择在制作候选多变量判别式时使用的女性生殖 器癌症状态信息中所含的氨基酸浓度数据的组合，将包含所选择的氨 基酸浓度数据的组合的女性生殖器癌症状态信息保存在选择女性生 殖器癌症状态信息文件106e3的规定的存储区域(步骤SB-23)。在步骤 SB-21中，结合使用多种不同的公式制作方法，制作多种候选多变量 判别式，在步骤SB-22中，根据规定的验证方法，对于每种与各公式 制作方法对应的候选多变量判别式进行验证时，在步骤SB-23中，多 变量判别式制作部102h是在变数选择部102h3中，对每种与步骤 SB-22的验证结果对应的候选多变量判别式，根据规定的变数选择方 法选择候选多变量判别式的变数。这里，步骤SB-23中，可以根据逐 步法、最优路径法、聚类探索法、遗传算法中的至少一种方法，从验 证结果中选择候选多变量判别式的变数。最优路径法是将候选多变量 判别式中所含的变数一个个依次减少，使候选多变量判别式所赋予的 评价指标最佳化，由此选择变数的方法。步骤SB-23中，多变量判别 式制作部102h可以是在变数选择部102h3中，根据保存在指定女性 生殖器癌症状态信息文件106d的规定的存储区域的女性生殖器癌症 状态信息，选择氨基酸浓度数据的组合。

接着，多变量判别式制作部102h判定保存在指定女性生殖器癌 症状态信息文件106d的规定的存储区域的女性生殖器癌症状态信息 中所含的全部氨基酸浓度数据的组合是否结束，判定结果为“结束”时 (步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果为未“结束” 时(步骤SB-24：否)，返回步骤SB-21。多变量判别式制作部102h判 定预先设定的次数是否结束，判定结果为“结束”时(步骤SB-24：是)， 进入下一步骤(步骤SB-25)，判定结果为未“结束”时(步骤SB-24：否)， 可以返回步骤SB-21。多变量判别式制作部102h判定在步骤SB-23 中选择的氨基酸浓度数据的组合与保存在指定女性生殖器癌症状态 信息文件106d的规定的存储区域的女性生殖器癌症状态信息中所含 的氨基酸浓度数据的组合或在上一步骤SB-23中选择的氨基酸浓度数 据的组合是否相同，判定结果为“相同”时(步骤SB-24：是)，进入下一 步骤(步骤SB-25)，判定结果为不“相同”时(步骤SB-24：否)，可以返 回步骤SB-21。具体而言，验证结果为关于各候选多变量判别式的评 价值时，多变量判别式制作部102h可根据该评价值和与各公式制作 方法对应的规定的阀值的比较结果，判定是进入步骤SB-25还是返回 步骤SB-21。

接着，多变量判别式制作部102h根据验证结果，从多种候选多 变量判别式中选出用作多变量判别式的候选多变量判别式，由此确定 多变量判别式，将确定的多变量判别式(选出的候选多变量判别式)保 存在多变量判别式文件106e4的规定的存储区域(步骤SB-25)。这里， 在步骤SB-25中，例如有从按照相同的公式制作方法制作的候选多变 量判别式中选出最佳的情况，也有从全部的候选多变量判别式中选出 最佳的情况。

至此，对多变量判别式制作处理的说明结束。

实施例1

通过上述的氨基酸分析法，针对确诊为宫颈癌、子宫体癌、卵巢 癌的宫颈癌、子宫体癌、卵巢癌的患者组的血样以及非宫颈癌、非子 宫体癌、非卵巢癌的组的血样测定血液中氨基酸浓度。这里，在本实 施例1和以后的实施例中，有时将宫颈癌、子宫体癌、卵巢癌的患者 组统称记作癌症患者组，将非宫颈癌、非子宫体癌、非卵巢癌的组记 作非癌症组。非癌症组中，有时将子宫肌瘤等良性疾病罹患组记作良 性疾病组，将除此以外的组记作健康组。有时将良性疾病组和癌症患 者组的集团记作女性生殖器癌症罹患风险组。

与癌症患者组、良性疾病组和健康组的氨基酸变数的分布相关的 箱线图见图23，与宫颈癌组、子宫体癌组、卵巢癌组、良性疾病组和 健康组的氨基酸变数的分布相关的箱线图见图24。关于各组间的两组 判别，各氨基酸变数的ROC曲线下面积的计算结果见图25。

如图23、图24、图25所示，在健康组、良性疾病组、癌症患者 组之间，在多半的氨基酸浓度中确认到差异。特别是在非癌症组、良 性疾病组或健康组和癌症患者组的两组判别、或健康组和女性生殖器 癌症罹患风险组的两组判别中，确认到Asn、Val、Met、Leu、His、 Trp、Arg常常位于ROC_AUC值高的上位12位以内。在非癌症组、 良性疾病组或健康组和宫颈癌组的两组判别中，确认到Gly、Val、Leu、 Phe、His、Lys、Arg常常位于ROC_AUC值高的上位12位以内。在 非癌症组、良性疾病组或健康组和子宫体癌组的两组判别中，确认到 Thr、Asn、Gly、Val、His、Trp、Arg常常位于ROC_AUC值高的上 位12位以内。并且，在非癌症组、良性疾病组或健康组和卵巢癌组 的两组判别中，确认到Asn、Cit、Val、Met、Leu、Tyr、His、Trp、 Lys、Arg常常位于ROC＿AUC值高的上位12位以内。由此确认： 这些氨基酸有助于宫颈癌、子宫体癌、卵巢癌的判别。

实施例2

使用实施例1中使用的样品数据。关于宫颈癌组、子宫体癌组、 卵巢癌组的判别，利用本申请人的国际申请即国际公开第2004/052191 号中所述的方法，深入探索了使癌症患者组和非癌症组的两组判别性 能最大化的指标。其结果，在具有同等性能的多个指标式中，得到了 指标式1(参照图26)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别， 通过线性判别分析(根据AIC最小基准进行的变数网罗法)探索了使癌 症患者组和非癌症组的两组判别性能最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式2(参照图26)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过逻辑回归分析(根据AIC最 小基准进行的变数网罗法)探索了使癌症患者组和非癌症组的两组判 别性能最大化的指标，其结果，在具有同等性能的多个指标式中，得 到了指标式3(参照图26)。在指标式1、指标式2、指标式3所示的式 中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对其 加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 癌症患者组和健康组的两组判别性能最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式4(参照图26)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最 小基准进行的变数网罗法)探索了使癌症患者组和健康组的两组判别 性能最大化的指标。其结果，在具有同等性能的多个指标式中，得到 了指标式5(参照图26)。关于宫颈癌组、子宫体癌组、卵巢癌组的判 别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了 使癌症患者组和健康组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式6(参照图26)。在指标式 4、指标式5、指标式6所示的式中，各系数的值可以是将其实数倍所 得的值，常数项的值可以是对其加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 癌症患者组和良性疾病组的两组判别性能最大化的指标。其结果，在 具有同等性能的多个指标式中，得到了指标式7(参照图26)。关于宫 颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC 最小基准进行的变数网罗法)探索了使癌症患者组和良性疾病组的两 组判别性能最大化的指标。其结果，在具有同等性能的多个指标式(参 照图26)中得到了指标式8。关于宫颈癌组、子宫体癌组、卵巢癌组的 判别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索 了使癌症患者组和良性疾病组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式9(参照图26)。 在指标式7、指标式8、指标式9所示的式中，各系数的值可以是将 其实数倍所得的值，常数项的值可以是对其加减乘除任意的实常数而 得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 健康组和女性生殖器癌症罹患风险组的两组判别性能最大化的指标。 其结果，在具有同等性能的多个指标式中，得到了指标式10(参照图 26)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分 析(根据AIC最小基准进行的变数网罗法)探索了使健康组和女性生殖 器癌症罹患风险组的两组判别性能最大化的指标。其结果，在具有同 等性能的多个指标式中，得到了指标式11(参照图26)。关于宫颈癌组、 子宫体癌组、卵巢癌组的判别，通过逻辑回归分析(根据AIC最小基 准进行的变数网罗法)探索了使健康组和女性生殖器癌症罹患风险组 的两组判别性能最大化的指标。其结果，在具有同等性能的多个指标 式中，得到了指标式12(参照图26)。在指标式10、指标式11、指标 式12所示的式中，各系数的值可以是将其实数倍所得的值，常数项 的值可以是对其加减乘除任意的实常数而得到的值。

为了验证在宫颈癌组、子宫体癌组、卵巢癌组的判别中指标式1～3 的诊断性能，对于癌症患者组和非癌症组的两组判别，进行基于ROC 曲线的评价。其结果，得到了图26所示的诊断性能，判明这些指标 式是诊断性能高的有用的指标式。如图26所示，对于这些指标式， 要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性命中率、 阴性命中率和准确率。

为了验证在宫颈癌组、子宫体癌组、卵巢癌组的判别中指标式4～6 的诊断性能，对于癌症患者组和健康组的两组判别，进行基于ROC 曲线的评价。其结果，得到了图26所示的诊断性能，判明这些指标 式是诊断性能高的有用的指标式。如图26所示，对于这些指标式， 要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性命中率、 阴性命中率和准确率。

为了验证在宫颈癌组、子宫体癌组、卵巢癌组的判别中指标式7～9 的诊断性能，对于癌症患者组和良性疾病组的两组判别，进行基于 ROC曲线的评价。其结果，得到了图26所示的诊断性能，判明这些 指标式是诊断性能高的有用的指标式。如图26所示，对于这些指标 式，要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性命 中率、阴性命中率和准确率。

为了验证在宫颈癌组、子宫体癌组、卵巢癌组的判别中指标式 10～12的诊断性能，对于健康组和女性生殖器癌症罹患风险组的两组 判别，进行基于ROC曲线的评价。其结果，得到了图26所示的诊断 性能，判明这些指标式是诊断性能高的有用的指标式。如图26所示， 对于这些指标式，要求具有最佳截断值、或所用数据中的灵敏度、特 异度、阳性命中率、阴性命中率及和准确率。

关于指标式1～12，如图27～图42依次所示，分别得到了多个具 有同等判别性能的指标式。在图27～图42所示的式中，各系数的值可 以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实 常数而得到的值。

实施例3

在实施例1使用的样品数据中，使用了宫颈癌组、子宫体癌组和 非癌症组的数据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利 用本申请人的国际申请即国际公开第2004/052191号中所述的方法， 深入探索了使宫颈癌组和子宫体癌组与非癌症组的两组判别性能最 大化的指标。其结果，在具有同等性能的多个指标式中，得到了指标 式13(参照图43)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通 过线性判别分析(根据AIC最小基准进行的变数网罗法)探索了使宫颈 癌组和子宫体癌组与非癌症组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式14(参照图43)。 关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通过逻辑回归分析(根 据AIC最小基准进行的变数网罗法)探索了使宫颈癌组和子宫体癌组 与非癌症组的两组判别性能最大化的指标。其结果，在具有同等性能 的多个指标式中，得到了指标式15(参照图43)。在指标式13、指标 式14、指标式15所示的式中，各系数的值可以是将其实数倍所得的 值，常数项的值可以是对其加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 宫颈癌组和子宫体癌组与健康组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式16(参照图43)。 关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根 据AIC最小基准进行的变数网罗法)，探索了使宫颈癌组和子宫体癌 组与健康组的两组判别性能最大化的指标。其结果，在具有同等性能 的多个指标式中，得到了指标式17(参照图43)。关于宫颈癌组、子宫 体癌组、卵巢癌组的判别，通过逻辑回归分析(根据AIC最小基准进 行的变数网罗法)探索了使宫颈癌组和子宫体癌组与健康组的两组判 别性能最大化的指标。其结果，在具有同等性能的多个指标式中，得 到了指标式18(参照图43)。在指标式16、指标式17、指标式18所示 的式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是 对其加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 宫颈癌组和子宫体癌组与良性疾病组的两组判别性能最大化的指标。 其结果，在具有同等性能的多个指标式中，得到了指标式19(参照图 43)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分 析(根据AIC最小基准进行的变数网罗法)探索了使宫颈癌组和子宫体 癌组与良性疾病组的两组判别性能最大化的指标。其结果，在具有同 等性能的多个指标式中，得到了指标式20(参照图43)。关于宫颈癌组、 子宫体癌组、卵巢癌组的判别，通过逻辑回归分析(根据AIC最小基 准进行的变数网罗法)探索了使宫颈癌组和子宫体癌组与良性疾病组 的两组判别性能最大化的指标。其结果，在具有同等性能的多个指标 式中，得到了指标式21(参照图43)。在指标式19、指标式20、指标 式21所示的式中，各系数的值可以是将其实数倍所得的值，常数项 的值可以是对其加减乘除任意的实常数而得到的值。

为了验证在宫颈癌组、子宫体癌组的判别中指标式13～15的诊断 性能，对于宫颈癌组和子宫体癌组与非癌症组的两组判别，进行基于 ROC曲线的评价。其结果，得到了图43所示的诊断性能，判明这些 指标式是诊断性能高的有用的指标式。如图43所示，对于这些指标 式，要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性命 中率、阴性命中率和准确率。

为了验证在宫颈癌组、子宫体癌组的判别中指标式16～18的诊断 性能，对于宫颈癌组和子宫体癌组与健康组的两组判别，进行基于 ROC曲线的评价。其结果，得到了图43所示的诊断性能，判明这些 指标式是诊断性能高的有用的指标式。如图43所示，对于这些指标 式，要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性命 中率、阴性命中率和准确率。

为了验证在宫颈癌组、子宫体癌组的判别中指标式19～21的诊断 性能，对于宫颈癌组和子宫体癌组与良性疾病组的两组判别，进行基 于ROC曲线的评价。其结果，得到了图43所示的诊断性能，判明这 些指标式是诊断性能高的有用的指标式。如图43所示，对于这些指 标式，要求具有最佳截断值、或所用数据中的灵敏度、特异度、阳性 命中率、阴性命中率和准确率。

关于指标式13～21，如图44～图55依次所示，分别得到了多个具 有同等判别性能的指标式。在图44～图55所示的式中，各系数的值可 以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实 常数而得到的值。

实施例4

在实施例1使用的样品数据中，使用了宫颈癌组和非癌症组的数 据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 宫颈癌组和非癌症组的两组判别性能最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式22(参照图56)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最 小基准进行的变数网罗法)探索了使宫颈癌组和非癌症组的两组判别 性能最大化的指标。其结果，在具有同等性能的多个指标式中，得到 了指标式23(参照图56)。关于宫颈癌组、子宫体癌组、卵巢癌组的判 别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了 使宫颈癌组和非癌症组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式24(参照图56)。在指标式 22、指标式23、指标式24所示的式中，各系数的值可以是将其实数 倍所得的值，常数项的值可以是对其加减乘除任意的实常数而得到的 值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 宫颈癌组和健康组的两组判别性能最大化的指标。其结果，在具有同 等性能的多个指标式中，得到了指标式25(参照图56)。关于宫颈癌组、 子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最小基 准进行的变数网罗法)探索了使宫颈癌组和健康组的两组判别性能最 大化的指标。其结果，在具有同等性能的多个指标式中，得到了指标 式26(参照图56)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通 过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了使宫颈 癌组和健康组的两组判别性能最大化的指标。其结果，在具有同等性 能的多个指标式中，得到了指标式27(参照图56)。在指标式25、指 标式26、指标式27所示的式中，各系数的值可以是将其实数倍所得 的值，常数项的值可以是对其加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 宫颈癌组和良性疾病组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式28(参照图56)。关于宫颈 癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC 最小基准进行的变数网罗法)探索了使宫颈癌组和良性疾病组的两组 判别性能最大化的指标。其结果，在具有同等性能的多个指标式中， 得到了指标式29(参照图56)。关于宫颈癌组、子宫体癌组、卵巢癌组 的判别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探 索了使宫颈癌组和良性疾病组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式30(参照图56)。 在指标式28、指标式29、指标式30所示的式中，各系数的值可以是 将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实常数 而得到的值。

为了验证在宫颈癌组的判别中指标式22～25的诊断性能，对于宫 颈癌组和非癌症组的两组判别，进行基于ROC曲线的评价。其结果， 得到了图56所示的诊断性能，判明这些指标式是诊断性能高的有用 的指标式。如图56所示，对于这些指标式，要求具有最佳截断值、 或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准确率。

为了验证在宫颈癌组的判别中指标式25～27的诊断性能，对于宫 颈癌组和健康组的两组判别，进行基于ROC曲线的评价。其结果， 得到了图56所示的诊断性能，判明这些指标式是诊断性能高的有用 的指标式。如图56所示，对于这些指标式，要求具有最佳截断值、 或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准确率。

为了验证在宫颈癌组的判别中指标式28～30的诊断性能，对于宫 颈癌组和良性疾病组的两组判别，进行基于ROC曲线的评价。其结 果，得到了图56所示的诊断性能，判明这些指标式是诊断性能高的 有用的指标式。如图56所示，对于这些指标式，要求具有最佳截断 值、或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准 确率。

关于指标式22～30，如图57～图68依次所示，分别得到了多个具 有同等判别性能的指标式。在图57～图68所示的式中，各系数的值可 以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实 常数而得到的值。

实施例5

在实施例1使用的样品数据中，使用了子宫体癌组和非癌症组的 数据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人 的国际申请即国际公开第2004/052191号中所述的方法，深入探索了 使子宫体癌组和非癌症组的两组判别性能最大化的指标。其结果，在 具有同等性能的多个指标式中，得到了指标式31(参照图69)。关于宫 颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC 最小基准进行的变数网罗法)探索了使子宫体癌组和非癌症组的两组 判别性能最大化的指标。其结果，在具有同等性能的多个指标式中， 得到了指标式32(参照图69)。关于宫颈癌组、子宫体癌组、卵巢癌组 的判别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探 索了使子宫体癌组和非癌症组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式33(参照图69)。 在指标式31、指标式32、指标式33所示的式中，各系数的值可以是 将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实常数 而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 子宫体癌组和健康组的两组判别性能最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式34(参照图69)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最 小基准进行的变数网罗法)探索了使子宫体癌组和健康组的两组判别 性能最大化的指标。其结果，在具有同等性能的多个指标式中，得到 了指标式35(参照图69)。关于宫颈癌组、子宫体癌组、卵巢癌组的判 别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了 使子宫体癌组和健康组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式36(参照图69)。在指标式 34、指标式35、指标式36所示的式中，各系数的值可以是将其实数 倍所得的值，常数项的值可以是对其加减乘除任意的实常数而得到的 值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 子宫体癌组和良性疾病组的两组判别性能最大化的指标。其结果，在 具有同等性能的多个指标式中，得到了指标式37(参照图69)。关于宫 颈癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC 最小基准进行的变数网罗法)探索了使子宫体癌组和良性疾病组的两 组判别性能最大化的指标。其结果，在具有同等性能的多个指标式中， 得到了指标式38(参照图69)。关于宫颈癌组、子宫体癌组、卵巢癌组 的判别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探 索了使子宫体癌组和良性疾病组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式39(参照图69)。 在指标式37、指标式38、指标式39所示的式中，各系数的值可以是 将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实常数 而得到的值。

为了验证在子宫体癌组的判别中指标式31～33的诊断性能，对于 子宫体癌组和非癌症组的两组判别，进行基于ROC曲线的评价。其 结果，得到了图69所示的诊断性能，判明这些指标式是诊断性能高 的有用的指标式。如图69所示，对于这些指标式，要求具有最佳截 断值、或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和 准确率。

为了验证在子宫体癌组的判别中指标式34～36的诊断性能，对于 子宫体癌组和健康组的两组判别，进行基于ROC曲线的评价。其结 果，得到了图69所示的诊断性能，判明这些指标式是诊断性能高的 有用的指标式。如图69所示，对于这些指标式，要求具有最佳截断 值、或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准 确率。

为了验证在子宫体癌组的判别中指标式37～39的诊断性能，对于 子宫体癌组和良性疾病组的两组判别，进行基于ROC曲线的评价。 其结果，得到了图69所示的诊断性能，判明这些指标式是诊断性能 高的有用的指标式。如图69所示，对于这些指标式，要求具有最佳 截断值、或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率 和准确率。

关于指标式31～39，如图70～图81依次所示，分别得到了多个具 有同等判别性能的指标式。在图70～图81所示的式中，各系数的值可 以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实 常数而得到的值。

实施例6

在实施例1使用的样品数据中，使用了卵巢癌组和非癌症组的数 据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 卵巢癌组和非癌症组的两组判别性能最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式40(参照图82)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最 小基准进行的变数网罗法)探索了使卵巢癌组和非癌症组的两组判别 性能最大化的指标。其结果，在具有同等性能的多个指标式中，得到 了指标式41(参照图82)。关于宫颈癌组、子宫体癌组、卵巢癌组的判 别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了 使卵巢癌组和非癌症组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式42(参照图82)。在指标式 40、指标式41、指标式42所示的式中，各系数的值可以是将其实数 倍所得的值，常数项的值可以是对其加减乘除任意的实常数而得到的 值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 卵巢癌组和健康组的两组判别性能最大化的指标。其结果，在具有同 等性能的多个指标式中，得到了指标式43(参照图82)。关于宫颈癌组、 子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC最小基 准进行的变数网罗法)探索了使卵巢癌组和健康组的两组判别性能最 大化的指标。其结果，在具有同等性能的多个指标式中，得到了指标 式44(参照图82)。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通 过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探索了使卵巢 癌组和健康组的两组判别性能最大化的指标。其结果，在具有同等性 能的多个指标式中，得到了指标式45(参照图82)。在指标式43、指 标式44、指标式45所示的式中，各系数的值可以是将其实数倍所得 的值，常数项的值可以是对其加减乘除任意的实常数而得到的值。

关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利用本申请人的 国际申请即国际公开第2004/052191号中所述的方法，深入探索了使 卵巢癌组和良性疾病组的两组判别性能最大化的指标。其结果，在具 有同等性能的多个指标式中，得到了指标式46(参照图82)。关于宫颈 癌组、子宫体癌组、卵巢癌组的判别，通过线性判别分析(根据AIC 最小基准进行的变数网罗法)探索了使卵巢癌组和良性疾病组的两组 判别性能最大化的指标。其结果，在具有同等性能的多个指标式中， 得到了指标式47(参照图82)。关于宫颈癌组、子宫体癌组、卵巢癌组 的判别，通过逻辑回归分析(根据AIC最小基准进行的变数网罗法)探 索了使卵巢癌组和良性疾病组的两组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式48(参照图82)。 在指标式46、指标式47、指标式48所示的式中，各系数的值可以是 将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实常数 而得到的值。

为了验证在卵巢癌组的判别中指标式40～42的诊断性能，对于卵 巢癌组和非癌症组的两组判别，进行基于ROC曲线的评价。其结果， 得到了图82所示的诊断性能，判明这些指标式是诊断性能高的有用 的指标式。如图82所示，对于这些指标式，要求具有最佳截断值、 或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准确率。

为了验证在卵巢癌组的判别中指标式43～45的诊断性能，对于卵 巢癌组和健康组的两组判别，进行基于ROC曲线的评价。其结果， 得到了图82所示的诊断性能，判明这些指标式是诊断性能高的有用 的指标式。如图82所示，对于这些指标式，要求具有最佳截断值、 或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准确率。

为了验证在卵巢癌组的判别中指标式46～48的诊断性能，对于卵 巢癌组和良性疾病组的两组判别，进行基于ROC曲线的评价。其结 果，得到了图82所示的诊断性能，判明这些指标式是诊断性能高的 有用的指标式。如图82所示，对于这些指标式，要求具有最佳截断 值、或所用数据中的灵敏度、特异度、阳性命中率、阴性命中率和准 确率。

关于指标式40～48，如图83～图94依次所示，分别得到了多个具 有同等判别性能的指标式。在图83～图94所示的式中，各系数的值可 以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的实 常数而得到的值。

实施例7

使用实施例1中使用的样品数据。关于宫颈癌组、子宫体癌组、 卵巢癌组的判别，利用本申请人的国际申请即国际公开第2004/052191 号中所述的方法，深入探索了使癌症患者组、良性疾病组、健康组的 三组间的SPEARMAN等级相关系数最大化的指标。其结果，在具有 同等性能的多个指标式中，得到了指标式49(参照图95)。关于宫颈癌 组、子宫体癌组、卵巢癌组的判别，通过多重回归分析(根据AIC最 小基准进行的变数网罗法)探索了使癌症患者组、良性疾病组、健康组 的三组间的SPEARMAN相关系数最大化的指标。其结果，在具有同 等性能的多个指标式中，得到了指标式50(参照图95)。在指标式49、 指标式50所示的式中，各系数的值可以是将其实数倍所得的值，常 数项的值可以是对其加减乘除任意的实常数而得到的值。

为了验证在宫颈癌组、子宫体癌组、卵巢癌组的判别中指标式49 和50的诊断性能，对于癌症患者组、良性疾病组、健康组的三组间 的SPEARMAN等级相关系数以及癌症患者组和健康组、癌症患者组 和良性疾病组及良性疾病组和健康组的两组判别，进行基于ROC曲 线的评价。其结果，得到了图95所示的判别性能，判明这些指标式 是诊断性能高的有用的指标式。

关于指标式49和50，如图96～图99依次所示，分别得到了多个 具有同等判别性能的指标式。在图96～图99所示的式中，各系数的值 可以是将其实数倍所得的值，常数项的值可以是对其加减乘除任意的 实常数而得到的值。

实施例8

在实施例1使用的样品数据中，使用了宫颈癌组、子宫体癌组和 卵巢癌组的数据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，利 用逐步变数选择法的马氏距离进行的判别分析，探索了使宫颈癌组、 子宫体癌组、卵巢癌组的三组判别性能最大化的指标。其结果，以变 数组1的形式得到了Cit、Met、Lys、Asn、Ala、Thr、Gln、a-ABA。

根据判别结果的准确率评价变数组1对宫颈癌组、子宫体癌组、 卵巢癌组的诊断性能。其结果，如图100所示，宫颈癌的准确率为 90.0％、子宫体癌的准确率为90.2％、卵巢癌的准确率为81.0％，关于 全体准确率，当各组的验前概率分别等于33.3％时，显示出87.1％的 高的判别性能。

如图101～图103所示，得到了多个与变数组1具有同等的判别性 能的氨基酸变数组的组合。

实施例9

在实施例1使用的样品数据中，使用了宫颈癌组、子宫体癌组和 卵巢癌组的数据。关于宫颈癌组、子宫体癌组、卵巢癌组的判别，通 过逐步变数选择法的线性判别分析，探索了使宫颈癌组、子宫体癌组、 卵巢癌组的三组判别性能最大化的指标。其结果，以指标式组1的形 式得到了包含氨基酸变数Asn、Pro、Cit、ABA、Val、Ile、Tyr、Phe、 Trp、Orn、Lys和常数项的判别式组(参照图104)。指标式组1中，各 系数的值可以是将其实数倍所得的值，常数项的值可以是对其加减乘 除任意的实常数而得到的值。

根据判别结果的准确率评价指标式组1对宫颈癌组、子宫体癌组、 卵巢癌组的诊断性能。其结果，如图105所示，宫颈癌的准确率为 55.0％、子宫体癌的准确率为58.5％、卵巢癌的准确率为81.0％，关于 全体准确率，当各组的验前概率分别等于33.3％时，显示出63.4％的 高的判别性能。

如图106、图107所示，得到了多个与指标式组1具有同等的判 别性能的氨基酸变数组的组合。

实施例10

使用实施例1中使用的样品数据。作为上述实施例2的比较例， 关于宫颈癌组、子宫体癌组、卵巢癌组的判别，使用本申请人的国际 申请即国际公开第2006/098192号中记载的指标式1、10、11、13， 验证癌症患者组和非癌症组、健康组和良性疾病组、癌症患者组和健 康组、良性疾病组和癌症患者组、以及女性生殖器癌症罹患风险组和 健康组的两组判别性能。其结果，如图108所示，对于各两组判别， 即使使用任一式，也无法得到在上述实施例2中得到的超过ROC_ AUC的ROC_AUC的值。由此确认：与本申请人的国际申请即国际 公开第2006/098192号中记载的指标式组相比，关于宫颈癌组、子宫 体癌组、卵巢癌组的判别，本发明中的多变量判别式具有高的判别性 能。

实施例11

通过上述的氨基酸分析，针对确诊为宫颈癌、子宫体癌、卵巢癌 的宫颈癌、子宫体癌、卵巢癌患者组的血样、以及非宫颈癌、非子宫 体癌、非卵巢癌组的血样测定血液中氨基酸浓度。氨基酸浓度的单位 为nmol/ml。这里，在本实施例11和以后的实施例中，有时将宫颈癌、 子宫体癌、卵巢癌的患者组统称记作癌症患者组，将非宫颈癌、非子 宫体癌、非卵巢癌的组记作非癌症组。有时将宫颈癌、子宫体癌的患 者组统称记作子宫癌患者组。在非癌症组中，有时将子宫肌瘤等良性 疾病的罹患组记作良性疾病组、将除此以外的组记作健康组。有时将 良性疾病组和癌症患者组的集团记作女性生殖器癌症罹患风险组。

与癌症患者组和非癌症组的氨基酸变数的分布相关的箱线图见 图109。图109中，横轴表示非癌症组(对照)和癌症患者组(癌症)，图 中的ABA和Cys分别表示α-ABA(α-氨基丁酸)和半胱氨酸。

以癌症患者组和非癌症组的判别为目的，实施两组间的t检验。 其结果，与非癌症组相比，在癌症患者组中，Pro、Ile、Orn显著增加 (显著差概率p＜0.05)，而Phe、His、Trp、Asn、Val、Leu、Met、Ser、 Thr、Gln、Ala、Tyr、Arg显著减少(显著差概率p＜0.05)。由此判明： 氨基酸变数Pro、Ile、Orn、Phe、His、Trp、Asn、Val、Leu、Met、 Ser、Thr、Gln、Ala、Tyr、Arg具有癌症患者组和非癌症组的两组间 的判别能力。

进一步通过ROC曲线的AUC评价在癌症患者组和非癌症组的两 组判别中各氨基酸变数的判别性能。其结果，氨基酸变数His、Trp、 Asn、Val、Leu、Met的AUC显示出大于0.65的值。由此判明：氨基 酸变数His、Trp、Asn、Val、Leu、Met具有癌症患者组和非癌症组 的两组间的判别能力。

与子宫癌患者组和非子宫癌组的氨基酸变数的分布相关的箱线 图见图110。图110中，横轴表示非子宫癌组(对照)和子宫癌患者组(癌 症)，图中的ABA和Cys分别表示α-ABA(α-氨基丁酸)和半胱氨酸。

以子宫癌患者组和非子宫癌组的判别为目的，实施两组间的t检 验。其结果，与非子宫癌组相比，在子宫癌患者组中，Pro、Ile、Orn 显著增加(显著差概率p＜0.05)，而Phe、His、Trp、Asn、Val、Leu、 Met、Ser、Arg显著减少(显著差概率p＜0.05)。由此判明：氨基酸变 数Pro、Ile、Orn、Phe、His、Trp、Asn、Val、Leu、Met、Ser、Arg 具有子宫癌患者组和非子宫癌组的两组间的判别能力。

进一步通过ROC曲线的AUC评价在子宫癌患者组和非子宫癌组 的两组判别中各氨基酸变数的判别性能。其结果，氨基酸变数His、 Trp、Asn、Val、Leu、Met的AUC显示出大于0.65的值。由此判明： 氨基酸变数His、Trp、Asn、Val、Leu、Met具有子宫癌患者组和非 子宫癌组的两组间的判别能力。

与子宫体癌患者组和非子宫体癌组的氨基酸变数的分布相关的 箱线图见图111。图111中，横轴表示非子宫体癌组(对照)和子宫体癌 患者组(癌症)，图中的ABA和Cys分别表示α-ABA(α-氨基丁酸)和半 胱氨酸。

以子宫体癌患者组和非子宫体癌组的判别为目的，实施两组间的 t检验。其结果，与非子宫体癌组相比，在子宫体癌患者组中，Pro、 Ile显著增加(显著差概率p＜0.05)，而Phe、His、Trp、Asn、Val、Leu、 Met、Ser、Arg显著减少(显著差概率p＜0.05)。由此判明：氨基酸变 数Pro、Ile、Phe、His、Trp、Asn、Val、Leu、Met、Ser、Arg具有子 宫体癌患者组和非子宫体癌组的两组间的判别能力。

进一步通过ROC曲线的AUC评价在子宫体癌患者组和非子宫体 癌组的两组判别中各氨基酸变数的判别性能。其结果，氨基酸变数 His、Trp、Asn、Val的AUC显示出大于0.65的值。由此判明：氨基 酸变数His、Trp、Asn、Val具有子宫体癌患者组和非子宫体癌组的两 组间的判别能力。

与宫颈癌患者组和非宫颈癌组的氨基酸变数的分布相关的箱线 图见图112。图112中，横轴表示非宫颈癌组(对照)和宫颈癌患者组(癌 症)，图中的ABA和Cys分别表示α-ABA(α-氨基丁酸)和半胱氨酸。

以宫颈癌患者组和非宫颈癌组的判别为目的，实施两组间的t检 验。其结果，与非宫颈癌组相比，在宫颈癌患者组中，Phe、His、Trp、 Val、Leu、Met、Arg显著减少(显著差概率p＜0.05)。由此判明：氨 基酸变数Phe、His、Trp、Val、Leu、Met、Arg具有宫颈癌患者组和 非宫颈癌组的两组间的判别能力。

进一步通过ROC曲线的AUC评价在宫颈癌患者组和非宫颈癌组 的两组判别中各氨基酸变数的判别性能。其结果，氨基酸变数Phe、 His、Val、Leu、Met的AUC显示出大于0.65的值。由此判明：氨基 酸变数Phe、His、Val、Leu、Met具有宫颈癌患者组和非宫颈癌组的 两组间的判别能力。

与卵巢癌患者组和非卵巢癌组的氨基酸变数的分布相关的箱线 图见图113。图113中，横轴表示非卵巢癌组(对照)和卵巢癌患者组(癌 症)，图中的ABA和Cys分别表示α-ABA(α-氨基丁酸)和半胱氨酸。

以卵巢癌患者组和非卵巢癌组的判别为目的，实施两组间的t检 验。其结果，与非卵巢癌组相比，在卵巢癌患者组中，Cit显著增加(显 著差概率p＜0.05)，而Phe、His、Trp、Asn、Val、Leu、Met、Ser、 Thr、Gln、Ala、Tyr、Lys、Arg显著减少(显著差概率p＜0.05)。由此 判明：氨基酸变数Cit、Phe、His、Trp、Asn、Val、Leu、Met、Ser、 Thr、Gln、Ala、Tyr、Lys、Arg具有卵巢癌患者组和非卵巢癌组的两 组间的判别能力。

进一步根据ROC曲线的AUC评价在卵巢癌患者组和非卵巢癌组 的两组判别中各氨基酸变数的判别性能。其结果，氨基酸变数His、 Trp、Asn、Val、Leu、Met、Thr、Ala、Tyr、Lys、Arg的AUC显示 出大于0.65的值。由此判明：氨基酸变数His、Trp、Asn、Val、Leu、 Met、Thr、Ala、Tyr、Lys、Arg具有卵巢癌患者组和非卵巢癌组的两 组间的判别能力。

与女性生殖器癌症罹患风险组和健康组的氨基酸变数的分布相 关的箱线图见图114。图114中，横轴表示健康组(对照)和女性生殖器 癌症罹患风险组(风险)，图中的ABA和Cys分别表示α-ABA(α-氨基 丁酸)和半胱氨酸。

以女性生殖器癌症罹患风险组和健康组的判别为目的，实施两组 间的t检验。其结果，与健康组相比，在女性生殖器癌症罹患风险组 中，Pro、Ile、Orn显著增加(显著差概率p＜0.05)，而Phe、His、Trp、 Asn、Val、Leu、Met、Ser、Thr、Gln、Ala、Tyr、Arg显著减少(显 著差概率p＜0.05)。由此判明：氨基酸变数Pro、Ile、Orn、Phe、His、 Trp、Asn、Val、Leu、Met、Ser、Thr、Gln、Ala、Tyr、Arg具有女 性生殖器癌症罹患风险组和健康组的两组间的判别能力。

进一步根据ROC曲线的AUC评价在女性生殖器癌症罹患风险组 和健康组的两组判别中各氨基酸变数的判别性能。其结果，氨基酸变 数Phe、His、Trp、Met的AUC显示出大于0.65的值。由此判明：氨 基酸变数Phe、His、Trp、Met具有女性生殖器癌症罹患风险组和健康 组的两组间的判别能力。

实施例12

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使癌症患者组和非癌症 组的两组判别性能最大化的指标。其结果，以指标式51的形式得到 了由His、Leu、Met、Cit、Ile、Tyr构成的逻辑回归式(氨基酸变数 His、Leu、Met、Cit、Ile、Tyr的数系数和常数项依次为-0.10000、 -0.04378、-0.17879、0.03911、0.07852、0.03566、5.86036)。

根据ROC曲线的AUC评价在癌症患者组和非癌症组的两组判别 中指标式51的判别性能(参照图115)。其结果，得到了0.898±0.017 (95％可靠区间为0.865～0.932)。由此判明：指标式51是诊断性能高的 有用的指标。关于指标式51在癌症患者组和非癌症组的两组判别中 的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时，截断 值为-1.021，灵敏度为85.83％、特异度为82.74％。由此判明：指标式 51是诊断性能高的有用的指标。除此之外，还得到了多个与指标式 51具有同等判别性能的逻辑回归式。这些逻辑回归式见图116、图117、 图118和图119。在图116、图117、图118和图119所示的式中，各 系数的值可以是将其实数倍所得的值，常数项的值可以是对其加减乘 除任意的实常数而得到的值。

实施例13

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使癌症患者组和非 癌症组的两组判别性能最大化的指标。其结果，以指标式52的形式 得到了由His、Leu、Met、Cit、Ile、Tyr构成的线性判别式(氨基酸变 数His、Leu、Met、Cit、Ile、Tyr的数系数和常数项依次为-0.09793、 -0.04270、-0.17595、0.05477、0.07512、0.03331、6.27211)。

根据ROC曲线的AUC评价在癌症患者组和非癌症组的两组判别 中指标式52的判别性能(参照图120)。其结果，得到了0.899±0.017 (95％可靠区间为0.866～0.932)。由此判明：指标式52是诊断性能高的 有用的指标。关于指标式52在癌症患者组和非癌症组的两组判别中 的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时，截断 值为-0.08697，灵敏度为85.04％、特异度为93.71％。由此判明：指标 式52是诊断性能高的有用的指标。除此之外，还得到了多个与指标 式52具有同等判别性能的线性判别式。这些线性判别式见图121、图 122、图123和图124。在图121、图122、图123和图124所示的式 中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对其 加减乘除任意的实常数而得到的值。

实施例14

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行癌症患者组和非癌症组的两组判别的线性判别式。此时，各式 中出现的氨基酸变数的最大值为6，计算满足该条件的所有式的ROC 曲线下面积。此时，在ROC曲线下面积为某阈值以上的式中，测定 各氨基酸出现的频率，结果确认：Asn、Pro、Met、Ile、Leu、His、 Trp、Orn在以ROC曲线下面积0.7、0.75、0.8、0.85分别作为阈值时， 位于常常以高频率被抽取的氨基酸的上位10位以内(参照图125)。由 此判明：使用这些氨基酸作为变数的多变量判别式具有癌症患者组和 非癌症组的两组间的判别能力。

实施例15

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使子宫癌患者组和非子 宫癌组的两组判别性能最大化的指标。其结果，以指标式53的形式 得到了由His、Leu、Met、Cit、Ile、Tyr构成的逻辑回归式(氨基酸变 数His、Leu、Met、Cit、Ile、Tyr的数系数和常数项依次为-0.09298、 -0.04434、-0.17139、0.5732、0.07267、0.03790、4.67230)。

根据ROC曲线的AUC评价在子宫癌患者组和非子宫癌组的两组 判别中指标式53的判别性能(参照图126)。其结果，得到了0.893±0.019 (95％可靠区间为0.856～0.930)。由此判明：指标式53是诊断性能高的 有用的指标。关于指标式53在子宫癌患者组和非子宫癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为-0.1608、灵敏度为87.10％、特异度为82.74％。由此判明： 指标式53是诊断性能高的有用的指标。除此之外，还得到了多个与 指标式53具有同等判别性能的逻辑回归式。这些逻辑回归式见图127、 图128、图129和图130。在图127、图128、图129和图130所示的 式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对 其加减乘除任意的实常数而得到的值。

实施例16

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使子宫癌患者组和 非子宫癌组的两组判别性能最大化的指标。其结果，以指标式54的 形式得到了由His、Leu、Met、Cit、Ile、Tyr构成的线性判别式(氨基 酸变数His、Leu、Met、Cit、Ile、Tyr的数系数和常数项依次为-0.09001、 -0.04336、-0.17394、0.07537、0.06825、0.03673、5.35827)。

根据ROC曲线的AUC评价在子宫癌患者组和非子宫癌组的两组 判别中指标式54的判别性能(参照图131)。其结果，得到了0.898±0.017 (95％可靠区间为0.865～0.932)。由此判明：指标式54是诊断性能高的 有用的指标。关于指标式54在子宫癌患者组和非子宫癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为-1.021、灵敏度为85.83％、特异度为83.06％。由此判明：指 标式54是诊断性能高的有用的指标。除此之外，还得到了多个与指 标式54具有同等判别性能的线性判别式。这些线性判别式见图132、 图133、图134和图135。在图132、图133、图134和图135所示的 式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对 其加减乘除任意的实常数而得到的值。

实施例17

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行子宫癌患者组和非子宫癌组的两组判别的线性判别式。此时， 各式中出现的氨基酸变数的最大值为6，计算满足该条件的所有式的 ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的式中， 测定各氨基酸出现的频率，结果确认：Pro、Met、Ile、His、Orn在以 ROC曲线下面积0.7、0.75、0.8、0.85分别作为阈值时，位于常常以 高频率被抽取的氨基酸的上位10位以内(参照图136)。由此判明：使 用这些氨基酸作为变数的多变量判别式具有子宫癌组和非子宫癌组 的两组间的判别能力。

实施例18

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使子宫体癌患者组和非 子宫体癌组的两组判别性能最大化的指标。其结果，以指标式55的 形式得到了由His、Asn、Val、Pro、Cit、Ile构成的逻辑回归式(氨基 酸变数His、Asn、Val、Pro、Cit、Ile的数系数和常数项依次为-0.10149、 -0.07968、-0.01336、0.01018、0.07129、0.04046、4.92397)。

根据ROC曲线的AUC评价在子宫体癌患者组和非子宫体癌组的 两组判别中指标式55的判别性能(参照图137)。其结果，得到了 0.8988±0.020(95％可靠区间为0.859～0.938)。由此判明：指标式55是 诊断性能高的有用的指标。关于指标式55在子宫体癌患者组和非子 宫体癌组的两组判别中的截断值、关于灵敏度和特异度的平均值，计 算最佳截断值时，截断值为-1.490，灵敏度为88.52％、特异度为83.06。 由此判明：指标式55是诊断性能高的有用的指标。除此之外，还得 到了多个与指标式55具有同等判别性能的逻辑回归式。这些逻辑回 归式见图138、图139、图140和图141。在图138、图139、图140 和图141所示的式中，各系数的值可以是将其实数倍所得的值，常数 项的值可以是对其加减乘除任意的实常数而得到的值。

实施例19

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使子宫体癌患者组 和非子宫体癌组的两组判别性能最大化的指标。其结果，以指标式56 的形式得到了由His、Asn、Val、Pro、Cit、Ile构成的线性判别式(氨 基酸变数His、Asn、Val、Pro、Cit、Ile的数系数和常数项依次为-0.10159、 -0.08532、-0.01190、0.01489、0.09591、0.03032、5.61323)。

根据ROC曲线的AUC评价在子宫体癌患者组和非子宫体癌组的 两组判别中指标式56的判别性能(参照图142)。其结果，得到了 0.886±0.024(95％可靠区间为0.840～0.933)。由此判明：指标式56是 诊断性能高的有用的指标。关于指标式56在子宫体癌患者组和非子 宫体癌组的两组判别中的截断值、关于灵敏度和特异度的平均值，计 算最佳截断值时，截断值为-1.356、灵敏度为88.52％、特异度为 77.85％。由此判明：指标式56是诊断性能高的有用的指标。除此之 外，还得到了多个与指标式56具有同等判别性能的线性判别式。这 些线性判别式见图143、图144、图145和图146。在图143、图144、 图145和图146所示的式中，各系数的值可以是将其实数倍所得的值， 常数项的值可以是对其加减乘除任意的实常数而得到的值。

实施例20

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行子宫体癌患者组和非子宫体癌组的两组判别的线性判别式。此 时，各式中出现的氨基酸变数的最大值为6，计算满足该条件的所有 式的ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的式 中，测定各氨基酸出现的频率，结果确认：Asn、Pro、Cit、Val、Ile、 His、Trp在以ROC曲线下面积0.7、0.75、0.8、0.85分别作为阈值时， 位于经常高频率地被抽取的氨基酸的上位10位以内(参照图147)。由 此判明：使用这些氨基酸作为变数的多变量判别式具有子宫体癌组和 非子宫体癌组的两组间的判别能力。

实施例21

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使宫颈癌患者组和非宫 颈癌组的两组判别性能最大化的指标。其结果，以指标式57的形式 得到了由His、Leu、Met、Ile、Tyr、Lys构成的逻辑回归式(氨基酸变 数Orn，Gln，Trp，Cit的数系数和常数项依次为-0.08512、-0.07076、 -0.23776、0.07109、0.04448、0.01621、5.37165)。

根据ROC曲线的AUC评价在宫颈癌患者组和非宫颈癌组的两组 判别中指标式57的判别性能(参照图148)。其结果，得到了0.919±0.020 (95％可靠区间为0.879～0.959)。由此判明：指标式57是诊断性能高的 有用的指标。关于指标式57在宫颈癌患者组和非宫颈癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为-2.498、灵敏度为81.11％、特异度为85.87％。由此判明：指 标式57是诊断性能高的有用的指标。除此之外，还得到了多个与指 标式57具有同等判别性能的逻辑回归式。这些逻辑回归式见图149、 图150、图151和图152。在图149、图150、图151和图152所示的 式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对 其加减乘除任意的实常数而得到的值。

实施例22

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使宫颈癌患者组和 非宫颈癌组的两组判别性能最大化的指标。其结果，以指标式58的 形式得到了由His、Leu、Met、Ile、Tyr、Lys构成的线性判别式(氨基 酸变数His、Leu、Met、Ile、Tyr、Lys的数系数和常数项依次为-0.09598、 -0.08891、-0.25487、0.09919、0.04440、0.02223、7.68576)。

根据ROC曲线的AUC评价在宫颈癌患者组和非宫颈癌组的两组 判别中指标式58的判别性能(参照图153)。其结果，得到了0.921±0.019 (95％可靠区间为0.883～0.959)。由此判明：指标式58是诊断性能高的 有用的指标。关于指标式58在宫颈癌患者组和非宫颈癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为-0.2189、灵敏度为90.63％、特异度为83.39％。由此判明： 指标式58是诊断性能高的有用的指标。除此之外，还得到了多个与 指标式58具有同等判别性能的线性判别式。这些线性判别式见图154、 图155、图156和图157。在图154、图155、图156和图157所示的 式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对 其加减乘除任意的实常数而得到的值。

实施例23

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行宫颈癌患者组和非宫颈癌组的两组判别的线性判别式。此时， 各式中出现的氨基酸变数的最大值为6，计算满足该条件的所有式的 ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的式中， 测定各氨基酸出现的频率，结果确认：Val、Met、Leu、Phe、His、 Orn在以ROC曲线下面积0.7、0.75、0.8、0.85分别作为阈值时，位 于经常高频率地被抽取的氨基酸的上位10位以内(参照图158)。由此 判明：使用这些氨基酸作为变数的多变量判别式具有宫颈癌组和非宫 颈癌组的两组间的判别能力。

实施例24

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使卵巢癌患者组和非卵 巢癌组的两组判别性能最大化的指标。其结果，以指标式59的形式 得到了由His、Trp、Glu，CIt、Ile、Orn构成的逻辑回归式(氨基酸变 数His、Trp、Glu，CIt、Ile、Orn的数系数和常数项依次为-0.13767、 -0.11457、-0.04031、-0.15449、0.08765、0.04631、10.70464)。

根据ROC曲线的AUC评价在卵巢癌患者组和非卵巢癌组的两组 判别中指标式59的判别性能(参照图159)。其结果，得到了0.950±0.016 (95％可靠区间为0.917～0.982)。由此判明：指标式59是诊断性能高的 有用的指标。关于指标式59在卵巢癌患者组和非卵巢癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为-1.909、灵敏度为88.24、特异度为89.58％。由此判明：指标 式59是诊断性能高的有用的指标。除此之外，还得到了多个与指标 式59具有同等判别性能的逻辑回归式。这些逻辑回归式见图160、图 161、图162和图163。在图160、图161、图162和图163所示的式 中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对其 加减乘除任意的实常数而得到的值。

实施例25

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使卵巢癌患者组和 非卵巢癌组的两组判别性能最大化的指标。其结果，以指标式60的 形式得到了由His、Trp、Glu、Cit、Ile、Orn构成的线性判别式(氨基 酸变数His、Trp、Glu、Cit、Ile、Orn的数系数和常数项依次为-0.13983、 -0.11341、-0.04572、-0.10368、0.12160、0.05459、9.27981)。

根据ROC曲线的AUC评价在卵巢癌患者组和非卵巢癌组的两组 判别中指标式60的判别性能(参照图164)。其结果，得到了0.951±0.014 (95％可靠区间为0.924～0.979)。由此判明：指标式60是诊断性能高的 有用的指标。关于指标式60在卵巢癌患者组和非卵巢癌组的两组判 别中的截断值、关于灵敏度和特异度的平均值，计算最佳截断值时， 截断值为0.09512、灵敏度为88.24％、特异度为89.58％。由此判明： 指标式60是诊断性能高的有用的指标。除此之外，还得到了多个与 指标式60具有同等判别性能的线性判别式。这些线性判别式见图165、 图166、图167和图168。在图165、图166、图167和图168所示的 式中，各系数的值可以是将其实数倍所得的值，常数项的值可以是对 其加减乘除任意的实常数而得到的值。

实施例26

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行卵巢癌患者组和非卵巢癌组的两组判别的线性判别式。此时， 各式中出现的氨基酸变数的最大值为6，计算满足该条件的所有式的 ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的式中， 测定各氨基酸出现的频率，结果确认：Asn、Met、Ile、Leu、His、Trp、 Orn在以ROC曲线下面积0.75、0.8、0.85、0.9分别作为阈值时，位 于经常高频率被抽取的氨基酸的上位10位以内(参照图169)。由此判 明：使用这些氨基酸作为变数的多变量判别式具有卵巢癌组和非卵巢 癌组的两组间的判别能力。

实施例27

使用实施例11中使用的样品数据。通过逻辑分析(根据ROC曲线 下面积最大化基准进行的变数网罗法)探索了使女性生殖器癌症罹患 风险组和健康组的两组判别性能最大化的指标。其结果，以指标式61 的形式得到了由Phe、His、Met、Pro、Lys、Arg构成的逻辑回归式(氨 基酸变数Phe、His、Met、Pro、Lys、Arg的数系数和常数项依次为 -0.06095、-0.11827、-0.14776、0.01459、0.03299、-0.03875、10.40250)。

根据ROC曲线的AUC评价在女性生殖器癌症罹患风险组和健康 组的两组判别中指标式61的判别性能(参照图170)。其结果，得到了 0.903±0.014(95％可靠区间为0.876～0.930)。由此判明：指标式61是 诊断性能高的有用的指标。关于指标式61在女性生殖器癌症罹患风 险组和健康组的两组判别中的截断值、关于灵敏度和特异度的平均 值，计算最佳截断值时，截断值为-0.5313、灵敏度为89.14％、特异度 为76.53％。由此判明：指标式61是诊断性能高的有用的指标。除此 之外，还得到了多个与指标式61具有同等判别性能的逻辑回归式。 这些逻辑回归式见图171、图172、图173和图174。在图171、图172、 图173和图174所示的式中，各系数的值可以是将其实数倍所得的值， 常数项的值可以是对其加减乘除任意的实常数而得到的值。

实施例28

使用实施例11中使用的样品数据。通过线性判别分析(根据ROC 曲线下面积最大化基准进行的变数网罗法)探索了使女性生殖器癌症 罹患风险组和健康组的两组判别性能最大化的指标。其结果，以指标 式62的形式得到了由Phe、His、Met、Pro、Lys、Arg构成的线性判 别式(氨基酸变数Phe、His、Met、Pro、Lys、Arg的数系数和常数项 依次为-0.05213、-0.10933、-0.14686、0.01480、0.03207、-0.03318、 8.84450)。

根据ROC曲线的AUC评价在女性生殖器癌症罹患风险组和健康 组的两组判别中指标式62的判别性能(参照图175)。其结果，得到了 0.903±0.014(95％可靠区间为0.876～0.930)。由此判明：指标式62是 诊断性能高的有用的指标。关于指标式62在女性生殖器癌症罹患风 险组和健康组的两组判别中的截断值、关于灵敏度和特异度的平均 值，计算最佳截断值时，截断值为-0.4778、灵敏度为88.69％、特异度 为77.93％。由此判明：指标式62是诊断性能高的有用的指标。除此 之外，还得到了多个与指标式62具有同等判别性能的线性判别式。 这些线性判别式见图176、图177、图178和图179。在图176、图177、 图178和图179所示的式中，各系数的值可以是将其实数倍所得的值， 常数项的值可以是对其加减乘除任意的实常数而得到的值。

实施例29

使用实施例11中使用的样品数据。利用变数网罗法抽取所有将 要进行女性生殖器癌症罹患风险组和健康组的两组判别的线性判别 式。此时，各式中出现的氨基酸变数的最大值为6，计算满足该条件 的所有式的ROC曲线下面积。此时，在ROC曲线下面积为某阈值以 上的式中，测定各氨基酸出现的频率，结果确认：Pro、Met、Phe、 His、Trp、Arg在以ROC曲线下面积0.7、0.75、0.8、0.85分别作为 阈值时，位于经常高频率被抽取的氨基酸的上位10位以内(参照图 180)。由此判明：使用这些氨基酸作为变数的多变量判别式具有女性 生殖器癌症罹患风险组和健康组的两组间的判别能力。

实施例30

使用实施例11中使用的样品数据。通过线性判别分析(根据 SPEARMAN等级相关系数最大化基准进行的变数网罗法)探索了使癌 症患者组、良性疾病组、健康组的三组判别性能最大化的指标。其结 果，在具有同等性能的多个指标式中，得到了指标式63“由His、Trp、 Met、Pro、Ile、Lys构成的线性判别式(氨基酸变数His、Trp、Met、 Pro、Ile、Lys的数系数和常数项依次为-0.02749、-0.01483、-0.04099、 0.00232、0.01338、0.00419)”。根据SPEARMAN等级相关系数评价 在癌症患者组、良性疾病组、健康组的三组判别中指标式63的判别 性能。其结果，得到了0.728。由此判明：指标式63是诊断性能高的 有用的指标。根据ROC曲线的AUC评价在癌症患者组和健康组、癌 症患者组和良性疾病组、以及良性疾病组和健康组的各两组判别中指 标式63的判别性能。其结果，相对于各两组判别，得到了0.943、0.757、 0.841。由此判明：指标式63是诊断性能高的有用的指标。除此之外， 还得到了多个与指标式63具有同等判别性能的线性判别式。这些线 性判别式见图181和图182。在图181和图182所示的式中，各系数 的值可以是将其实数倍所得的值，常数项的值可以是对其加减乘除任 意的实常数而得到的值。

实施例31

在实施例11使用的样品数据中，使用宫颈癌组、子宫体癌组和 卵巢癌组的数据。通过马氏距离的判别分析探索了使宫颈癌组、子宫 体癌组、卵巢癌组的三组判别性能最大化的氨基酸变数。其结果，以 变数组1的形式得到了His、Leu、Ser、Thr、Glu、Gln、Ala、Lys。

根据判别结果的准确率评价在宫颈癌组、子宫体癌组、卵巢癌组 的三组判别中变数组1的判别性能。其结果，全体准确率显示出80.3％ 的高的判别性能。如图183和图184所示，得到了多个与变数组1具 有同等判别性能的氨基酸变数组的组合。

实施例32

在实施例11中使用的样品数据中，使用宫颈癌组、子宫体癌组 和卵巢癌组的数据。通过线性判别分析探索了使宫颈癌组、子宫体癌 组、卵巢癌组的三组判别性能最大化的指标。其结果，得到了包含氨 基酸变数Phe、Trp、Pro、Glu、Cit、Tyr、Lys和常数项的线性判别 式组1。在线性判别式组1中，各系数的值可以是将其实数倍所得的 值，常数项的值可以是对其加减乘除任意的实常数而得到的值。

根据判别结果的准确率评价在宫颈癌组、子宫体癌组、卵巢癌组 的三组判别中线性判别式组1的判别性能。其结果，全体准确率显示 出62.2％的高的判别性能。如图185、图186所示，得到了多个构成 与线性判别式组1具有同等判别性能的线性判别式组的氨基酸变数组 的组合。

产业实用性

如上所述，本发明所述的女性生殖器癌症的评价方法可在产业上 的众多领域、特别是药物或食品、医疗等领域广泛实施，特别是在进 行女性生殖器癌症的病态预测或疾病风险预测等领域极为有用。

符号说明

100  女性生殖器癌症评价装置

102  控制部

102a  要求解释部

102b  阅览处理部

102c  认证处理部

102d  电子邮件生成部

102e  网页生成部

102f  接收部

102g  女性生殖器癌症状态信息指定部

102h  多变量判别式制作部

102h1  候选多变量判别式制作部

102h2  候选多变量判别式验证部

102h3  变数选择部

102i  判别值计算部

102j  判别值基准评价部

102j1  判别值基准判别部

102k  结果输出部

102m  发送部

104  通信接口部

106  存储部

106a  利用者信息文件

106b  氨基酸浓度数据文件

106c  女性生殖器癌症状态信息文件

106d  指定女性生殖器癌症状态信息文件

106e  多变量判别式关联信息数据库

106e1  候选多变量判别式文件

106e2  验证结果文件

106e3  选择女性生殖器癌症状态信息文件

106e4  多变量判别式文件

106f  判别值文件

106g  评价结果文件

108  输入输出接口部

112  输入装置

114  输出装置

200  客户端装置(信息通信终端装置)

300  网络

400  数据库装置