CN102057276B - 女性生殖器癌症的评价方法 - Google Patents

女性生殖器癌症的评价方法 Download PDF

Info

Publication number
CN102057276B
CN102057276B CN200980122467.0A CN200980122467A CN102057276B CN 102057276 B CN102057276 B CN 102057276B CN 200980122467 A CN200980122467 A CN 200980122467A CN 102057276 B CN102057276 B CN 102057276B
Authority
CN
China
Prior art keywords
mentioned
parameter
amino acid
female genital
ile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN200980122467.0A
Other languages
English (en)
Other versions
CN102057276A (zh
Inventor
村松孝彦
井畑穰
今泉明
山本浩史
宫城悦子
平原史树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ajinomoto Co Inc
Original Assignee
Ajinomoto Co Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ajinomoto Co Inc filed Critical Ajinomoto Co Inc
Priority to CN201410551234.5A priority Critical patent/CN104316701B/zh
Publication of CN102057276A publication Critical patent/CN102057276A/zh
Application granted granted Critical
Publication of CN102057276B publication Critical patent/CN102057276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6806—Determination of free amino acids
    • G01N33/6812—Assays for specific amino acids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57411—Specifically defined cancers of cervix
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57442—Specifically defined cancers of the uterus and endometrial
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57449—Specifically defined cancers of ovaries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6806—Determination of free amino acids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Oncology (AREA)
  • Hospice & Palliative Care (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Reproductive Health (AREA)

Abstract

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。

Description

女性生殖器癌症的评价方法
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vanNagellJR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：vanNagellJR，DePriestPD，ReedyMB，GallionHH，UelandFR，PavlikEJ，KryscioRJ.Theefficiencyoftransvaginalsonographicscreeninginasymptomaticwomenatriskforovariancancer.GynecolOncol，2000.77；350-356
非专利文献2：Cynober，L.ed.，Metabolicandtherapeuticaspectsofaminoacidsinclinicalnutrition.2nded.，CRCPress
非专利文献3：Vissers，Y.LJ.，等人，Plasmaarginineconcentrationarereducedincancerpatients：evidenceforargininedeficiency？，TheAmericanJournalofClinicalNutrition，2005.81，第1142-1146页
非专利文献4：Park，K.G.，等人，Argininemetabolisminbenignandmaglinantdiseaseofbreastandcolon：evidenceforpossibleinhibitionoftumor-infiltratingmacropharges.，Nutrition，1991.7，第185-188页
非专利文献5：Proenza，A.M.，J.Oliver，A.Palou和P.Roca，Breastandlungcancerareassociatedwithadecreaseinbloodcellaminoacidcontent.，JNutrBiochem，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.RossiFanelli，Plasmaaminoacidimbalanceinpatientswithlungandbreastcancer.，AnticancerRes，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。
解决课题的方法
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+…+anxn，y：女性生殖器癌症状态指标数据，xi：氨基酸浓度数据，ai：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(bestpathmethod)、聚类探索法(近傍探索法，localsearchmethod)、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，CentralProcessingUnit)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，CommonGatewayInterface)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，OperatingSystem)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Fk(Gly，Leu，Phe，…)或Fm(Gly，Leu，Phe，…)、Fl(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Fp(Phe，…)或Fp(Gly，Leu，Phe)、Fk(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(部品用のフアイル)或操作用的文件(作業用のフアイル)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(pointingdevice)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

Claims (9)

1.女性生殖器癌症评价装置，其是具备控制装置和存储装置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(i)与氨基酸的浓度值有关的、预先取得的评价对象的氨基酸浓度数据以及(ii)含有上述氨基酸浓度作为变数的在上述存储装置中存储的用于评价是宫颈癌、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，
其中，上述氨基酸浓度数据中至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组的上述浓度值，
上述多变量判别式至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组作为上述变数。
2.权利要求1所述的女性生殖器癌症评价装置，其特征在于：
上述多变量判别式至少含有Ile、His、和Trp作为上述变数。
3.权利要求1或2所述的女性生殖器癌症评价装置，其特征在于，上述判别值基准评价装置进一步具备下述装置：
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。
4.女性生殖器癌症评价系统，其是经由网络以可通信的方式将女性生殖器癌症评价装置与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，其中，所述女性生殖器癌症评价装置具备控制装置和存储装置，所述信息通信终端装置提供评价对象的与氨基酸浓度值有关的氨基酸浓度数据，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；以及
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与是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症有关的上述评价对象的评价结果，
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(i)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以及(ii)含有上述氨基酸浓度作为变数的在上述存储装置中存储的用于评价是宫颈癌、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；以及
评价结果发送装置，将上述判别值基准评价装置中的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，
其中，上述氨基酸浓度数据中至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组的上述浓度值，
上述多变量判别式至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组作为上述变数。
5.权利要求4所述的女性生殖器癌症评价系统，其特征在于：
上述多变量判别式至少含有Ile、His、和Trp作为上述变数。
6.信息通信终端装置，所述信息通信终端装置经由网络以可通信的方式与女性生殖器癌症评价装置相连接，提供评价对象的与氨基酸浓度值有关的氨基酸浓度数据，其特征在于，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与是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症有关的上述评价对象的评价结果，
上述评价结果是含有上述氨基酸的浓度作为变数，根据用于评价是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症的多变量判别式的值即判别值，对于上述评价对象评价是宫颈癌、子宫体癌、卵巢癌中的任一种癌还是非女性生殖器癌症的结果，
其中，上述判别值根据(i)上述评价对象的上述氨基酸浓度数据以及(ii)上述多变量判别式计算而得到的，
上述氨基酸浓度数据中至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组的上述浓度值，
上述多变量判别式至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组作为上述变数。
7.权利要求6所述的信息通信终端装置，其特征在于：
上述多变量判别式至少含有Ile、His、和Trp作为上述变数。
8.女性生殖器癌症评价装置，所述女性生殖器癌症评价装置具备控制装置和存储装置，且经由网络以可通信的方式与信息通信终端装置相连接，所述信息通信终端装置提供评价对象的与氨基酸浓度值有关的氨基酸浓度数据，且具备发送上述评价对象的上述氨基酸浓度数据的氨基酸浓度数据发送装置，
其特征在于，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(i)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以及(ii)含有上述氨基酸浓度作为变数的在上述存储装置中存储的用于评价是宫颈癌、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；以及
评价结果发送装置，将上述判别值基准评价装置中的上述评价对象评价的上述评价结果发送至上述信息通信终端装置，
其中，上述氨基酸浓度数据中至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组的上述浓度值，
上述多变量判别式至少含有(1)Ile、His、和Trp；(2)Ile、His、和Val；(3)Ile、His、和Cit；(4)Ile、His、和Gly；以及(5)His、Val、和Gly的任一组作为上述变数。
9.权利要求8所述的女性生殖器癌症评价装置，其特征在于：
上述多变量判别式至少含有Ile、His、和Trp作为上述变数。
CN200980122467.0A 2008-06-20 2009-06-22 女性生殖器癌症的评价方法 Active CN102057276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410551234.5A CN104316701B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008162612 2008-06-20
JP2008-162612 2008-06-20
PCT/JP2009/061348 WO2009154296A1 (ja) 2008-06-20 2009-06-22 女性生殖器癌の評価方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201410551234.5A Division CN104316701B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法

Publications (2)

Publication Number Publication Date
CN102057276A CN102057276A (zh) 2011-05-11
CN102057276B true CN102057276B (zh) 2016-04-06

Family

ID=41434207

Family Applications (2)

Application Number Title Priority Date Filing Date
CN200980122467.0A Active CN102057276B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法
CN201410551234.5A Active CN104316701B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201410551234.5A Active CN104316701B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法

Country Status (5)

Country Link
US (2) US20110143444A1 (zh)
JP (3) JP5754136B2 (zh)
KR (1) KR101817058B1 (zh)
CN (2) CN102057276B (zh)
WO (1) WO2009154296A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008016111A1 (en) 2006-08-04 2008-02-07 Ajinomoto Co., Inc. Method for evaluation of lung cancer, lung cancer evaluation apparatus, lung cancer evaluation method, lung cancer evaluation system, lung cancer evaluation program, and recording medium
EP2103940A4 (en) 2006-12-21 2013-04-24 Ajinomoto Kk METHOD, APPARATUS, METHOD, SYSTEM AND SOFTWARE FOR ASSESSING BREAST CANCER, AND RECORDING MEDIUM
EP2096439A4 (en) 2006-12-21 2011-01-05 Ajinomoto Kk METHOD, APPARATUS, METHOD, SYSTEM AND SOFTWARE FOR EVALUATING COLORECTAL CANCER, AND RECORDING MEDIUM
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
KR101272207B1 (ko) * 2008-02-06 2013-06-07 아지노모토 가부시키가이샤 위암의 평가 방법, 및 위암 평가 장치, 위암 평가 방법, 위암 평가 시스템, 위암 평가 프로그램 및 기록 매체
KR101361601B1 (ko) * 2008-03-04 2014-02-12 아지노모토 가부시키가이샤 암종의 평가 방법
JP5754137B2 (ja) * 2008-06-20 2015-07-29 味の素株式会社 前立腺癌の評価方法、前立腺癌評価装置、前立腺癌評価方法、前立腺癌評価プログラム、記録媒体、前立腺癌評価システム、および情報通信端末装置
WO2009154296A1 (ja) * 2008-06-20 2009-12-23 味の素株式会社 女性生殖器癌の評価方法
KR102427923B1 (ko) 2016-10-04 2022-08-02 아지노모토 가부시키가이샤 대장암의 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
TWI626444B (zh) * 2016-10-05 2018-06-11 長庚醫療財團法人基隆長庚紀念醫院 數位化營養狀態、肌肉生成代謝運轉狀態及風險評估的方法
WO2018101450A1 (ja) 2016-12-01 2018-06-07 味の素株式会社 癌モニタリングの方法、算出方法、評価装置、算出装置、評価プログラム、算出プログラム、評価システム、及び端末装置
EP3351938A1 (en) * 2017-01-18 2018-07-25 BIOCRATES Life Sciences AG New biomarkers for assessing ovarian cancer
JP7120027B2 (ja) * 2017-02-02 2022-08-17 味の素株式会社 取得方法、算出方法、評価装置、算出装置、評価プログラム、算出プログラム、および評価システム

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61126472A (ja) * 1984-11-24 1986-06-13 Advance Res & Dev Co Ltd 診断方法
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US6300136B1 (en) * 1997-09-03 2001-10-09 The Trustees Of The University Of Pennsylvania Methods for diagnosis and treatment of tumors in humans
US6631330B1 (en) * 2000-08-21 2003-10-07 Assistance Publique-Hopitaux De Paris (Ap-Hp) Diagnosis method of inflammatory, fibrotic or cancerous disease using biochemical markers
ATE319093T1 (de) * 2000-08-21 2006-03-15 Assist Publ Hopitaux De Paris Verfahren zur diagnose von leberkrankheit unter verwendung von biochemischen merkmalen
JP5236856B2 (ja) * 2001-11-09 2013-07-17 ライフ テクノロジーズ コーポレーション 遺伝子発現プロファイルを用いる病気の同定、観測及び治療及び生物学的状態の同定
EP1570779A4 (en) * 2002-12-09 2008-03-12 Ajinomoto Kk PROCESSOR FOR INFORMATION ON THE CONDITION OF AN ORGANISM, METHOD FOR PROCESSING INFORMATION ON THE CONDITION OF AN ORGANISM, SYSTEM FOR MANAGING INFORMATION ON THE CONDITION OF AN ORGANISM, PROGRAM AND RECORDING MEDIUM
CN100502763C (zh) * 2002-12-09 2009-06-24 味之素株式会社 生物体状态信息处理装置和其方法、以及生物体状态信息管理系统
US7869033B2 (en) * 2003-12-24 2011-01-11 Vadivel Masilamani Cancer detection by optical analysis of body fluids
WO2006098192A1 (ja) * 2005-03-16 2006-09-21 Ajinomoto Co., Inc. 生体状態評価装置、生体状態評価方法、生体状態評価システム、生体状態評価プログラム、評価関数作成装置、評価関数作成方法、評価関数作成プログラムおよび記録媒体
EP1887362A4 (en) * 2005-05-30 2010-01-27 Ajinomoto Kk HEPATHOPATHY EVALUATION APPARATUS, HEPATHOPATHY EVALUATION METHOD, HEPATHOPATHY EVALUATION SYSTEM, HEPATHOPATHY EVALUATION PROGRAM, AND RECORDING MEDIUM
US20080305962A1 (en) * 2005-07-29 2008-12-11 Ralph Markus Wirtz Methods and Kits for the Prediction of Therapeutic Success, Recurrence Free and Overall Survival in Cancer Therapies
JP4301237B2 (ja) * 2005-11-28 2009-07-22 ソニー株式会社 符号化装置及びその方法、記録装置及びその方法、および、記録媒体
US20100004871A1 (en) * 2005-12-27 2010-01-07 Power3 Medical Products, Inc. Identities, specificities, and use of twenty two (22) differentially expressed protein biomarkers for blood based diagnosis of breast cancer
WO2008016111A1 (en) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. Method for evaluation of lung cancer, lung cancer evaluation apparatus, lung cancer evaluation method, lung cancer evaluation system, lung cancer evaluation program, and recording medium
WO2008015929A1 (fr) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. procédé d'évaluation de syndrome métabolique, appareil D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, système D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, programme d'évaluation de syndrome métabolique et support d'enregistrement, et proc&
JP4822434B2 (ja) * 2006-09-16 2011-11-24 独立行政法人農業・食品産業技術総合研究機構 自走式運搬車の追従速度制御装置、及び自走式運搬車の追従速度制御方法
EP2657705A3 (en) * 2006-09-19 2013-12-25 Metabolon Inc. Biomarkers for prostate cancer and methods using the same
US20090075284A1 (en) * 2006-09-19 2009-03-19 The Regents Of The University Of Michigan Metabolomic profiling of prostate cancer
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
EP2103940A4 (en) * 2006-12-21 2013-04-24 Ajinomoto Kk METHOD, APPARATUS, METHOD, SYSTEM AND SOFTWARE FOR ASSESSING BREAST CANCER, AND RECORDING MEDIUM
EP2096439A4 (en) * 2006-12-21 2011-01-05 Ajinomoto Kk METHOD, APPARATUS, METHOD, SYSTEM AND SOFTWARE FOR EVALUATING COLORECTAL CANCER, AND RECORDING MEDIUM
CN101932934A (zh) * 2007-02-01 2010-12-29 菲诺梅诺米发现公司 诊断卵巢癌健康状况和卵巢癌健康状况危险的方法
JP4571180B2 (ja) * 2007-12-11 2010-10-27 日立オートモティブシステムズ株式会社 内燃機関の可変動弁装置
JP4291863B2 (ja) * 2007-12-13 2009-07-08 本田技研工業株式会社 内燃機関の吸気管圧力予測方法および装置
JP2009154296A (ja) * 2007-12-25 2009-07-16 Toray Ind Inc 樹脂シート
KR101272207B1 (ko) * 2008-02-06 2013-06-07 아지노모토 가부시키가이샤 위암의 평가 방법, 및 위암 평가 장치, 위암 평가 방법, 위암 평가 시스템, 위암 평가 프로그램 및 기록 매체
KR101361601B1 (ko) * 2008-03-04 2014-02-12 아지노모토 가부시키가이샤 암종의 평가 방법
WO2009154296A1 (ja) * 2008-06-20 2009-12-23 味の素株式会社 女性生殖器癌の評価方法
JP5754137B2 (ja) * 2008-06-20 2015-07-29 味の素株式会社 前立腺癌の評価方法、前立腺癌評価装置、前立腺癌評価方法、前立腺癌評価プログラム、記録媒体、前立腺癌評価システム、および情報通信端末装置

Also Published As

Publication number Publication date
JP6586980B2 (ja) 2019-10-09
CN104316701B (zh) 2018-05-15
CN102057276A (zh) 2011-05-11
JP2015148632A (ja) 2015-08-20
JP5754136B2 (ja) 2015-07-29
WO2009154296A1 (ja) 2009-12-23
JP6269577B2 (ja) 2018-01-31
US20110143444A1 (en) 2011-06-16
US20160253454A1 (en) 2016-09-01
KR101817058B1 (ko) 2018-01-11
KR20110027681A (ko) 2011-03-16
CN104316701A (zh) 2015-01-28
JPWO2009154296A1 (ja) 2011-12-01
JP2018013494A (ja) 2018-01-25

Similar Documents

Publication Publication Date Title
CN102057276B (zh) 女性生殖器癌症的评价方法
CN101939652B (zh) 胃癌的评价方法、以及胃癌评价装置、胃癌评价方法、胃癌评价系统、胃癌评价程序和记录介质
CN101960310A (zh) 癌症种类的评价方法
JP5470848B2 (ja) 肺癌の評価方法、肺癌評価装置、肺癌評価方法、肺癌評価システム、肺癌評価プログラム、記録媒体、および、情報通信端末装置
JP6551484B2 (ja) 取得方法、算出方法、前立腺疾患評価装置、算出装置、前立腺疾患評価プログラム、算出プログラム及び前立腺疾患評価システム
JP5746811B2 (ja) 大腸癌の評価方法、ならびに大腸癌評価装置、大腸癌評価方法、大腸癌評価システム、大腸癌評価プログラムおよび記録媒体
CN101568838A (zh) 评估癌症状态的方法、癌症评估装置、癌症评估方法、癌症评估系统、癌症评估程序和记录介质
JP5746810B2 (ja) 乳癌の評価方法、ならびに乳癌評価装置、乳癌評価方法、乳癌評価システム、乳癌評価プログラムおよび記録媒体

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant