CN104330571B - 前列腺疾病的评价方法 - Google Patents

前列腺疾病的评价方法 Download PDF

Info

Publication number
CN104330571B
CN104330571B CN201410575190.XA CN201410575190A CN104330571B CN 104330571 B CN104330571 B CN 104330571B CN 201410575190 A CN201410575190 A CN 201410575190A CN 104330571 B CN104330571 B CN 104330571B
Authority
CN
China
Prior art keywords
trp
ala
gly
cit
orn
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
CN201410575190.XA
Other languages
English (en)
Other versions
CN104330571A (zh
Inventor
冈本直幸
三浦猛
宫城洋平
今泉明
山本浩史
田中孝幸
村松孝彦
安东敏彦
高桥纪子
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
Publication of CN104330571A publication Critical patent/CN104330571A/zh
Application granted granted Critical
Publication of CN104330571B publication Critical patent/CN104330571B/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
    • 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
    • G01N33/57434—Specifically defined cancers of prostate
    • 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
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • 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
    • G16B99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/34—Genitourinary disorders
    • G01N2800/342—Prostate diseases, e.g. BPH, prostatitis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biotechnology (AREA)
  • Pathology (AREA)
  • Microbiology (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Cell Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Oncology (AREA)
  • Biophysics (AREA)
  • Hospice & Palliative Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明的课题在于提供前列腺疾病的评价方法，所述方法利用血液中的氨基酸浓度中与前列腺疾病的状态相关的氨基酸浓度，可以高精度地评价前列腺疾病的状态。本发明涉及的前列腺疾病的评价方法，从采集自评价对象的血液测定与氨基酸的浓度值相关的氨基酸浓度数据，基于测定出的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态。

Description

前列腺疾病的评价方法
本申请是申请号为200980124392.X、申请日为2009年6月22日、发明名称为“前列腺疾病的评价方法”的中国专利申请的分案申请。
技术领域
本发明涉及利用血液(血浆)中的氨基酸浓度、对包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病进行评价的方法。
背景技术
前列腺癌在与1990年相比的2015年的各脏器分类的癌症死亡数的预期值之比为3.90，在所有的癌症当中最高。因此，为了抑制将来的死亡率增加，必须在早期进行高精度的诊断。
目前，前列腺癌的诊断依靠前列腺特异性抗原(PSA)、直肠检查、经直肠超声诊断而进行。而且，对于异常病症，需要通过经直肠超声引导下进行前列腺六分区六点活检(前立腺6分割6ケ所生検)来确诊。
但是，由于PSA不只在前列腺癌组织中产生，而且在前列腺肥大组织中也产生，所以难以区分早期前列腺癌和前列腺肥大，活检阳性预中率(的中率)低至3～4％。此外，对于直肠检查、经直肠超声诊断，灵敏度、活检阳性预中率比PSA还低。此外，经直肠超声引导下前列腺六分区六点活检能够确诊，但其是侵袭力高的检查，对所有疑似前列腺癌的患者实施是不实际的。因此，从对患者的身体负担和费用效益等方面考虑，期待用侵袭力和精神痛苦少的方法选择前列腺癌发病可能性高的受试者，对选择的受试者实施诊断，将得到确诊的患者作为治疗的对象。
另一发面，已知血中氨基酸浓度随癌症发病而变化。例如，Cynober(参照非专利文献1)报道了，例如谷氨酰胺主要作为氧化能量源、精氨酸作为氮氧化物或聚胺的前体、蛋氨酸通过激活癌细胞蛋氨酸摄取能力，分别在癌细胞内的消耗量增加。此外，Vissers等(参照非专利文献2)、Kubota(参照非专利文献3)、Park(参照非专利文献4)、Proenza等(参照非专利文献5)、Cascino(参照非专利文献6)报道了癌症患者的血浆中氨基酸组成与健康人不同。
另外，专利文献1和专利文献2公开了将氨基酸浓度和生物体状态关联的方法。另外，专利文献3公开了用氨基酸浓度来评价肺癌状态的方法。
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：Cynober，L.ed.，Metabolic and therapeutic aspects of aminoacids in clinical nutrition.2nd ed.，CRC Press
非专利文献2：Vissers，Y.LJ.，等，Plasma arginine concentration arereduced in cancer patients：evidence for arginine deficiency？，The AmericanJournal of Clinical Nutrition，2005，81，第1142-1146页
非专利文献3：Kubota，A.，Meguid，M.M.，and Hitch，D.C.，Amino acid profilescorrelate diagnostically with organ site in three kinds of malignant tumors.，Cancer，1991，69，第2343-2348页
非专利文献4：Park，K.G.，等，Arginine metabolism in benign and maglinantdisease of breast and colon：evidence for possible inhibition of tumor-infiltrating macropharges.，Nutrition，1991 7，第185-188页
非专利文献5：Proenza，A.M.，J.Oliver，A.Palou and P.Roca，Breast and lungcancer are associated with a decrease in blood cell amino acid content.，JNutr Biochem，2003.14(3)，第133-8页
非专利文献6：Cascino，A.，M.Muscaritoli，C.Cangiano，L.Conversano，A.Laviano，S.Ariemma，M.M.Meguid and F.Rossi Fanelli，Plasma amino acidimbalance in patients with lung and breast cancer.，Anticancer Res，1995.15(2)，第507-10页
发明内容
发明要解决的问题
然而，迄今为止，存在如下的诊断方法和诊断装置的开发从时间和金钱的观点考虑还未进行、且未实用化的问题，所述诊断方法和诊断装置是以复数种氨基酸为变数，对前列腺癌、前列腺肥大以及其他前列腺疾病是否发病进行诊断的诊断方法和诊断装置。另外，即使用专利文献3公开的肺癌判别用指标式(index formula)组来判别前列腺癌、前列腺肥大以及其他前列腺疾病是否发病，也由于判别对象不同，存在不能得到足够的判别能力的问题。
鉴于上述问题，本发明的目的在于提供前列腺疾病的评价方法，所述方法利用血液中的氨基酸浓度中与前列腺疾病的状态相关的氨基酸的浓度，可以高精度地评价前列腺疾病的状态。
解决问题的手段
为了解决上述问题，本发明人等经过认真研究，结果发现，鉴别对前列腺疾病和非前列腺疾病的两组判别等有用的氨基酸，同时，包含鉴别出的氨基酸浓度作为变数的多变量判别式(指标式、相关方程)与前列腺疾病的状态显著相关，从而完成本发明。具体而言，探求对于前列腺疾病更特异的指标式，结果可得到比专利文献1、专利文献2、专利文献3等公开的指标式更适于评价前列腺疾病状态的指标式，从而完成本发明。
即，为了解决上述问题，达到本发明的目的，本发明涉及的前列腺疾病的评价方法的特征在于，包括：测定步骤，从采集自评价对象的血液测定与氨基酸的浓度值相关的氨基酸浓度数据；以及浓度值基准评价步骤，基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值，对于所述评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态。
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述浓度值基准评价步骤进一步包括：浓度值基准判别步骤，基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值，对于所述评价对象，判别是否是所述前列腺疾病或非前列腺疾病、是否是所述前列腺癌或非前列腺癌、或者是否是所述前列腺癌或所述前列腺肥大。
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述浓度值基准评价步骤进一步包括：判别值算出步骤，基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值以及以所述氨基酸的浓度作为变数的预先设定的多变量判别式，算出该多变量判别式的值即判别值；以及判别值基准评价步骤，基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，评价所述前列腺疾病的状态。所述多变量判别式含有Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为所述变数。
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述判别值基准评价步骤进一步包括：判别值基准判别步骤，基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或非前列腺疾病、是否是所述前列腺癌或非前列腺癌、或者是否是所述前列腺癌或所述前列腺肥大。
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述多变量判别式是一个分数式或复数个所述分数式之和、或者逻辑回归(logistic regression)式、线性判别式、多重回归式、用支持向量机(Support VectorMachine)制作的公式、用马氏距离法(Mahalanobis’generalized distance method)制作的公式、用典型判别分析(canonical discriminant analysis)制作的公式、用决策树制作的公式的任意一种。
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述判别值算出步骤基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的所述浓度值以及含有Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或所述非前列腺疾病。此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述多变量判别式是数学式1的所述分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为所述变数的所述逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为所述变数的所述线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述线性判别式，
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述判别值算出步骤基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的所述浓度值以及含有Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述非前列腺癌。此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述多变量判别式是数学式2的所述分数式、数学式3的所述分数式或数学式4的所述分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为所述变数的所述逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为所述变数的所述逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为所述变数的所述逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为所述变数的所述线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为所述变数的所述线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为所述变数的所述线性判别式。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述判别值算出步骤基于在所述测定步骤中测定的所述评价对象的所述氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的所述浓度值以及含有Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述前列腺肥大。此外，本发明涉及的前列腺疾病的评价方法的特征在于，在上述的前列腺疾病的评价方法中，所述多变量判别式是数学式5的所述分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述线性判别式。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，本发明涉及的前列腺疾病的评价装置，具备控制单元和存储单元，是对于评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态的前列腺疾病评价装置，其特征在于，所述控制单元具备：判别值算出单元，基于与氨基酸的浓度值有关的预先取得的所述评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值以及以所述氨基酸浓度为变数的存储于所述存储单元的多变量判别式，算出该多变量判别式的值即判别值；以及判别值基准评价单元，基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，评价所述前列腺疾病的状态。所述多变量判别式包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为所述变数。
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述判别值基准评价单元进一步具备：判别值基准判别单元，基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或非前列腺疾病、是否是所述前列腺癌或非前列腺癌、或者是否是所述前列腺癌或所述前列腺肥大。
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述多变量判别式是一个分数式或复数个所述分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的式子、用马氏距离法制作的式子、用典型判别分析制作的式子、用决策树制作的式子的任意一种。
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述判别值算出单元基于所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的所述浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别单元基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或所述非前列腺疾病。此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述多变量判别式是数学式1的所述分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为所述变数的所述逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为所述变数的所述线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述线性判别式。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述判别值算出单元基于所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的所述浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别单元基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述非前列腺癌。此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述多变量判别式是数学式2的所述分数式、数学式3的所述分数式或数学式4的所述分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为所述变数的所述逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为所述变数的所述逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为所述变数的所述逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为所述变数的所述线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为所述变数的所述线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为所述变数的所述线性判别式。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述判别值算出单元基于所述评价对象的所述氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的所述浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为所述变数的所述多变量判别式，算出所述判别值，所述判别值基准判别单元基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述非前列腺肥大。此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述多变量判别式是数学式5的所述分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述线性判别式。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，本发明涉及的前列腺疾病评价装置的特征在于，在上述的前列腺疾病评价装置中，所述控制单元还具备多变量判别式制作单元，基于存储于所述存储单元的前列腺疾病状态信息，制作存储于所述存储单元的所述多变量判别式，所述前列腺疾病状态信息包括所述氨基酸浓度数据和与表示所述前列腺疾病的所述状态的指标有关的前列腺疾病状态指标数据，所述多变量判别式制作单元进一步具备：候选多变量判别式制作单元，基于规定的公式制作方法，从所述前列腺疾病状态信息，制作所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单元，基于规定的验证方法，验证由所述候选多变量判别式制作单元制作的所述候选多变量判别式；变数选择单元，基于规定的变数选择方法，从由所述候选多变量判别式验证单元得到的验证结果，选择所述候选多变量判别式的变数，由此来选择在制作所述候选多变量判别式时所用的所述前列腺疾病状态信息中所含的所述氨基酸浓度数据的组合，根据反复执行所述候选多变量判别式制作单元、所述候选多变量判别式验证单元以及所述变数选择单元而积累的所述验证结果，从复数个所述候选多变量判别式中，选择出作为所述多变量判别式采用的所述候选多变量判别式，由此制作所述多变量判别式。
此外，本发明涉及的前列腺疾病评价方法是，用具备控制单元和存储单元的信息处理装置实行的、对于评价对象评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态的前列腺疾病评价方法，其特征在于，在所述控制单元中实行以下步骤：判别值算出步骤，基于与氨基酸的浓度值有关的预先取得的所述评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种所述浓度值以及以所述氨基酸浓度为变量的存储于所述存储单元的多变量判别式，算出该多变量判别式的值即判别值；判别值基准评价步骤，基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，评价所述前列腺疾病的状态，所述多变量判别式包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种作为所述变数。
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述判别值基准评价步骤进一步包括判别值基准判别步骤，基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或非前列腺疾病、是否是所述前列腺癌或非前列腺癌、或者是否是所述前列腺癌或所述前列腺肥大。
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述多变量判别式是一个分数式或复数个所述分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式的任意一种。
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述判别值算出步骤基于所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的所述浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值；所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺疾病或所述非前列腺疾病。此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述多变量判别式是数学式1的所述分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为所述变数的所述逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为所述变数的所述线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为所述变数的所述线性判别式。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述判别值算出步骤基于所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的所述浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为所述变数的所述多变量判别式，算出所述判别值；所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述非前列腺癌。此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述多变量判别式是数学式2的所述分数式、数学式3的所述分数式或数学式4的所述分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为所述变数的所述逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为所述变数的所述逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为所述变数的所述逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为所述变数的所述线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为所述变数的所述线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为所述变数的所述线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为所述变数的所述线性判别式。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述判别值算出步骤基于所述评价对象的所述氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的所述浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为所述变数的所述多变量判别式，算出所述判别值；所述判别值基准判别步骤基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，判别是否是所述前列腺癌或所述前列腺肥大。此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，所述多变量判别式是数学式5的所述分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为所述变数的所述线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为所述变数的所述线性判别式。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，本发明涉及的前列腺疾病评价方法的特征在于，在上述的前列腺疾病评价方法中，进一步由所述控制单元实行多变量判别式制作步骤，所述多变量判别式制作步骤基于存储于所述存储单元的前列腺疾病状态信息，制作存储于所述存储单元的所述多变量判别式，所述前列腺疾病状态信息包括所述氨基酸浓度数据和与表示所述前列腺疾病的所述状态的指标有关的前列腺疾病状态指标数据，所述多变量判别式制作步骤，进一步包括：候选多变量判别式制作步骤，基于规定的公式制作方法，从所述前列腺疾病状态信息，制作所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，基于规定的验证方法，验证在所述候选多变量判别式制作步骤中制作的所述候选多变量判别式；变数选择步骤，基于规定的变数选择方法，从由所述候选多变量判别式验证步骤得到的验证结果，选择所述候选多变量判别式的变数，由此来选择在制作所述候选多变量判别式时所用的所述前列腺疾病状态信息中所含的所述氨基酸浓度数据的组合。基于反复实行所述候选多变量判别式制作步骤、所述候选多变量判别式验证步骤和所述变数选择步骤而积累的所述验证结果，从复数个所述候选多变量判别式中，选择出作为所述多变量判别式采用的所述候选多变量判别式，由此制作所述多变量判别式。
此外，本发明涉及的前列腺疾病评价系统是经由网络以可通信的方式将具备控制单元和存储单元且对于评价对象评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态的前列腺疾病评价装置，以及提供与氨基酸的浓度值有关的所述评价对象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前列腺疾病评价系统，其特征在于，所述信息通信终端装置具备：氨基酸浓度数据发送单元，将所述评价对象的所述氨基酸浓度数据发送至所述前列腺疾病评价装置；评价结果接收单元，接收由所述前列腺疾病评价装置发送的与所述前列腺疾病的状态有关的所述评价对象的评价结果。所述前列腺疾病评价装置的所述控制单元具备：氨基酸浓度数据接收单元，接收由所述信息通信终端装置发送的所述评价对象的所述氨基酸浓度数据；判别值算出单元，基于由所述氨基酸浓度数据接收单元接收的所述评价对象的所述氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值以及以所述氨基酸的浓度为变数的在所述存储单元存储的多变量判别式，算出该多变量判别式的值即判别值；判别值基准评价单元，基于由所述判别值算出单元算出的所述判别值，对于所述评价对象，评价所述前列腺疾病的状态；评价结果发送单元，将由所述判别值基准评价单元得到的所述评价对象的所述评价结果发送至所述信息通信终端装置。所述多变量判别式包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为所述变数。
此外，本发明涉及的前列腺疾病评价程序是在具备控制单元和存储单元的信息处理装置中实行的对于评价对象评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态的前列腺疾病评价程序，其特征在于，在上述控制单元中实行下述步骤：判别值算出步骤，基于与氨基酸的浓度值有关的预先取得的所述评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的所述浓度值以及以所述氨基酸浓度为变数的在所述存储单元存储的多变量判别式，算出该多变量判别式的值即判别值；判别值基准评价步骤，基于在所述判别值算出步骤中算出的所述判别值，对于所述评价对象，评价所述前列腺疾病的状态。所述多变量判别式包括Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为所述变数。
此外，本发明涉及的记录介质是计算机可读取的记录介质，其特征在于，记录有上述前列腺疾病评价程序。
发明效果
根据本发明，从采集自评价对象的血液测定与氨基酸的浓度值相关的氨基酸浓度数据，基于测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于所述评价对象，评价包括前列腺癌和前列腺肥大中至少一种的前列腺疾病的状态，因此发挥如下效果：利用血液中的氨基酸浓度中与前列腺疾病的状态有关的氨基酸浓度，可以高精度地评价前列腺疾病的状态。具体而言，发挥如下效果：能够以一种检体且短时间内即可缩小筛选范围至罹患前列腺疾病的可能性高的受试者，结果可以减轻给受试者带来的时间、身体和金钱上的负担。此外，具体而言，发挥如下效果：利用多种氨基酸的浓度，可以高精度地评价某检体是否有前列腺疾病发病，结果可以实现检查的高效化和高精度化。
此外，根据本发明，基于测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者是否是前列腺癌或前列腺肥大，因此发挥如下效果：利用血液中的氨基酸浓度中对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的氨基酸浓度，可以高精度地进行这些两组判别。
此外，根据本发明，基于测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2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包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出该多变量判别式的值即判别值，基于算出的判别值，对于评价对象，评价前列腺疾病的状态，因此发挥如下效果：利用与前列腺疾病的状态显著相关的由多变量判别式得到的判别值，可以高精度地评价前列腺疾病的状态。具体而言，发挥如下效果：能够以一种检体且短时间内即可缩小筛选范围至罹患前列腺疾病的可能性高的受试者，结果可以减轻给受试者带来的时间、身体和金钱上的负担。此外，具体而言，发挥如下效果：利用复数种氨基酸的浓度和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前列腺疾病发病，结果可以实现检查的高效化和高精度化。
此外，根据本发明，基于算出的判别值，对于评价对象，判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者是否是前列腺癌或前列腺肥大，因此发挥如下效果：利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的多变量判别式得到的判别值，可以高精度地进行这些两组判别。
此外，根据本发明，多变量判别式是一个分数式或复数个分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种，因此发挥如下效果：利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行这些两组判别。
此外，根据本发明，基于评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，判别是否是前列腺疾病或非前列腺疾病，因此发挥如下效果：利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，根据本发明，多变量判别式是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式，因此发挥如下效果：利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，根据本发明，基于评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，判别是否是前列腺癌或非前列腺癌，因此发挥如下效果：利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，根据本发明，多变量判别式是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式，因此发挥如下效果：利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，根据本发明，基于评价对象的氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，判别是否是前列腺癌或前列腺肥大，因此发挥如下效果：利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，根据本发明，多变量判别式是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式，因此发挥如下效果：利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，根据本发明，基于包含氨基酸浓度数据和与表示前列腺疾病的状态的指标有关的前列腺疾病状态指标数据的在存储单元存储的前列腺疾病状态信息，制作在存储单元存储的多变量判别式。具体而言，(1)基于规定的公式制作方法，从前列腺疾病状态信息制作候选多变量判别式，(2)基于规定的验证方法来验证制作的候选多变量判别式，(3)基于规定的变数选择方法，从所述验证结果选择候选多变量判别式的变数，由此来选择在制作候选多变量判别式时所用的前列腺疾病状态信息中所含的氨基酸浓度数据的组合，(4)基于反复实行(1)、(2)和(3)而积累的验证结果，从复数个候选多变量判别式中选择出作为多变量判别式采用的候选多变量判别式，藉此制作多变量判别式。由此发挥可制作最适于前列腺疾病的状态评价的多变量判别式的效果。
此外，根据本发明，发挥如下效果：通过实行使计算机读取该记录介质中记录的前列腺疾病评价程序，使计算机实行前列腺疾病评价程序，因此可得到与前列腺疾病评价程序相同的效果。
此外，本发明在评价前列腺疾病的状态时，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因表达量、蛋白质表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。此外，本发明在评价前列腺疾病的状态时，作为多变量判别式中的变数，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因的表达量、蛋白质的表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。
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是表示第一实施方式涉及的前列腺疾病的评价方法的一例的流程图。
图3是表示本发明的基本原理的原理构成图。
图4是表示本系统的整体构成的一例的图。
图5是表示本系统的整体构成的另一例的图。
图6是表示本系统的前列腺疾病评价装置100的构成的一例的框图。
图7是表示保存在利用者信息文件106a中的信息的一例的图。
图8是表示保存在氨基酸浓度数据文件106b中的信息的一例的图。
图9是表示保存在前列腺疾病状态信息文件106c中的信息的一例的图。
图10是表示保存在指定前列腺疾病状态信息文件106d中的信息的一例的图。
图11是表示保存在候选多变量判别式文件106e1中的信息的一例的图。
图12是表示保存在验证结果文件106e2中的信息的一例的图。
图13是表示保存在选择前列腺疾病状态信息文件106e3中的信息的一例的图。
图14是表示保存在多变量判别式文件106e4中的信息的一例的图。
图15是表示保存在判别值文件106f中的信息的一例的图。
图16是表示保存在评价结果文件106g中的信息的一例的图。
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的构成的一例的框图。
图20是表示本系统的数据库装置400的构成的一例的框图。
图21是表示由本系统进行的前列腺疾病评价服务处理的一例的流程图。
图22是表示通过本系统的前列腺疾病评价装置100进行的多变量判别式制作处理的一例的流程图。
图23是与前列腺癌组和非前列腺癌组的氨基酸变数的分布相关的箱线图(boxplot)。
图24是表示与指标式1具有同等的判别性能的指标式的一览图。
图25是表示与指标式1具有同等的判别性能的指标式的一览图。
图26是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图27是表示与指标式2具有同等的判别性能的指标式的一览图。
图28是表示与指标式2具有同等的判别性能的指标式的一览图。
图29是表示前列腺癌组和非前列腺癌组的两组判别中各氨基酸变量的ROC曲线下面积的图。
图30是表示与指标式3具有同等的判别性能的指标式的一览图。
图31是表示与指标式3具有同等的判别性能的指标式的一览图。
图32是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图33是与前列腺癌组和非前列腺癌组的氨基酸变数的分布相关的箱线图。
图34是表示与指标式4具有同等的判别性能的指标式的一览图。
图35是表示与指标式4具有同等的判别性能的指标式的一览图。
图36是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图37是表示与指标式5具有同等的判别性能的指标式的一览的图。
图38是表示与指标式5具有同等的判别性能的指标式的一览的图。
图39是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图40是表示与指标式6具有同等的判别性能的指标式的一览图。
图41是表示与指标式6具有同等的判别性能的指标式的一览图。
图42是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图43是与前列腺癌组和非前列腺癌组的氨基酸变数的分布相关的箱线图。
图44是表示与指标式7具有同等的判别性能的指标式的一览图。
图45是表示与指标式7具有同等的判别性能的指标式的一览图。
图46是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图47是表示与指标式8具有同等的判别性能的指标式的一览图。
图48是表示与指标式8具有同等的判别性能的指标式的一览图。
图49是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图50是表示与指标式9具有同等的判别性能的指标式的一览图。
图51是表示与指标式9具有同等的判别性能的指标式的一览图。
图52是表示前列腺癌组和非前列腺癌组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图53是与前列腺癌组和前列腺肥大组的氨基酸变数的分布相关的箱线图。
图54是表示与指标式10具有同等的判别性能的指标式的一览图。
图55是表示与指标式10具有同等的判别性能的指标式的一览图。
图56是表示前列腺癌组和前列腺肥大组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图57是表示与指标式11具有同等的判别性能的指标式的一览图。
图58是表示与指标式11具有同等的判别性能的指标式的一览图。
图59是表示前列腺癌组和前列腺肥大组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图60是表示与指标式12具有同等的判别性能的指标式的一览图。
图61是表示与指标式12具有同等的判别性能的指标式的一览图。
图62是表示前列腺癌组和前列腺肥大组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图63是与前列腺疾病组和非前列腺疾病组的氨基酸变数的分布相关的箱线图。
图64是表示与指标式13具有同等的判别性能的指标式的一览图。
图65是表示与指标式13具有同等的判别性能的指标式的一览图。
图66是表示前列腺疾病组和非前列腺疾病组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图67是表示与指标式14具有同等的判别性能的指标式的一览图。
图68是表示与指标式14具有同等的判别性能的指标式的一览图。
图69是表示前列腺疾病组和非前列腺疾病组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图70是表示与指标式15具有同等的判别性能的指标式的一览图。
图71是表示与指标式15具有同等的判别性能的指标式的一览图。
图72是表示前列腺疾病组和非前列腺疾病组的两组判别中的各氨基酸变数的ROC曲线下面积的图。
图73是表示与各指标式相关的各两组判别中的ROC曲线下面积的图。
图74是与前列腺癌组和非前列腺癌组的氨基酸变量的分布相关的箱线图。
图75是表示与指标式16具有同等的判别性能的指标式的一览图。
图76是表示与指标式16具有同等的判别性能的指标式的一览图。
图77是表示与指标式16具有同等的判别性能的指标式的一览图。
图78是表示与指标式16具有同等的判别性能的指标式的一览图。
图79是表示前列腺癌组和非前列腺癌组的两组判别中的指标式16的ROC曲线的图。
图80是表示与指标式17具有同等的判别性能的指标式的一览图。
图81是表示与指标式17具有同等的判别性能的指标式的一览图。
图82是表示与指标式17具有同等的判别性能的指标式的一览图。
图83是表示与指标式17具有同等的判别性能的指标式的一览图。
图84是表示前列腺癌组和非前列腺癌组的两组判别中的指标式17的ROC曲线的图。
图85是表示基于ROC曲线的AUC提取出的氨基酸的一览图。
图86是与前列腺癌组和前列腺肥大组的氨基酸变数的分布相关的箱线图。
图87是表示与指标式18具有同等的判别性能的指标式的一览图。
图88是表示与指标式18具有同等的判别性能的指标式的一览图。
图89是表示与指标式18具有同等的判别性能的指标式的一览图。
图90是表示与指标式18具有同等的判别性能的指标式的一览图。
图91是表示前列腺癌组和前列腺肥大组的两组判别中的指标式18的ROC曲线的图。
图92是表示与指标式19具有同等的判别性能的指标式的一览图。
图93是表示与指标式19具有同等的判别性能的指标式的一览图。
图94是表示与指标式19具有同等的判别性能的指标式的一览图。
图95是表示与指标式19具有同等的判别性能的指标式的一览图。
图96是表示前列腺癌组和前列腺肥大组的两组判别中指标式19的ROC曲线的图。
图97是表示基于ROC曲线的AUC提取出的氨基酸的一览图。
图98是与前列腺癌组和前列腺肥大组的氨基酸变数的分布相关的箱线图。
图99是表示与指标式20具有同等的判别性能的指标式的一览图。
图100是表示与指标式20具有同等的判别性能的指标式的一览图。
图101是表示与指标式20具有同等的判别性能的指标式的一览图。
图102是表示与指标式20具有同等的判别性能的指标式的一览图。
图103是表示前列腺疾病组和非前列腺疾病组的两组判别中的指标式20的ROC曲线的图。
图104是表示与指标式21具有同等的判别性能的指标式的一览图。
图105是表示与指标式21具有同等的判别性能的指标式的一览图。
图106是表示与指标式21具有同等的判别性能的指标式的一览图。
图107是表示与指标式21具有同等的判别性能的指标式的一览图。
图108是表示前列腺疾病组和非前列腺疾病组的两组判别中的指标式21的ROC曲线的图。
图109是表示基于ROC曲线的AUC提取出的氨基酸的一览图。符号说明
100前列腺疾病评价装置
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 前列腺疾病状态信息指定部
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 判别值算出部
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 前列腺疾病状态信息文件
106d 指定前列腺疾病状态信息文件
106e 多变量判别式相关信息数据库
106e1 候选多变量判别式文件
106e2 验证结果文件
106e3 选择前列腺疾病状态信息文件
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
具体实施方式
下面，基于附图详细地说明本发明涉及的前列腺疾病的评价方法的实施方式(第一实施方式)以及本发明涉及的前列腺疾病评价装置、前列腺疾病评价方法、前列腺疾病评价系统、前列腺疾病评价程序和记录介质的实施方式(第二实施方式)。此外，本发明不受本实施方式的限制。
第一实施方式
[1-1.本发明的概要]
这里，参照图1对本发明涉及的前列腺疾病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，从采集自评价对象(例如动物或人等个体)的血液，测定与氨基酸的浓度值有关的氨基酸浓度数据(步骤S-11)。这里，血中氨基酸浓度的分析如下进行。通过将采集的血液样品采取至经肝素处理的试管中，再将采取的血液样品离心，由此从血液分离血浆。在-70℃下将所有血浆样品冷冻保存至测定氨基酸浓度时。测定氨基酸浓度时，通过加入磺基水杨酸并将调节至浓度为3％来进行脱蛋白处理，测定中使用氨基酸分析仪，所述氨基酸分析仪以采用了柱后茚三酮反应的高效液相色谱(HPLC)为原理。此外，氨基酸浓度的单位，可以是例如摩尔浓度或重量浓度、通过将这些浓度加减乘除任意常数而得到的浓度。
接着，本发明中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态(步骤S-12)。
如上所述，根据本发明，从采集自评价对象的血液测定与氨基酸的浓度值相关的氨基酸浓度数据，基于测定出的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态。由此，利用血液中的氨基酸浓度中与前列腺疾病的状态有关的氨基酸浓度，可以高精度地评价前列腺疾病的状态。具体而言，能够用一种检体且短时间内即可缩小筛选范围至罹患前列腺疾病的可能性高的受试者，其结果可以减轻给受试者带来的时间、身体和金钱上的负担。此外，具体而言，利用复数种氨基酸的浓度，可以高精度地评价某检体是否有前列腺疾病发病，其结果可以实现检查的高效化和高精度化。
这里，在实行步骤S-12之前，可以从在步骤S-11中测定的评价对象的氨基酸浓度数据除去缺失值和异常值等数据。由此，可以更高精度地评价前列腺疾病的状态。
此外，步骤S-12中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者、是否是前列腺癌或前列腺肥大。由此，利用血液中的氨基酸浓度中，对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的氨基酸浓度，可以高精度地进行这些两组判别。
此外，在步骤S-12中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2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多变量判别式即包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出该多变量判别式的值即判别值，基于算出的判别值，对于评价对象，可以评价前列腺疾病的状态。由此，利用由与前列腺疾病的状态具有显著相关性的多变量判别式得到的判别值，可以高精度地评价前列腺疾病的状态。具体而言，能够用一种检体且短时间内即可缩小筛选范围至罹患前列腺疾病的可能性高的受试者，其结果可以减轻给受试者带来的时间、身体和金钱上的负担。此外，具体而言，利用复数种氨基酸的浓度和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前列腺疾病发病，其结果可以实现检查的高效化和高精度化。
此外，步骤S-12中，基于算出的判别值，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者是否是前列腺癌或前列腺肥大。具体而言，通过比较判别值和预先设定的阈值(截断值，cutoff value)，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者是否是前列腺癌或前列腺肥大。由此，利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的多变量判别式得到的判别值，可以高精度地进行这些两组判别。
此外，多变量判别式可以是一个分数式或复数个所述分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种。由此，利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行这些两组判别。
此外，在步骤S-12中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式，可以是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，在步骤S-12中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，可以判别是否是前列腺癌或非前列腺癌。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式可以是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，在步骤S-12中，基于在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值，基于算出的判别值，对于评价对象，判别是否是前列腺癌或非前列腺肥大。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式，可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，上述的多变量判别式，可用本申请人的国际申请即国际公开第2004/052191号中记载的方法、或本申请人的国际申请即国际公开第2006/098192号中记载的方法(下述第二实施方式中记载的多变量判别式制作处理)制作。只要是用这些方法得到的多变量判别式，不论作为输入数据的氨基酸浓度数据中的氨基酸浓度单位，都可以合适地将该多变量判别式用于前列腺疾病状态的评价。
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，更优选在为了由数据进行判别而得到的系数和常数项的99％置信区间的范围内的值，还可进一步优选在为了由数据进行判别而得到的系数和常数项的95％置信区间的范围内的值。此外，各系数的值及其置信区间可以是其实数倍的值，常数项的值及其置信区间可以是对其加减乘除任意的实常数所得的值。
此外，对于分数式，该分数式的分子由氨基酸A、B、C、......之和表示，并且该分数式的分母由氨基酸a、b、c、......之和表示。此外，分数式中，还包括上述构成的分数式α、β、γ、......之和(例如α+β之类的)。此外，分数式中也包括分割的分数式(分割された分数式)。此外，分子和分母中使用的氨基酸可以分别带有适当的系数。此外，分子和分母中使用的氨基酸可以重复。此外，各分数式可以带有适当的系数。此外，各变数的系数的值和常数项的值只要是实数即可。分数式中，对于将分子的变数和分母的变数互换的组合，与目标变数相关的正负符号均转换，但它们仍保持相关性，因此，在判别性中视为同等，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。
此外，本发明在评价前列腺疾病的状态时，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因表达量、蛋白质表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。此外，本发明在评价前列腺疾病的状态时，作为多变量判别式中的变数，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因表达量、蛋白质表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。
[1-2.第一实施方式涉及的前列腺疾病的状态的评价方法]
这里，参照图2对第一实施方式涉及的前列腺疾病的状态的评价方法进行说明。图2是表示第一实施方式涉及的前列腺疾病的状态的评价方法的一例的流程图。
首先，由采集自动物或人等个体的血液，测定与氨基酸的浓度值有关的氨基酸浓度数据(步骤SA-11)。此外，氨基酸的浓度值的测定用上述方法进行。
接着，从在步骤SA-11中测定的个体的氨基酸浓度数据除去缺失值和异常值等数据(步骤SA-12)。
接着，基于在步骤SA-12中除去了缺失值和异常值等数据的个体的氨基酸浓度数据、以氨基酸的浓度作为变数的预先设定的多变量判别式(该多变量判别式是一个分数式或复数个分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种。)，对于个体进行下述11.～13.表示的判别中的任意一个(步骤SA-13)。
11.是否是前列腺疾病或非前列腺疾病的判别
通过比较氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值和预先设定的阈值(截断值)，对于个体，判别是否是前列腺疾病或非前列腺疾病，或者基于氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，通过比较算出的判别值和预先设定的阈值(截断值)，对于个体，判别是否是前列腺疾病或非前列腺疾病。
12.是否是前列腺癌或非前列腺癌的判别
基于氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，判别是否是前列腺癌或非前列腺癌，或者基于氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，通过比较算出的判别值和预先设定的阈值(截断值)，对于个体，判别是否是前列腺癌或非前列腺癌。
13.是否是前列腺癌或前列腺肥大的判别
基于氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值，对于评价对象，判别是否是前列腺癌或前列腺肥大，或者基于氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值，通过比较算出的判别值和预先设定的阈值(截断值)，对于个体，判别是否是前列腺癌或前列腺肥大。
[1-3.第一实施方式的总结以及其他实施方式]
如以上的详细说明，根据第一实施方式涉及的前列腺疾病的评价方法，(1)从采集自个体的血液测定氨基酸浓度数据，(2)从测定出的个体的氨基酸浓度数据除去缺失值和异常值等数据，(3)基于除去了缺失值和异常值后的个体的氨基酸浓度数据、或以氨基酸的浓度作为变数的预先设定的多变量判别式，对于个体，进行上述11.～13.表示的判别中的任意一项。由此，利用血液中的氨基酸浓度中，对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的氨基酸浓度，可以高精度地进行这些两组判别。此外，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
此外，在步骤SA-13中，进行上述11.表示的判别时，多变量判别式可以是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，在步骤SA-13中，进行上述12.表示的判别时，多变量判别式可以是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，在步骤SA-13中，进行上述13.表示的判别时，多变量判别式可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，上述的多变量判别式，可用本申请人的国际申请即国际公开第2004/052191号中记载的方法、或本申请人的国际申请即国际公开第2006/098192号中记载的方法(后述的第二实施方式中记载的多变量判别式制作处理)制作。只要是用这些方法得到的多变量判别式，不论作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，都可以合适地将该多变量判别式用于前列腺疾病状态的评价。
第二实施方式
[2-1.本发明的概要]
这里，参照图3对本发明涉及的前列腺疾病评价装置、前列腺疾病评价方法、前列腺疾病评价系统、前列腺疾病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，本发明在控制部，基于与氨基酸的浓度值有关的预先取得的评价对象(例如动物或人等个体)的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值以及以氨基酸的浓度作为变数的存储于存储部的多变量判别式即包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出该多变量判别式的值即判别值(步骤S-21)。
接着，本发明在控制部，基于在步骤S-21中算出的判别值，对于评价对象，评价包括前列腺癌和前列腺肥大中的至少一种的前列腺疾病的状态(步骤S-22)。
如上所述，根据本发明，基于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中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸的浓度值以及以氨基酸的浓度作为变数的存储于存储部的多变量判别式即包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出该多变量判别式的值即判别值，基于算出的判别值，对于评价对象，评价前列腺疾病的状态。由此，利用由与前列腺疾病的状态具有显著相关性的多变量判别式得到的判别值，可以高精度地评价前列腺疾病的状态。具体而言，能够用一种检体且短时间内即可缩小筛选范围至罹患前列腺疾病的可能性高的受试者，其结果可以减轻给受试者带来的时间、身体和金钱上的负担。此外，具体而言，利用复数种氨基酸的浓度和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前列腺疾病发病，其结果可以实现检查的高效化和高精度化。
这里，步骤S-22中，基于在步骤S-21中算出的判别值，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病、是否是前列腺癌或非前列腺癌、或者是否是前列腺癌或前列腺肥大。由此，利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别有用的多变量判别式得到的判别值，可以高精度地进行这些两组判别。
此外，多变量判别式可以是一个分数式或复数个所述分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种。由此，利用由对前列腺疾病和非前列腺疾病的两组判别、前列腺癌和非前列腺癌的两组判别、前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行这些两组判别。
此外，在步骤S-21中，基于氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，在步骤S-22中，基于算出的判别值，对于评价对象，可以判别是否是前列腺疾病或非前列腺疾病。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式，可以是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn，Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，在步骤S-21中，基于氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，在步骤S-22中，基于算出的判别值，对于评价对象，可以判别是否是前列腺癌或非前列腺癌。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式可以是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，在步骤S-21中，基于氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值，在步骤S-22中，基于算出的判别值，对于评价对象，判别是否是前列腺癌或前列腺肥大。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，这时使用的多变量判别式，可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，上述的多变量判别式，可用本申请人的国际申请即国际公开第2004/052191号中记载的方法、或本申请人的国际申请即国际公开第2006/098192号中记载的方法(后述的多变量判别式制作处理)制作。只要是用这些方法得到的多变量判别式，不论作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，都可以合适地将该多变量判别式用于前列腺疾病状态的评价。
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，包括例如分数式、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。另外，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，更优选在为了由数据进行判别而得到的系数和常数项的99％置信区间的范围内的值，还可进一步优选在为了由数据进行判别而得到的系数和常数项的95％置信区间的范围内的值。此外，各系数的值及其置信区间可以是其实数倍的值，常数项的值及其置信区间可以是对其加减乘除任意的实常数所得的值。
此外，对于分数式，该分数式的分子由氨基酸A、B、C、......之和表示，并且该分数式的分母由氨基酸a、b、c、......之和表示。此外，分数式中，还包括上述构成的分数式α、β、γ、......之和(例如α+β之类的)。此外，分数式中也包括分割的分数式。此外，分子和分母中使用的氨基酸可以分别带有适当的系数。此外，分子和分母中使用的氨基酸可以重复。此外，各分数式可以带有适当的系数。此外，各变数的系数的值和常数项的值只要是实数即可。分数式中，对于将分子的变数和分母的变数互换的组合，与目标变数相关的正负符号均转换，但它们仍保持相关性，因此，在判别性中视为同等，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。
此外，本发明在评价前列腺疾病的状态时，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因表达量、蛋白质表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。此外，本发明在评价前列腺疾病的状态时，作为多变量判别式中的变数，除了氨基酸的浓度之外，可以进一步使用其他代谢物的浓度和基因表达量、蛋白质表达量、受试者的年龄、性别、是否吸烟、心电图波形的数值化结果等。
这里，对多变量判别式制作处理(工序1～工序4)的概要进行详细说明。
首先，本发明在控制部，基于规定的公式制作方法，由包含氨基酸浓度数据和与表示前列腺疾病状态的指标有关的前列腺疾病状态指标数据的存储于存储部的前列腺疾病状态信息来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：前列腺疾病状态指标数据，xi：氨基酸浓度数据，ai：常数，i＝1、2、...、n)(工序1)。此外，可以预先从前列腺疾病状态信息除去带有缺失值和异常值等的数据。
此外，工序1中，可以并用复数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)，由前列腺疾病状态信息制作复数个候选多变量判别式组。具体来说，可以利用复数种不同的算法，对于前列腺疾病状态信息同时并行地制作复数个候选多变量判别式组，其中，所述前列腺疾病状态信息是由通过分析从许多的健康人和前列腺疾病患者获取的血液而得到的氨基酸浓度数据和前列腺疾病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，变换前列腺疾病状态信息，对变换的前列腺疾病状态信息进行判别分析，从而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由使全部的氨基酸浓度数据的离散为最大的各氨基酸变数构成的一次式。使用判别分析制作的候选多变量判别式是由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值为最小的各氨基酸变数构成的高次式(包括指数和对数)。另外，使用支持向量机制作的候选多变量判别式是由使组间的分界为最大的各氨基酸变数构成的高次式(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由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构成的高次式。使用逻辑回归分析制作的候选多变量判别式是由使似然率为最大的各氨基酸变数构成的、项中具有以一次式作为指数的自然对数的分数式。k-means法是探索各氨基酸浓度数据的k个附近(近傍)，将邻近点(近傍点)在所属的组中最多的组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。聚类分析是对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)工序1中制作的候选多变量判别式(工序2)。候选多变量判别式的验证是对工序1中制作的各候选多变量判别式进行。
工序2中，可以基于自举(bootstrap)法、坚持(holdout)法、留一(leave-one-out)法等中的至少一种方法，验证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。由此，可以制作考虑了前列腺疾病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，判别率是在全部输入数据中，本发明所评价的前列腺疾病的状态正确的比例。灵敏度是在输入数据所记载的前列腺疾病的状态为患病的数据中，本发明所评价的前列腺疾病的状态正确的比例。特异性是在输入数据所记载的前列腺疾病的状态为正常的数据中，本发明所评价的前列腺疾病的状态正确的比例。信息量基准是将工序1中制作的候选多变量判别式的氨基酸变数的数目、和本发明所评价的前列腺疾病的状态以及输入数据所记载的前列腺疾病的状态的差异数加在一起所得到的。预测性是将反复进行候选多变量判别式的验证而得到的判别率或灵敏度、特异性的平均。可靠性是反复进行候选多变量判别式的验证而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，从工序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前列腺疾病状态信息中所含的氨基酸浓度数据的组合(工序3)。氨基酸变数的选择是对工序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。使用包含工序3中选择的氨基酸浓度数据的前列腺疾病状态信息，再次实行工序1。
工序3中，可以根据逐步法、最优路径法(best path method)、局部探索法(localsearch method)、遗传算法中的至少一种，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，基于反复实行上述的工序1、工序2和工序3而累积的验证结果，从复数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(工序4)。候选多变量判别式的选出中，例如有从用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多变量判别式的情况，也有从所有的候选多变量判别式中选出最佳的多变量判别式的情况。
如上述说明，在多变量判别式制作处理中，基于前列腺疾病状态信息，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)并实行，由此可以制作最适合评价各前列腺疾病的状态的多变量判别式。
[2-2.系统构成]
这里，参照图4至图20，对第二实施方式涉及的前列腺疾病评价系统(下面有时记为本系统。)的构成进行说明。此外，本系统只是一个例子，本发明不受其限制。
首先，参照图4和图5，对本系统的整体构成进行说明。图4是表示本系统的整体构成的一例的图。此外，图5是表示本系统的整体构成的另一例的图。本系统如下构成：如图4所示，经由网络300以可通信的方式将对评价对象评价前列腺疾病的状态的前列腺疾病评价装置100和提供与氨基酸的浓度值有关的评价对象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。
此外，本系统还可以如下构成：如图5所示，除了前列腺疾病评价装置100和客户端装置200之外，还将保存了在前列腺疾病评价装置100中制作多变量判别式时使用的前列腺疾病状态信息和用于评价前列腺疾病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。由此，经由网络300，可以从前列腺疾病评价装置100至客户端装置200和数据库装置400、或者从客户端装置200和数据库装置400至前列腺疾病评价装置100提供与前列腺疾病的状态有关的信息等。这里，与前列腺疾病的状态有关的信息是对于与人的前列腺疾病的状态有关的特定项目进行测定所得的值的相关信息。此外，与前列腺疾病的状态有关的信息，在前列腺疾病评价装置100、客户端装置200或其他装置(例如各种测量装置等)中生成，主要积累在数据库装置400中。
接着，参照图6至图18对本系统的前列腺疾病评价装置100的构成进行说明。图6是表示本系统的前列腺疾病评价装置100的构成的一例的框图，仅概念性地表示了该构成中与本发明有关的部分。
前列腺疾病评价装置100由如下部分构成：综合地控制该前列腺疾病评价装置的CPU(中央处理装置，Central Processing Unit)等的控制部102；经由路由器等的通信装置和专用线等的有线或无线的通信线路，将该前列腺疾病评价装置与网络300以可通信的方式连接的通信接口部104；保存各种的数据库、表格、文件等的存储部106；与输入装置112和输出装置114连接的输入输出接口部108，这些各部分可以经由任意的通信线路以可通信的方式连接。这里，前列腺疾病评价装置100可以与各种的分析装置(例如氨基酸分析仪等)在同一外壳(housing)中构成。前列腺疾病评价装置100的分散、综合的具体形态并不限于图示的形态，可以将其全部或部分以对应各种负荷等的任意单元进行功能性或物理性地分散、综合来构成。例如，可以使用CGI(公共网关接口，Common Gateway Interface)来实现处理的一部分。
存储部106是存储装置，可以使用例如RAM、ROM等的存储装置、硬盘之类的固定盘装置、软盘、光盘等。存储部106中记录计算机程序，该计算机程序与OS(操作系统，Operating System)协作，对CPU发出指令，进行各种处理。存储部106如图所示，保存利用者信息文件106a、氨基酸浓度数据文件106b、前列腺疾病状态信息文件106c、指定前列腺疾病状态信息文件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。保存在利用者信息文件106a中的信息如图7所示，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、部门名称以及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中保存关于氨基酸浓度值的氨基酸浓度数据。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。保存在氨基酸浓度数据文件106b中的信息如图8所示，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来进行分析。氨基酸浓度数据中还可以组合其它的生物体信息(氨基酸以外的其它代谢物的浓度或基因表达量、蛋白质表达量、被验者的年龄和性别、有无吸烟、心电图的波形数值化所得的结果等)。
返回图6，前列腺疾病状态信息文件106c中保存制作多变量判别式时使用的前列腺疾病状态信息。图9是表示保存在前列腺疾病状态信息文件106c中的信息的一个例子的图。保存在前列腺疾病状态信息文件106c中的信息如图9所示，由个体编号、与表示前列腺疾病状态的指标(指标T1、指标T2、指标T3......)相关的前列腺疾病状态指标数据(T)和氨基酸浓度数据相互关联地构成。这里，图9中，前列腺疾病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，但前列腺疾病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来进行分析。前列腺疾病状态指标数据是成为前列腺疾病的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，指定前列腺疾病状态信息文件106d中保存在后述的前列腺疾病状态信息指定部102g中指定的前列腺疾病状态信息。图10是表示保存在指定前列腺疾病状态信息文件106d中的信息的一个例子。保存在指定前列腺疾病状态信息文件106d中的信息如图10所示，由个体编号、指定的前列腺疾病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；选择前列腺疾病状态信息文件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前列腺疾病状态信息；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106el中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。保存在候选多变量判别式文件106e1中的信息如图11所示，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中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。保存在验证结果文件106e2中的信息如图12所示，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，选择前列腺疾病状态信息文件106e3中保存前列腺疾病状态信息，该前列腺疾病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是表示保存在选择前列腺疾病状态信息文件106e3中的信息的一个例子的图。保存在选择前列腺疾病状态信息文件106e3中的信息如图13所示，由个体编号、在后述的前列腺疾病状态信息指定部102g中指定的前列腺疾病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中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。保存在多变量判别式文件106e4中的信息如图14所示，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中保存在后述的判别值算出部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。保存在判别值文件106f中的信息如图15所示，是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中保存在后述的判别值基准评价部102j中的评价结果(具体的是，在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、由各多变量判别式算出的判别值和与前列腺疾病状态有关的评价结果相互关联地构成。
返回图6，在存储部106中，除上述信息之外，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、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、操作用的文件及其它临时性的文件等也存储于存储部106中。在存储部106中，根据需要可以将用于发送给客户端装置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形式的图像文件保存。
通信接口部104连通前列腺疾病评价装置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和输出装置114连接。这里，输出装置114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记为监视器114)。输入装置112除了使用键盘或鼠标或麦克风之外，还可以使用与鼠标协作以实现指点器(pointing device)功能的监视器。
控制部102具有用于保存OS(操作系统)等控制程序、规定各种处理顺序等的程序和所需数据等的内存，基于这些程序实行各种信息处理。控制部102如图所示，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、前列腺疾病状态信息指定部102g、多变量判别式制作部102h、判别值算出部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对于从数据库装置400发送的前列腺疾病状态信息或从客户端装置200发送的氨基酸浓度数据进行以下数据处理：除去有缺失值的数据、除去偏离值多的数据、除去有缺失值的数据多的变数等。
要求解释部102a是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，将处理交付给控制部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，并进行这些画面的网站数据的生成和发送。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，并进行认证判断。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生成利用者在客户端装置200阅览的网页。
接收部102f经由网络300，接收从客户端装置200和数据库装置400发送的信息(具体的是氨基酸浓度数据、前列腺疾病状态信息、多变量判别式等)。前列腺疾病状态信息指定部102g在制作多变量判别式时，指定作为对象的前列腺疾病状态指标数据和氨基酸浓度数据。
多变量判别式制作部102h基于在接收部102f中接收的前列腺疾病状态信息和在前列腺疾病状态信息指定部102g中指定的前列腺疾病状态信息来制作多变量判别式。具体来说，多变量判别式制作部102h是基于从前列腺疾病状态信息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，从复数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的计算机装置(例如数据库装置400)中选择所需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是基于规定的公式制作方法，从前列腺疾病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可以并用复数种不同的公式制作方法，从前列腺疾病状态信息制作复数个候选多变量判别式。候选多变量判别式验证部102h2基于规定的验证方法，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还可以基于自举法、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基于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前列腺疾病状态信息中所含的氨基酸浓度数据的组合。变数选择部102h3还可基于逐步法、最优路径法、局部探索法、遗传算法中的至少一种，从验证结果中选择候选多变量判别式的变数。
返回图6，判别值算出部102i，基于在接收部102f接收的评价对象的氨基酸浓度数据中所含的Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2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制作的多变量判别式即包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出该多变量判别式的值即判别值。
这里，多变量判别式可以是一个分数式或复数个分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种。
此外，当在判别值基准判别部102j1判别是否是前列腺疾病或非前列腺疾病时，判别值算出部102i，可基于在接收部102f接收的评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2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制作的包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值。这时使用的多变量判别式，可以是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，当在判别值基准判别部102j1判别是否是前列腺癌或非前列腺癌时，判别值算出部102i，可基于在接收部102f接收的评价对象的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2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制作的包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值。这时使用的多变量判别式可以是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，当在判别值基准判别部102j1判别是否是前列腺癌或前列腺肥大时，判别值算出部102i，可基于在接收部102f接收的评价对象的氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及在多变量判别式制作部102h制作的包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值。这时使用的多变量判别式，可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
判别值基准评价部102j，基于在判别值算出部102i算出的判别值，对于评价对象，评价前列腺疾病的状态。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，仅概念性地表示该构成中与本发明有关的部分。判别值基准判别部102j1，基于在判别值算出部102i算出的判别值，对于评价对象，进行“是否是前列腺疾病或非前列腺疾病的判别”、“是否是前列腺癌或非前列腺癌的判别”、“是否是前列腺癌或前列腺肥大的判别”。
返回图6，结果输出部102k将在控制部102的各处理部的处理结果(包括在判别值基准评价部102j的评价结果(具体的是在判别值基准判别部102j1的判别结果))等输出至输出装置114。
发送部102m对评价对象的氨基酸浓度数据的发送源的客户端装置200发送评价结果、对数据库装置400发送在前列腺疾病评价装置100制作的多变量判别式和评价结果。
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，这些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，Simple MailTransfer Protocol)或POP3(邮局协议的第3个版本，Post Office Proteocol version 3)等)进行电子邮件的发送接收。接收部213经由通信IF280，接收从前列腺疾病评价装置100发送的评价结果等的各种信息。发送部214经由通信IF280，将评价对象的氨基酸浓度数据等的各种信息发送至前列腺疾病评价装置100。
输入装置250是键盘、鼠标或麦克风等。后述的监视器261也与鼠标协作，实现指点器功能。输出装置260是将经由通信IF280接收的信息输出的输出装置，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和输出装置260连接。
通信IF280将客户端装置200与网络300(或路由器等的通信装置)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或路由器等的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前列腺疾病评价装置100连通(access)。
这里，通过在根据需要连接了打印机、监视器、图像扫描仪等的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等的信息处理终端等)上安装可实现网站数据的浏览功能和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)协作而对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协作而构成控制部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前列腺疾病评价装置100和客户端装置200和数据库装置400相互连接的功能，例如互联网、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具有保存以下内容的功能：在前列腺疾病评价装置100或该数据库装置400中制作多变量判别式时使用的前列腺疾病状态信息、在前列腺疾病评价装置100中制作的多变量判别式、在前列腺疾病评价装置100中的评价结果等。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、经由路由器等的通信装置以及专用线等的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、保存各种的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和输出装置414连接的输入输出接口部408构成，这些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等的存储装置、硬盘等的固定盘装置、软盘、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(或路由器等的通信装置)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和输出装置414连接。这里，输出装置414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记为监视器414)。输入装置412除键盘、鼠标或麦克风之外，还可以使用与鼠标协作而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、规定了各种处理顺序等的程序、所需数据等的内存，基于这些程序运行各种信息处理。控制部402如图所示，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解释来自前列腺疾病评价装置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接受来自前列腺疾病评价装置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和发送。认证处理部402c接受来自前列腺疾病评价装置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生成利用者用客户端装置200阅览的网页。发送部402f将前列腺疾病状态信息和多变量判别式等的各种信息发送给前列腺疾病评价装置100。
[2-3.本系统的处理]
这里，参照图21对用如上构成的本系统进行的前列腺疾病评价服务处理的一个例子进行说明。图21是表示前列腺疾病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与针对从个体预先采集到的血液进行分析而得到的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，将采集的血样取至经肝素处理的管中，然后对该管进行离心分离以分离血浆。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而指定前列腺疾病评价装置100所提供的网站的地址(URL等)时，客户端装置200与前列腺疾病评价装置100连通。具体来说，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通过规定的通信协议，将前列腺疾病评价装置100所提供的网站的地址发送给前列腺疾病评价装置100，由此用基于该地址的路由，向前列腺疾病评价装置100发送与氨基酸浓度数据发送画面对应的网页的发送要求。
接着，前列腺疾病评价装置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。具体来说，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，前列腺疾病评价装置100主要是在阅览处理部102b取得保存在存储部106的规定的存储区域的、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。更具体地说，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，前列腺疾病评价装置100首先在控制部102要求利用者输入利用者ID和利用者密码。输入利用者ID和密码后，前列腺疾病评价装置100在认证处理部102c对输入的利用者ID和密码、与保存在利用者信息文件106a中的利用者ID和利用者密码进行认证判断。只在可以认证情况下，前列腺疾病评价装置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的特定是通过从客户端装置200与发送要求同时发送的IP地址进行。
接着，客户端装置200在接收部213接收从前列腺疾病评价装置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和选择事项的标识符发送至前列腺疾病评价装置100，由此将评价对象个体的氨基酸浓度数据发送至前列腺疾病评价装置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等现有的文件传输技术等来实现。
接着，前列腺疾病评价装置100在要求解释部102a解释从客户端装置200发送的标识符，由此解释客户端装置200的要求内容，将前列腺疾病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解析来自前列腺疾病评价装置100的发送要求，将存储在存储部406的规定的存储区域的、包含Tau、Thr、Ser、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Lys、Cys2中的至少一种氨基酸作为所述变数的多变量判别式(例如被更新为最新的判别式。该多变量判别式是一个分数式或复数个分数式之和、或逻辑回归式、线性判别式、多重回归式、用支持向量机制作的公式、用马氏距离法制作的公式、用典型判别分析制作的公式、用决策树制作的公式中的任意一种。)发送至前列腺疾病评价装置100(步骤SA-22)。
这里，步骤SA-22中发送至前列腺疾病评价装置100的多变量判别式，当在后述的步骤SA-26中判别是否是前列腺疾病或非前列腺疾病时，可以是包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2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数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，步骤SA-22中发送至前列腺疾病评价装置100的多变量判别式，当在后述的步骤SA-26中判别是否是前列腺癌或非前列腺癌时，可以是包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2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数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，步骤SA-22中发送至前列腺疾病评价装置100的多变量判别式，当在后述的步骤SA-26中判别是否是前列腺癌或前列腺肥大时，可以是包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式。具体而言，多变量判别式可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
返回图21的说明，前列腺疾病评价装置100在接收部102f接收从客户端装置200发送的个体的氨基酸浓度数据和从数据库装置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，前列腺疾病评价装置100在控制部102从在步骤SA-23接收的个体的氨基酸浓度数据中除去缺失值和异常值等数据(步骤SA-24)。
接着，前列腺疾病评价装置100在判别值算出部102i，基于在步骤SA-24除去了缺失值和异常值等数据的个体氨基酸浓度数据以及在步骤SA-23接收的多变量判别式，算出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通过比较在步骤SA-25算出的判别值和预先设定的阈值(截断值)，由此对于个体进行下述21.～23.表示的判别的任意一种，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.是否是前列腺疾病或非前列腺疾病的判别
在步骤SA-25中，基于个体的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Gly、Ala、Cit、ABA、Val、Met、Ile、Leu、His、Trp、Lys、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，在步骤SA-26中，通过比较算出的判别值和预先设定的阈值(截断值)而对于个体判别是否是前列腺疾病或非前列腺疾病。
22.是否是前列腺癌或非前列腺癌的判别
在步骤SA-25中，基于个体的氨基酸浓度数据中所含的Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸的浓度值以及包含Tau、Thr、Asn、Glu、Pro、Ala、Cit、ABA、Val、Met、Ile、Leu、Phe、His、Trp、Orn、Cys2中的至少一种氨基酸作为变数的多变量判别式，算出判别值，在步骤SA-26中，通过比较算出的判别值和预先设定的阈值(截断值)而对于个体判别是否是前列腺癌或非前列腺癌。
23.是否是前列腺癌或前列腺肥大的判别
在步骤SA-25中，基于个体的氨基酸浓度数据中所含的Thr、Ser、Gly、Cit、Val、His、Trp、Lys的浓度值以及包含Thr、Ser、Gly、Cit、Val、His、Trp、Lys作为变数的多变量判别式，算出判别值，在步骤SA-26中，通过比较算出的判别值和预先设定的阈值(截断值)而对于个体判别是否是前列腺癌或前列腺肥大。
返回图21的说明，前列腺疾病评价装置100在发送部102m将在步骤SA-26得到的判别结果发送至氨基酸浓度数据的发送源的客户端装置200和数据库装置400(步骤SA-27)。具体而言，首先，前列腺疾病评价装置100在网页生成部102e制作用于显示判别结果的网页，将与制作的网页对应的网络数据保存在存储部106的规定的存储区域。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，经过了上述认证后，客户端装置200将该网页的阅览要求发送给前列腺疾病评价装置100。接着，前列腺疾病评价装置100在阅览处理部102b解释从客户端装置200发送的阅览要求，从存储部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。前列腺疾病评价装置100在发送部102m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，前列腺疾病评价装置100可以在控制部102用电子邮件将判别结果通知利用者的客户端装置200。具体来说，首先，前列腺疾病评价装置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，前列腺疾病评价装置100在电子邮件生成部102d，以获得的电子邮件地址为发送地址，生成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，前列腺疾病评价装置100在发送部102m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，前列腺疾病评价装置100可通过FTP等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接收从前列腺疾病评价装置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接收从前列腺疾病评价装置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)。判别结果用电子邮件从前列腺疾病评价装置100发送时，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从前列腺疾病评价装置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，可以确认关于前列腺疾病的个体的判别结果。利用者可以用打印机262打印显示在监视器261上的网页的显示内容。
判别结果用电子邮件从前列腺疾病评价装置100发送时，利用者通过阅览在监视器261上显示的电子邮件，可以确认关于前列腺疾病的个体的判别结果。利用者可以用打印机262打印显示在监视器261上的电子邮件的显示内容。
至此，前列腺疾病服务处理的说明结束。
[2-4.第二实施方式的总结以及其他实施方式]
如上所述详细说明，根据前列腺疾病评价系统，客户端装置200将个体的氨基酸浓度数据发送至前列腺疾病评价装置100，数据库装置400接收来自前列腺疾病评价装置100的要求并将前列腺疾病的判别用的多变量判别式发送至前列腺疾病评价装置100。前列腺疾病评价装置100，(1)从客户端装置200接收氨基酸浓度数据，同时从数据库装置400接收多变量判别式，(2)基于接收的氨基酸浓度数据和多变量判别式算出判别值，(3)通过比较算出的判别值和预先设定的阈值，对于个体进行上述21.～23.表示的判别中的任意一种，(4)将该判别结果发送至客户端装置200和数据库装置400。客户端装置200接收并显示从前列腺疾病评价装置100发送的判别结果，数据库装置400接收并保存从前列腺疾病评价装置100发送的判别结果。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。此外，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
此外，在步骤SA-26中进行上述21.表示的判别时，多变量判别式可以是数学式1的分数式、以Tau、Glu、Pro、Ala、Cit、ABA作为变数的逻辑回归式或以Asn、Glu、Ala、Val、Met、Trp作为变数的逻辑回归式、或者以Tau、Glu、Gly、Cit、ABA、Val作为变数的线性判别式或以Asn、Glu、Ala、Val、Met、Trp作为变数的线性判别式。由此，利用由对前列腺疾病和非前列腺疾病的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a1(Tau/ABA)+b1(Thr/Cit)+c1(Glu/Ser)+d1(Pro/Asn)+e1
……(数学式1)
(数学式1中，a1、b1、c1、d1、e1是任意实数。)
此外，在步骤SA-26中进行上述22.表示的判别时，多变量判别式可以是数学式2的分数式、数学式3的分数式或数学式4的分数式、以Tau、Ala、ABA、Trp、Orn、Arg作为变数的逻辑回归式、以Tau、Glu、Cit、ABA、Val、Orn作为变数的逻辑回归式、以Tau、Thr、Ala、Trp、Orn、Arg作为变数的逻辑回归式或以Asn、Ala、Val、Met、Trp、Arg作为变数的逻辑回归式、或者以Tau、Ala、ABA、Trp、Orn、Arg作为变数的线性判别式、以Tau、Glu、Ala、Cit、Met、Orn作为变数的线性判别式、以Tau、Thr、Ser、Ala、Orn、Arg作为变数的线性判别式或以Asn、Ala、Val、Met、Tyr、Trp作为变数的线性判别式。由此，利用由对前列腺癌和非前列腺癌的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a2(Tau/Trp)+b2(Thr/Ser)+c2(Glu/Asn)+d2(Orn/Gln)+e2
……(数学式2)
a3(Tau/Met)+b3(Ser/Cit)+c3(Asn/Thr)+d3(Glu/Pro)+e3
……(数学式3)
a4(Thr/Orn)+b4(Ser/Ile)+c4(Asn/Glu)+d4(Gln/Tau)+e4
……(数学式4)
(数学式2中，a2、b2、c2、d2、e2是任意实数，数学式3中，a3、b3、c3、d3、e3是任意实数，数学式4中，a4、b4、c4、d4、e4是任意实数。)
此外，在步骤SA-26中进行上述23.表示的判别时，多变量判别式可以是数学式5的分数式、以Thr、Ala、Val、Tyr、Trp、Lys作为变数的逻辑回归式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的逻辑回归式、或者以Thr、Ala、Val、Tyr、Trp、Lys作为变数的线性判别式或以Ser、Gln、Gly、Cit、Val、Trp作为变数的线性判别式。由此，利用由对前列腺癌和前列腺肥大的两组判别特别有用的多变量判别式得到的判别值，可以更高精度地进行该两组判别。
a5(Ser/Gln)+b5(Glu/Tau)+c5(Ala/Asn)+d5(Val/Thr)+e5
……(数学式5)
(数学式5中，a5、b5、c5、d5、e5是任意实数。)
此外，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号中记载的方法、或本申请人的国际申请即国际公开第2006/098192号中记载的方法(后述的多变量判别式制作处理)制作。只要是由这些方法得到的多变量判别式，不论作为输入数据的氨基酸浓度数据中的氨基酸浓度单位，都可以合适地将该多变量判别式用于前列腺疾病状态的评价。
此外，本发明除了可以实施上述的第二实施方式之外，还可以在权利要求书记载的技术思想范围内使用多种不同的实施方式来实施。在上述的第二实施方式中说明的各处理中，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用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。例如关于前列腺疾病评价装置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，关于前列腺疾病评价装置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的形式。“程序”并不限于单一构成，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作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前列腺疾病评价装置100中。关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工序或读取后的安装工序等，可以采用周知的构成或工序。
“记录介质”包含任意的“可移动的物理介质”、任意的“固定用的物理介质”和“通信介质”。“可移动的物理介质”是软盘、光磁盘、ROM、EPROM、EEPROM、CD-ROM、MO或DVD等。“固定的物理介质”是内置于各种计算机系统的ROM、RAM或HD等。“通信介质”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，是短期保持程序的介质。
最后，参照图22对于在前列腺疾病评价装置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前列腺疾病状态信息的数据库装置400中进行。
本说明中，前列腺疾病评价装置100是将事先从数据库装置400取得的前列腺疾病状态信息保存在前列腺疾病状态信息文件106c的规定的存储区域。前列腺疾病评价装置100是将事先在前列腺疾病状态信息指定部102g中指定的包含前列腺疾病状态指标数据和氨基酸浓度数据的前列腺疾病状态信息保存在指定前列腺疾病状态信息文件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，从保存在指定前列腺疾病状态信息文件106d的规定的存储区域的前列腺疾病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)。具体来说，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，基于前列腺疾病状态信息，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，基于所选择的公式制作方法来制作候选多变量判别式。并用多种不同的公式制作方法并同时并行(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，并用多种不同的公式制作方法并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而制作的候选多变量判别式，变换前列腺疾病状态信息，对变换的前列腺疾病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)。具体来说，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，基于保存在指定前列腺疾病状态信息文件106d的规定的存储区域的前列腺疾病状态信息，制作验证候选多变量判别式时使用的验证用数据，基于制作的验证用数据来验证候选多变量判别式。在步骤SB-21中并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，基于规定的验证方法进行验证。这里，在步骤SB-22中，可以基于自举法或保持法、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，可以选择考虑了前列腺疾病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，基于规定的变数选择方法，从在步骤SB-22中的验证结果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前列腺疾病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前列腺疾病状态信息保存在选择前列腺疾病状态信息文件106e3的规定的存储区域(步骤SB-23)。在步骤SB-21中，并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，基于规定的验证方法，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，基于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，可以基于逐步法、最优路径法、局部探索法、遗传算法中的至少一种方法，从验证结果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，基于保存在指定前列腺疾病状态信息文件106d的规定的存储区域的前列腺疾病状态信息，选择氨基酸浓度数据的组合。
接着，多变量判别式制作部102h判定保存在指定前列腺疾病状态信息文件106d的规定的存储区域的前列腺疾病状态信息中所含的氨基酸浓度数据的全部的组合是否结束，判定结果是“结束”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果不是“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，判定结果是“结束”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果不是“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前列腺疾病状态信息文件106d的规定的存储区域的前列腺疾病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，判定结果是“相同”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果不是“相同”时(步骤SB-24：否)，可以返回步骤SB-21。验证结果具体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可基于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基于验证结果，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，例如有从用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多变量判别式的情况，也有从全部的候选多变量判别式中选出最佳的多变量判别式的情况。
至此，对多变量判别式制作处理的说明结束。
实施例1
利用上述氨基酸分析法，从通过前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及非前列腺癌组的血液样品，测定血中氨基酸浓度。与前列腺癌组和非前列腺癌组的氨基酸变数分布有关的箱线图如图23(横轴为非前列腺癌组：1，前列腺癌组：2)所示。以前列腺癌组和非前列腺癌组的判别为目的，实施两组间的t检验。
与非前列腺癌组相比，前列腺癌组中，Ala、Tau、Cys2、Orn显著增加，Leu、Trp、Val、Ile显著减少。由该结果判明，氨基酸变数Ala、Tau、Cys2、Orn、Leu、Trp、Val、Ile具有前列腺癌组和非前列腺癌组的两组间的判别能力。
实施例2
使用实施例1中所用的样品数据。使用本申请人的国际申请即国际公开第2004/052191号中记载的方法，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行深入探索。其结果，在具有同等性能的复数个指标式中得到指标式1。此外，得到复数个与指标式1具有同等判别性能的多变量判别式。将它们在图24、图25中表示。此外，图24、图25中表示的公式中的各系数的值，可以是其实数倍的值、或附加了任意的常数项的值。
指标式1：
0.24(Tau)/(Trp)-0.03(Thr)/(Ser)-0.002(Glu)/(Asn)+2.13(Orn)/(Gln)+0.72
为了验证利用指标式1的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图26)。其结果，得到0.941±0.012(95％置信区间为0.917～0.966)。此外，对于利用指标式1的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率(symptom prevalence)为5％的最合适的截断值。其结果截断值为1.086，而且得到灵敏度96.67％，特异性80.25％、阳性预中率20.48％、阴性预中率99.78％、正确诊断率81.07％。从这些结果判明指标式1是诊断性能高的有用的指标式。
实施例3
使用实施例1中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法(変数網羅法))，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式2，得到由Tau、Ala、ABA、Trp、Orn、Arg构成的逻辑回归式(氨基酸变数Tau、Ala、ABA、Trp、Orn、Arg的数字系数(numeral coefficient)和常数项依次为0.0519、0.0137、0.0792、-0.1079、0.0795、-0.0201、-8.5123)。此外，得到复数个与指标式2具有同等判别性能的逻辑回归式。将它们表示在图27、图28中。此外，图27、图28所示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式2的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图29)。其结果得到0.950±0.011(95％置信区间为0.929～0.971)。此外，对于利用指标式2的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为5％的最合适的截断值。其结果截断值为0.060，而且得到灵敏度90.00％，特异性89.24％、阳性预中率30.57％、阴性预中率99.41％、正确诊断率89.28％。从这些结果判明，指标式2是诊断性能高的有用的指标式。
实施例4
使用实施例1中所用的样品数据。利用线性判别分析(变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式3，得到由Tau、Ala、ABA、Trp、Orn、Arg构成的线性判别函数(氨基酸变数Tau、Ala、ABA、Trp、Orn、Arg的数字系数依次为5.713e-01、6.033e-02、2.377e-01、-5.546e-01、5.431e-01、-1.042e-01、-3.573e+01)。此外，得到复数个与指标式3具有同等判别性能的线性判别函数。将它们表示在图30、图31中。此外，图30、图31中表示的公式中的各系数的值，可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式3的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图32)。其结果得到0.954±0.010(95％置信区间为0.934～0.974)。此外，对于利用指标式3的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为5％的最适的截断值。其结果截断值为11.15，而且得到灵敏度93.33％，特异性90.12％、阳性预中率33.22％、阴性预中率99.61％、正确诊断率90.28％。从这些结果判明，指标式3是诊断性能高的有用的指标式。
实施例5
利用上述氨基酸分析法，从通过前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及非前列腺癌组的血液样品，测定血中氨基酸浓度。与前列腺癌组和非前列腺癌组的氨基酸变数分布有关的箱线图如图33(横轴为非前列腺癌组：1，前列腺癌组：2)所示。以前列腺癌组和非前列腺癌组的判别为目的，实施两组间的t检验。
与非前列腺癌组相比，前列腺癌组中，Tau显著增加，Glu、Cit、ABA、Cys2、Met、Ile、Trp显著减少。由该结果判明，氨基酸变数Tau、Glu、Cit、ABA、Cys2、Met、Ile、Trp具有前列腺癌组和非前列腺癌组的两组间的判别能力。
实施例6
使用实施例5中所用的样品数据。使用本申请人的国际申请即国际公开第2004/052191号中记载的方法，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行深入探索。其结果，在具有同等性能的复数个指标中得到指标式4。此外，得到复数个与指标式4具有同等判别性能的多变量判别式。将它们表示在图34、图35中。此外，图34、图35中表示的公式中的各系数的值，可以是其实数倍的值、或是附加了任意的常数项的值。
指标式4：
0.19(Tau)/(Met)+0.13(Ser)/(Cit)+0.25(Asn)/(Thr)-0.75(Glu)/(Pro)+0.50
为了验证利用指标式4的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图36)。其结果得到0.969±0.013(95％置信区间为0.943～0.995)。此外，对于利用指标式1的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为22％的最适的截断值。其结果截断值为1.264，而且得到灵敏度96.67％，特异性88.68％、阳性预中率70.66％、阴性预中率98.95％、正确诊断率90.44％。从这些结果判明，指标式4是诊断性能高的有用的指标式。
实施例7
使用实施例5中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式5，得到由Tau、Glu、Cit、ABA、Val、Orn构成的逻辑回归式(氨基酸变数Tau、Glu、Cit、ABA、Val、Orn的数字系数和常数项依次为0.0760、-0.1100、-0.4990、-0.3076、0.0418、0.0992、0.8657)。此外，得到复数个与指标式5具有同等判别性能的逻辑回归式。将它们表示在图37、图38中。此外，图37、图38表示的公式中的各系数的值可以是其实数倍的值。
为了验证利用指标式5的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图39)。其结果得到0.988±0.008(95％置信区间为0.972～1)。此外，对于利用指标式5的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为22％的最适的截断值。其结果截断值为0.269，而且得到灵敏度93.33％，特异性92.93％、阳性预中率78.83％、阴性预中率98.02％、正确诊断率93.02％。从这些结果判明，指标式5是诊断性能高的有用的指标式。
实施例8
使用实施例5中所用的样品数据。利用线性判别分析(变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式6，得到由Tau、Glu、Ala、Cit、Met、Orn构成的线性判别函数(氨基酸变数Tau、Glu、Ala、Cit、Met、Orn的数字系数依次为-3.776e-01、2.843e-01、-2.857e-02、5.645e-01、6.426e-01、-2.102e-01、-5.599e+00)。此外，得到复数个与指标式6具有同等判别性能的线性判别函数。将它们表示在图40、图41中。此外，图40、图41中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式6的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图42)。其结果得到0.978±0.011(95％置信区间为0.957～1)。此外，对于利用指标式6的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为22％的最适的截断值。其结果截断值为-4.27，而且得到灵敏度93.33％，特异性84.22％、阳性预中率69.93％、阴性预中率97.92％、正确诊断率89.70％。从这些结果判明，指标式6是诊断性能高的有用的指标式。
实施例9
利用上述氨基酸分析法，从通过前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及非前列腺癌组的血液样品，测定血中氨基酸浓度。与前列腺癌组和非前列腺癌组的氨基酸变数分布有关的箱线图如图43(横轴为非前列腺癌组：1，前列腺癌组：2)所示。以前列腺癌组和非前列腺癌组的判别为目的，实施两组间的t检验。
与非前列腺癌组相比，前列腺癌组中，Tau、Glu、Ala、Cys2、Orn显著增加，Met、Ile、Leu、Phe、Trp显著减少。由该结果判明，氨基酸变数Tau、Glu、Ala、Cys2、Orn、Met、Ile、Leu、Phe、Trp具有前列腺癌组和非前列腺癌组的两组间的判别能力。
实施例10
使用实施例9中所用的样品数据。使用本申请人的国际申请即国际公开第2004/052191号中记载的方法，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行深入探索。其结果，在具有同等性能的复数个指标中得到指标式7。此外，得到复数个与指标式7具有同等判别性能的多变量判别式。将它们表示在图44、图45中。此外，图44、图45中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
指标式7：
-0.34(Thr)/(Orn)+0.25(Ser)/(Ile)-0.03(Asn)/(Glu)-0.08(Gln)/(Tau)+2.62
为了验证利用指标式7的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图46)。其结果得到0.958±0.021(95％置信区间为0.916～0.999)。此外，对于利用指标式7的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为37％的最适的截断值。其结果截断值为1.426，而且得到灵敏度93.33％，特异性88.46％、阳性预中率82.61％、阴性预中率95.76％、正确诊断率90.26％。从这些结果判明，指标式7是诊断性能高的有用的指标式。
实施例11
使用实施例9中所的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式8，得到由Tau、Thr、Ala、Trp、Orn、Arg构成的逻辑回归式(氨基酸变数Tau、Thr、Ala、Trp、Orn、Arg的数字系数和常数项依次为0.3610、-0.1862、0.0604、-0.2344、0.4838、-0.1130、-25.0814)。此外，得到复数个与指标式8具有同等判别性能的逻辑回归式。将它们表示在图47、图48中。此外，图47、图48表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式8的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图49)。其结果得到0.985±0.014(95％置信区间为0.957～1)。此外，对于利用指标式8的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为37％的最适的截断值。其结果截断值为0.355，而且得到灵敏度96.67％，特异性90.24％、阳性预中率85.34％、阴性预中率97.88％、正确诊断率92.62％。从这些结果判明，指标式8是诊断性能高的有用的指标式。
实施例12
使用实施例9中所用的样品数据。利用线性判别分析(变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式9，得到由Tau、Thr、Ser、Ala、Orn、Arg构成的线性判别函数(氨基酸变数Tau、Thr、Ser、Ala、Orn、Arg的数字系数依次为-6.459e-01、1.829e-01、-1.391e-01、-7.718e-02、-6.794e-01、2.498e-01、7.303e+01)。此外，得到复数个与指标式9具有同等判别性能的线性判别函数。将它们表示在图50、图51中。此外，图50、图51中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式9的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图52)。其结果得到0.981±0.014(95％置信区间为0.954～1)。此外，对于利用指标式9的前列腺癌组和非前列腺癌组的两组判别的截断值，求出前列腺癌组的发病率为37％的最适的截断值。其结果截断值为2.32，而且得到灵敏度96.67％，特异性88.46％、阳性预中率83.12％、阴性预中率97.83％、正确诊断率91.50％。从这些结果判明，指标式9是诊断性能高的有用的指标式。
实施例13
利用上述氨基酸分析法，从通过前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及前列腺肥大患者组的血液样品，测定血中氨基酸浓度。与前列腺癌组和前列腺肥大组的氨基酸变数分布有关的箱线图如图53(横轴为前列腺肥大组：1，前列腺癌组：2)所示。以前列腺癌组和前列腺肥大组的判别为目的，实施两组间的t检验。
与前列腺肥大组相比，前列腺癌组中，Thr显著减少。由该结果判明，氨基酸变数Thr具有前列腺癌组和前列腺肥大组的两组间的判别能力。
实施例14
使用实施例13中所用的样品数据。使用本申请人的国际申请即国际公开第2004/052191号中记载的方法，对使前列腺癌组和前列腺肥大组的两组判别性能最大化的指标进行深入探索。其结果，在具有同等性能的复数个指标中得到指标式10。此外，得到复数个与指标式10具有同等判别性能的多变量判别式。将它们表示在图54、图55中。此外，图54、图55中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
指标式10：
3.77(Ser)/(Gln)-0.31(Glu)/(Tau)+0.07(Ala)/(Asn)+0.26(Val)/(Thr)-0.16
为了验证利用指标式10的前列腺癌的诊断性能，对于前列腺癌组和前列腺肥大组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图56)。其结果得到0.780±0.066(95％置信区间为0.650～0.910)。此外，对于利用指标式10的前列腺癌组和前列腺肥大组的两组判别的截断值，求出前列腺癌组的发病率为45％的最适的截断值。其结果截断值为1.587，而且得到灵敏度73.33％，特异性73.91％、阳性预中率69.70％、阴性预中率77.21％、正确诊断率73.65％。从这些结果判明，指标式10是诊断性能高的有用的指标式。
实施例15
使用实施例13中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和前列腺肥大组的两组判别性能最大化的指标进行探索。其结果，作为指标式11，得到由Thr、Ala、Val、Tyr、Trp、Lys构成的逻辑回归式(氨基酸变数Thr、Ala、Val、Tyr、Trp、Lys的数字系数和常数项依次为-0.0634、0.0101、0.0169、0.0569、-0.0934、-0.0224、5.3209)。此外，得到复数个与指标式11具有同等判别性能的逻辑回归式。将它们表示在图57、图58中。此外，图57、图58表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式11的前列腺癌的诊断性能，对于前列腺癌组和前列腺肥大组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图59)。其结果得到0.832±0.059(95％置信区间为0.716～0.948)。此外，对于利用指标式11的前列腺癌组和前列腺肥大组的两组判别的截断值，求出前列腺癌组的发病率为37％的最适的截断值。其结果截断值为0.552，而且得到灵敏度83.33％，特异性78.26％、阳性预中率75.82％、阴性预中率85.16％、正确诊断率80.54％。从这些结果判明，指标式11是诊断性能高的有用的指标式。
实施例16
使用实施例13中所用的样品数据。利用线性判别分析(变数覆盖法)，对使前列腺癌组和前列腺肥大组的两组判别性能最大化的指标进行探索。其结果，作为指标式12，得到由Thr、Ala、Val、Tyr、Trp、Lys构成的线性判别函数(氨基酸变数Tau、Thr、Ser、Ala、Orn、Arg的数字系数依次为-5.143e-01、8.710e-02、1.289e-01、4.425e-01、-6.921e-01、-1.912e-01、3.929e+01)。此外，得到复数个与指标式12具有同等判别性能的线性判别函数。将它们表示在图60、图61中。此外，图60、图61中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式12的前列腺癌的诊断性能，对于前列腺癌组和前列腺肥大组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图62)。其结果得到0.820±0.061(95％置信区间为0.700～0.940)。此外，对于利用指标式12的前列腺癌组和前列腺肥大组的两组判别的截断值，求出前列腺癌组的发病率为45％的最适的截断值。其结果截断值为-1.50，而且得到灵敏度83.33％，特异性73.91％、阳性预中率72.33％、阴性预中率84.42％、正确诊断率78.15％。从这些结果判明，指标式12是诊断性能高的有用的指标式。
实施例17
利用上述氨基酸分析法，从利用前列腺活检进行前列腺疾病的诊断的前列腺癌、前列腺肥大这样的前列腺疾病患者组的血液样品、以及非前列腺疾病组的血液样品，测定血中氨基酸浓度。与前列腺疾病组和非前列腺疾病组的氨基酸变数分布有关的箱线图如图63(横轴为非前列腺疾病组：1，前列腺疾病组：2)所示。以前列腺疾病组和非前列腺疾病组的判别为目的，实施两组间的t检验。
与非前列腺疾病组相比，前列腺疾病组中，Tau、Asn、Gly、Lys显著增加，Glu、Cit、ABA、Cys2、Met、Ile显著减少。由该结果判明，氨基酸变数Tau、Asn、Gly、Lys、Glu、Cit、ABA、Cys2、Met、Ile具有前列腺疾病组和非前列腺疾病组的两组间的判别能力。
实施例18
使用实施例17中所用的样品数据。使用本申请人的国际申请即国际公开第2004/052191号中记载的方法，对使前列腺疾病组和非前列腺疾病组的两组判别性能最大化的指标进行深入探索。其结果，在具有同等性能的复数个指标中得到指标式13。此外，得到复数个与指标式13具有同等判别性能的多变量判别式。将它们表示在图64、图65中。此外，图64、图65中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
指标式13：
0.12(Tau)/(ABA)+0.14(Thr)/(Cit)-0.38(Glu)/(Ser)+0.01(Pro)/(Asn)+0.50
为了验证利用指标式13的前列腺疾病的诊断性能，对于前列腺疾病组和非前列腺疾病组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图66)。其结果得到0.977±0.011(95％置信区间为0.955～0.998)。此外，对于利用指标式13的前列腺疾病组和非前列腺疾病组的两组判别的截断值，求出前列腺疾病组的发病率为33％的最适的截断值。其结果截断值为1.268，而且得到灵敏度96.23％，特异性80.19％、阳性预中率70.52％、阴性预中率97.73％、正确诊断率85.48％。从这些结果判明，指标式13是诊断性能高的有用的指标式。
实施例19
使用实施例17中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺疾病组和非前列腺疾病组的两组判别性能最大化的指标进行探索。其结果，作为指标式14，得到由Tau、Glu、Pro、Ala、Cit、ABA构成的逻辑回归式(氨基酸变数Tau、Glu、Pro、Ala、Cit、ABA的数字系数和常数项依次为0.0778、-0.0705、-0.0074、0.0209、-0.4891、-0.3098、9.2727)。此外，得到复数个与指标式14具有同等判别性能的逻辑回归式。将它们表示在图67、图68中。此外，图67、图68表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式14的前列腺疾病的诊断性能，对于前列腺疾病组和非前列腺疾病组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图69)。其结果得到0.982±0.009(95％置信区间为0.963～1.000)。此外，对于利用指标式14的前列腺疾病组和非前列腺疾病组的两组判别的截断值，求出前列腺疾病组的发病率为37％的最适的截断值。其结果截断值为0.450，而且得到灵敏度90.57％，特异性100.00％、阳性预中率100.00％、阴性预中率95.56％、正确诊断率96.89％。从这些结果判明，指标式14是诊断性能高的有用的指标式。
实施例20
使用实施例17中所用的样品数据。利用线性判别分析(变数覆盖法)，对使前列腺疾病组和非前列腺疾病组的两组判别性能最大化的指标进行探索。其结果，作为指标式15，得到由Tau、Glu、Gly、Cit、ABA、Val构成的线性判别函数(氨基酸变数Tau、Glu、Gly、Cit、ABA、Val的数字系数依次为-3.158e-01、1.439e-01、-5.537e-02、6.746e-01、6.473e-01、-4.858e-02、2.269e+00)。此外，得到复数个与指标式15具有同等判别性能的线性判别函数。将它们表示在图70、图71中。此外，图70、图71中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式15的前列腺疾病的诊断性能，对于前列腺疾病组和非前列腺疾病组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图72)。其结果得到0.850±0.032(95％置信区间为0.788～0.913)。此外，对于利用指标式15的前列腺疾病组和非前列腺疾病组的两组判别的截断值，求出前列腺疾病组的发病率为33％的最适的截断值。其结果截断值为-5.34，而且得到灵敏度80.00％，特异性80.62％、阳性预中率67.03％、阴性预中率89.11％、正确诊断率为80.41％。从这些结果判明，指标式15是诊断性能高的有用的指标式。
实施例21
使用实施例1、13、17中所用的样品数据。作为相对于上述实施例2、14、18的比较例，使用本申请人的国际申请即国际公开第2008/016111号中记载的指标式1、10、11、13，对前列腺癌组和健康组、前列腺肥大组和前列腺癌组、以及前列腺疾病组和健康组的两组判别性能进行验证。其结果，如图73所示，对于各两组判别，不管使用哪个公式，也得不到超过在上述实施例2、14、18中得到的ROC_AUC的ROC_AUC的值。由此，可确认关于这些判别本发明中的多变量判别式具有比本申请人的国际申请即国际公开第2008/016111号中记载的指标式组更高的判别性能。
实施例22
利用上述氨基酸分析法，从利用前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及非前列腺癌组的血液样品，测定血中氨基酸浓度。与前列腺癌组和非前列腺癌组的氨基酸变数分布有关的箱线图如图74(横轴为非前列腺癌组：1，前列腺癌组：2)所示。以前列腺癌组和非前列腺癌组的判别为目的，实施两组间的t检验。
与非前列腺癌组相比，前列腺癌组中，Thr、Asn、Ala、His显著增加，Val、Met、Leu、Trp显著减少(显著性差异概率p＜0.05)。由该结果判明，氨基酸变数Thr、Asn、Ala、His、Val、Met、Leu、Trp具有前列腺癌组和非前列腺癌组的两组间的判别能力。
实施例23
使用实施例22中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式16，得到由Asn、Ala、Val、Met、Trp、Arg构成的逻辑回归式(氨基酸变数Asn、Ala、Val、Met、Trp、Arg的数字系数和常数项依次为0.08585、0.01405、-0.01816、-0.11079、-0.08095、-0.02272、3.18118)。此外，得到复数个与指标式16具有同等判别性能的逻辑回归式。将它们表示在图75、图76、图77、图78中。此外，图75、图76、图77、图78表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式16的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图79)。其结果得到0.850±0.031(95％置信区间为0.789～0.911)。此外，对于利用指标式16的前列腺癌组和非前列腺癌组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为-0.1574，而且得到灵敏度82％，特异性76％。从这些结果判明，指标式16是诊断性能高的有用的指标式。
实施例24
使用实施例22中所用的样品数据。利用线性判别分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和非前列腺癌组的两组判别性能最大化的指标进行探索。其结果，作为指标式17，得到由Asn、Ala、Val、Met、Tyr、Trp构成的线性判别函数(氨基酸变数Asn、Ala、Val、Met、Tyr、Trp的数字系数依次为0.07557、0.01311、-0.01544、-0.16644、0.02693、-0.08447、2.48506)。此外，得到复数个与指标式17具有同等判别性能的线性判别函数。将它们表示在图80、图81、图82、图83中。此外，图80、图81、图82、图83中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式17的前列腺癌的诊断性能，对于前列腺癌组和非前列腺癌组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图84)。其结果得到0.852±0.028(95％置信区间为0.797～0.906)。此外，对于利用指标式17的前列腺癌组和非前列腺癌组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为-0.4851，而且得到灵敏度93％，特异性64％。从这些结果判明，指标式17是诊断性能高的有用的指标式。
实施例25
使用实施例22中所用的样品数据。利用变数覆盖法，将进行前列腺癌组和非前列腺癌组的两组判别的线性判别式全部提取出。此时，使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公式的ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的公式中，测定各氨基酸出现的频率，结果可确认，当将ROC曲线下面积0.7、0.75、0.8分别作为阈值时，Ala、Trp、Val、Met、Leu、Asn、His、Thr、Pro经常在被高频率提取的氨基酸的前十位以内，判明使用这些氨基酸作为变数的多变量判别式具有前列腺癌组和非前列腺癌组的两组间的判别能力(参照图85)。
实施例26
利用上述氨基酸分析法，从利用前列腺活检进行前列腺癌的诊断的前列腺癌患者组的血液样品以及前列腺肥大患者组的血液样品，测定血中氨基酸浓度。与前列腺癌组和前列腺肥大组的氨基酸变数分布有关的箱线图如图86(横轴为前列腺肥大组：1，前列腺癌组：2)所示。以前列腺癌组和前列腺肥大组的判别为目的，实施两组间的t检验。
与前列腺肥大组相比，前列腺癌组中，Gly、Trp、Lys显著减少(显著性差异概率p＜0.05)。由该结果判明，氨基酸变数Gly、Trp、Lys具有前列腺癌组和前列腺肥大组的两组间的判别能力。
实施例27
使用实施例26中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和前列腺肥大组的两组判别性能最大化的指标进行探索。其结果，作为指标式18，得到由Ser、Gln、Gly、Cit、Val、Trp构成的逻辑回归式(氨基酸变数Ser、Gln、Gly、Cit、Val、Trp的数字系数和常数项依次为0.05102、0.01259、-0.05243、0.05778、-0.02344、-0.05969、6.78981)。此外，得到复数个与指标式18具有同等判别性能的逻辑回归式。将它们表示在图87、图88、图89、图90中。此外，图87、图88、图89、图90表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式18的前列腺癌的诊断性能，对于前列腺癌组和前列腺肥大组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图91)。其结果得到0.848±0.041(95％置信区间为0.768～0.929)。此外，对于利用指标式18的前列腺癌组和前列腺肥大组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为0.3355，而且得到灵敏度71％，特异性85％。从这些结果判明，指标式18是诊断性能高的有用的指标式。
实施例28
使用实施例26中所用的样品数据。利用线性判别分析(根据ROC最大基准的变数覆盖法)，对使前列腺癌组和前列腺肥大组的两组判别性能最大化的指标进行探索。其结果，作为指标式19，得到由Ser、Gln、Gly、Cit、Val、Trp构成的线性判别函数(氨基酸变数Ser、Gln、Gly、Cit、Val、Trp的数字系数依次为0.03070、0.00620、-0.03718、0.05108、-0.01641、-0.03504、5.98134)。此外，得到复数个与指标式19具有同等判别性能的线性判别函数。将它们表示在图92、图93、图94、图95中。此外，图92、图93、图94、图95中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式19的前列腺癌的诊断性能，对于前列腺癌组和前列腺肥大组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图96)。其结果得到0.844±0.042(95％置信区间为0.762～0.926)。此外，对于利用指标式19的前列腺癌组和前列腺肥大组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为-0.1540，而且得到灵敏度73％，特异性82％。从这些结果判明，指标式19是诊断性能高的有用的指标式。
实施例29
使用实施例26中所用的样品数据。利用变数覆盖法，将进行前列腺癌组和前列腺肥大组的两组判别的线性判别式全部提取出。此时，使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公式的ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的公式中，测定各氨基酸出现频率，结果可确认，当分别将ROC曲线下面积0.7，0.75，0.8作为阈值时，Gly、Val、Ser、Trp、Cit、Lys、His经常在被高频率提取的氨基酸的前十位以内，判明使用这些氨基酸作为变数的多变量判别式具有前列腺癌组和前列腺肥大组的两组间的判别能力(参照图97)。
实施例30
利用上述氨基酸分析法，从利用前列腺活检进行前列腺疾病的诊断的前列腺癌、前列腺肥大这样的前列腺疾病患者组的血液样品、以及非前列腺疾病组的血液样品，测定血中氨基酸浓度。与前列腺疾病组和非前列腺疾病组的氨基酸变数分布有关的箱线图如图98(横轴为非前列腺疾病组：1，前列腺疾病组：2)所示。以前列腺疾病组和非前列腺疾病组的判别为目的，实施两组间的t检验。
与非前列腺疾病组相比，前列腺疾病组中，Thr、Asn、Glu、Pro、Ala、His显著增加，Cit、Val、Met、Leu、Trp显著减少。由该结果判明，氨基酸变数Thr、Asn、Glu、Pro、Ala、His、Cit、Val、Met、Leu、Trp具有前列腺疾病组和非前列腺疾病组的两组间的判别能力。
实施例31
使用实施例30中所用的样品数据。利用逻辑分析(根据ROC最大基准的变数覆盖法)，对使前列腺疾病组和非前列腺疾病组的两组判别性能最大化的指标进行探索。其结果，作为指标式20，得到由Asn、Glu、Ala、Val、Met、Trp构成的逻辑回归式(氨基酸变数Asn、Glu、Ala、Val、Met、Trp的数字系数和常数项依次为0.09273、0.02241、0.01196、-0.01415、-0.12983、-0.05678、-0.7474)。此外，得到复数个与指标式20具有同等判别性能的逻辑回归式。将它们表示在图99、图100、图101、图102中。此外，图99、图100、图101、图102表示的公式中的各系数值可以是其实数倍的值。
为了验证利用指标式20的前列腺疾病的诊断性能，对于前列腺疾病组和非前列腺疾病组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图103)。其结果得到0.822±0.026(95％置信区间为0.772～0.872)。此外，对于利用指标式20的前列腺疾病组和非前列腺疾病组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为-1.239，而且得到灵敏度86％，特异性66％。从这些结果判明，指标式20是诊断性能高的有用的指标式。
实施例32
使用实施例30中所用的样品数据。利用线性判别分析(根据ROC最大基准的变数覆盖法)，对使前列腺疾病组和非前列腺疾病组的两组判别性能最大化的指标进行探索。其结果，作为指标式21，得到由Asn、Glu、Ala、Val、Met、Trp构成的线性判别函数(氨基酸变数Asn、Glu、Ala、Val、Met、Trp的数字系数依次为0.08591、0.01994、0.01194、-0.01250、-0.13483、-0.05252、0.15837)。此外，得到复数个与指标式21具有同等判别性能的线性判别函数。将它们表示在图104、图105、图106、图107中。此外，图104、图105、图106、图107中表示的公式中的各系数的值可以是其实数倍的值、或是附加了任意的常数项的值。
为了验证利用指标式21的前列腺疾病的诊断性能，对于前列腺疾病组和非前列腺疾病组的两组判别，利用ROC曲线的曲线下面积进行评价(参照图108)。其结果得到0.822±0.026(95％置信区间为0.772～0.872)。此外，对于利用指标式21的前列腺疾病组和非前列腺疾病组的两组判别的截断值，求出灵敏度和特异性的平均值为最大的截断值。其结果截断值为-0.2271，而且得到灵敏度85％，特异性65％。从这些结果判明，指标式21是诊断性能高的有用的指标式。
实施例33
使用实施例30中所用的样品数据。利用变数覆盖法，将进行前列腺疾病组和非前列腺疾病组的两组判别的线性判别式全部提取出。此时，使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公式的ROC曲线下面积。此时，在ROC曲线下面积为某阈值以上的公式中，测定各氨基酸出现的频率，结果可确认，当将ROC曲线下面积0.7、0.75、0.8分别作为阈值时，Ala、Met、Asn、Trp、Leu、His、Val，Glu、Cit经常在被高频率提取的氨基酸的前十位以内，判明使用这些氨基酸作为变数的多变量判别式具有前列腺疾病组和非前列腺疾病组的两组间的判别能力(参照图109)。
工业实用性
如上所述，本发明涉及的前列腺疾病的评价方法，可在工业上的很多领域、特别是药品、食品、医疗等领域广泛地实施，特别是在进行前列腺疾病的病况预测、疾病危险预测等领域中极其有用。

Claims (6)

1.前列腺癌评价装置，其特征在于，其是具备控制单元和存储单元的前列腺癌评价装置，
所述控制单元具备：
判别值算出单元，基于评价对象的氨基酸浓度数据中所含的至少2种或3种氨基酸的浓度值，以及含有所述2种或3种氨基酸作为变数的存储于所述存储单元中的用于评价前列腺癌状态的多变量判别式，算出该多变量判别式的判别值，
所述2种或3种氨基酸是以下记载的2种或3种氨基酸的组合中的任一者，
Trp和Orn；
Ala和Trp；
Thr和Lys；
Thr和Glu；
Thr和Tyr；
Ala、Trp和Orn；
Asn、Trp和Orn；
Cit、Trp和Orn；
Gln、Trp和Orn；
Ile、Trp和Orn；
Glu、Trp和Orn；
Thr、Trp和Orn；
ABA、Trp和Orn；
Met、Trp和Orn；
His、Trp和Orn；
Phe、Trp和Orn；
Lys、Trp和Orn；
Ala、ABA和Glu；
Ser、ABA和Glu；
Ala、Glu和Met；
Ala、Glu和Trp；
Glu、Met和Asn；
Glu、Orn和Met；
Glu、Ser和Met；
Orn、Phe和Ala；
Orn、Leu和Ala；
Lys、Tyr和Thr；
Trp、Tyr和Thr；
Tyr、Asn和Lys；
Lys、Glu和Thr；
Trp、Glu和Thr；
Lys、Cit和Thr；
Lys、Ala和Thr；
Glu、Gln和Thr；
Trp、Ala和Thr；
Tyr、Gln和Thr；
Gly、Glu和Thr；
Gly、Cit和Thr；
Lys、Ile和ABA；
Ala、Ile和ABA；
Asn、Met和ABA；
Ala、Val和Trp；
Ala、Asn和Trp；
Ala、Leu和Trp；
Trp、Ala和Met；
Leu、Ala和Met；
Trp、Asn和Met；
Glu、Ala和Leu；
Ile、Ala和Leu；
Leu、Met和Asn；
Leu、Ile和Asn；
Phe、Leu和Ala；
Ile、Leu和Trp；
Ala、Leu和His；
Ala、Trp和Arg；
Val、Ile和Trp；
Ile、Leu和Phe；
Ile、Leu和Lys；
Leu、Trp和Phe；
Ala、His和Trp；
Ala、Phe和Trp；
Val、Leu和Ile；
Val、Gly和Ser；
Val、Gly和Gln；
Cit、Gly和Ser；
Lys、Cit和Gly；
Gly、Ser和Glu；
Gly、Cit和Val；
Gln、Gly和Cit；
Gly、Cit和Trp；
Gln、Gly和Trp；
Gly、Cit和Arg；
Gly、Cit和Leu；
Gly、Cit和Met；
Asn、Gly和Cit；
Gly、Cit和Orn；
Gly、Cit和Ile；
Gly、Cit和Phe；
Gly、Ala和Cit；
Cit、Val和Trp；
Val、Tyr和Trp；
Gly、Cit和His；
Cit、Tyr和Trp；
Asn、Ala和Met；
Asn、Ala和Leu；
Ala、Cit和Trp；
Ala、Val和Met；
Met、Ile和Leu；
Gly、Ile和Trp；
Ser、Gly和Ala；
Gly、Val和Orn；
Gly、Leu和Tyr；
Gly、Val和Met。
2.权利要求1所述的前列腺癌评价装置，其特征在于，所述控制单元进一步具备：
判别值基准评价单元，基于在所述判别值算出单元中算出的所述判别值，对于所述评价对象，评价前列腺癌的状态。
3.前列腺癌评价装置，其特征在于，其是具备控制单元和存储单元的前列腺癌评价装置，
所述控制单元具备判别值基准评价单元，基于多变量判别式的判别值，对于评价对象，评价前列腺癌的状态，
所述判别值是，基于所述评价对象的氨基酸浓度数据中所含的至少2种或3种氨基酸的浓度值，以及含有所述2种或3种氨基酸作为变数的存储于所述存储单元中的所述多变量判别式，计算出的判别值，
所述2种或3种氨基酸是以下记载的2种或3种氨基酸的组合中的任一者，
Trp和Orn；
Ala和Trp；
Thr和Lys；
Thr和Glu；
Thr和Tyr；
Ala、Trp和Orn；
Asn、Trp和Orn；
Cit、Trp和Orn；
Gln、Trp和Orn；
Ile、Trp和Orn；
Glu、Trp和Orn；
Thr、Trp和Orn；
ABA、Trp和Orn；
Met、Trp和Orn；
His、Trp和Orn；
Phe、Trp和Orn；
Lys、Trp和Orn；
Ala、ABA和Glu；
Ser、ABA和Glu；
Ala、Glu和Met；
Ala、Glu和Trp；
Glu、Met和Asn；
Glu、Orn和Met；
Glu、Ser和Met；
Orn、Phe和Ala；
Orn、Leu和Ala；
Lys、Tyr和Thr；
Trp、Tyr和Thr；
Tyr、Asn和Lys；
Lys、Glu和Thr；
Trp、Glu和Thr；
Lys、Cit和Thr；
Lys、Ala和Thr；
Glu、Gln和Thr；
Trp、Ala和Thr；
Tyr、Gln和Thr；
Gly、Glu和Thr；
Gly、Cit和Thr；
Lys、Ile和ABA；
Ala、Ile和ABA；
Asn、Met和ABA；
Ala、Val和Trp；
Ala、Asn和Trp；
Ala、Leu和Trp；
Trp、Ala和Met；
Leu、Ala和Met；
Trp、Asn和Met；
Glu、Ala和Leu；
Ile、Ala和Leu；
Leu、Met和Asn；
Leu、Ile和Asn；
Phe、Leu和Ala；
Ile、Leu和Trp；
Ala、Leu和His；
Ala、Trp和Arg；
Val、Ile和Trp；
Ile、Leu和Phe；
Ile、Leu和Lys；
Leu、Trp和Phe；
Ala、His和Trp；
Ala、Phe和Trp；
Val、Leu和Ile；
Val、Gly和Ser；
Val、Gly和Gln；
Cit、Gly和Ser；
Lys、Cit和Gly；
Gly、Ser和Glu；
Gly、Cit和Val；
Gln、Gly和Cit；
Gly、Cit和Trp；
Gln、Gly和Trp；
Gly、Cit和Arg；
Gly、Cit和Leu；
Gly、Cit和Met；
Asn、Gly和Cit；
Gly、Cit和Orn；
Gly、Cit和Ile；
Gly、Cit和Phe；
Gly、Ala和Cit；
Cit、Val和Trp；
Val、Tyr和Trp；
Gly、Cit和His；
Cit、Tyr和Trp；
Asn、Ala和Met；
Asn、Ala和Leu；
Ala、Cit和Trp；
Ala、Val和Met；
Met、Ile和Leu；
Gly、Ile和Trp；
Ser、Gly和Ala；
Gly、Val和Orn；
Gly、Leu和Tyr；
Gly、Val和Met。
4.前列腺癌评价系统，其特征在于，其是将具备控制单元和存储单元的前列腺癌评价装置、以及信息通信终端装置经由网络以可通信的方式连接而构成的前列腺癌评价系统，
所述信息通信终端装置具备：
氨基酸浓度数据发送单元，将评价对象的氨基酸浓度数据发送至所述前列腺癌评价装置；以及
结果接收单元，接收由所述前列腺癌评价装置发送的关于前列腺癌状态的所述评价对象的评价结果，
所述前列腺癌评价装置的所述控制单元具备：
氨基酸浓度数据接收单元，接收由所述信息通信终端装置发送的所述评价对象的所述氨基酸浓度数据；
判别值算出单元，基于在所述氨基酸浓度数据接收单元中接收的所述评价对象的所述氨基酸浓度数据中所含的至少2种或3种氨基酸的浓度值，以及含有所述2种或3种氨基酸作为变数的存储于所述存储单元中的多变量判别式，算出该多变量判别式的判别值；
判别值基准评价单元，基于在所述判别值算出单元中算出的所述判别值，对于所述评价对象评价前列腺癌的状态；以及
结果发送单元，将所述判别值基准评价单元中的所述评价对象的评价结果发送至所述信息通信终端装置，
所述2种或3种氨基酸是以下记载的2种或3种氨基酸的组合中的任一者，
Trp和Orn；
Ala和Trp；
Thr和Lys；
Thr和Glu；
Thr和Tyr；
Ala、Trp和Orn；
Asn、Trp和Orn；
Cit、Trp和Orn；
Gln、Trp和Orn；
Ile、Trp和Orn；
Glu、Trp和Orn；
Thr、Trp和Orn；
ABA、Trp和Orn；
Met、Trp和Orn；
His、Trp和Orn；
Phe、Trp和Orn；
Lys、Trp和Orn；
Ala、ABA和Glu；
Ser、ABA和Glu；
Ala、Glu和Met；
Ala、Glu和Trp；
Glu、Met和Asn；
Glu、Orn和Met；
Glu、Ser和Met；
Orn、Phe和Ala；
Orn、Leu和Ala；
Lys、Tyr和Thr；
Trp、Tyr和Thr；
Tyr、Asn和Lys；
Lys、Glu和Thr；
Trp、Glu和Thr；
Lys、Cit和Thr；
Lys、Ala和Thr；
Glu、Gln和Thr；
Trp、Ala和Thr；
Tyr、Gln和Thr；
Gly、Glu和Thr；
Gly、Cit和Thr；
Lys、Ile和ABA；
Ala、Ile和ABA；
Asn、Met和ABA；
Ala、Val和Trp；
Ala、Asn和Trp；
Ala、Leu和Trp；
Trp、Ala和Met；
Leu、Ala和Met；
Trp、Asn和Met；
Glu、Ala和Leu；
Ile、Ala和Leu；
Leu、Met和Asn；
Leu、Ile和Asn；
Phe、Leu和Ala；
Ile、Leu和Trp；
Ala、Leu和His；
Ala、Trp和Arg；
Val、Ile和Trp；
Ile、Leu和Phe；
Ile、Leu和Lys；
Leu、Trp和Phe；
Ala、His和Trp；
Ala、Phe和Trp；
Val、Leu和Ile；
Val、Gly和Ser；
Val、Gly和Gln；
Cit、Gly和Ser；
Lys、Cit和Gly；
Gly、Ser和Glu；
Gly、Cit和Val；
Gln、Gly和Cit；
Gly、Cit和Trp；
Gln、Gly和Trp；
Gly、Cit和Arg；
Gly、Cit和Leu；
Gly、Cit和Met；
Asn、Gly和Cit；
Gly、Cit和Orn；
Gly、Cit和Ile；
Gly、Cit和Phe；
Gly、Ala和Cit；
Cit、Val和Trp；
Val、Tyr和Trp；
Gly、Cit和His；
Cit、Tyr和Trp；
Asn、Ala和Met；
Asn、Ala和Leu；
Ala、Cit和Trp；
Ala、Val和Met；
Met、Ile和Leu；
Gly、Ile和Trp；
Ser、Gly和Ala；
Gly、Val和Orn；
Gly、Leu和Tyr；
Gly、Val和Met。
5.信息通信终端装置，其特征在于，所述信息通信终端装置具备：
氨基酸浓度数据发送单元，将含有至少2种或3种氨基酸的浓度值的评价对象的氨基酸浓度数据发送至前列腺癌评价装置；以及
结果接收单元，接收由所述前列腺癌评价装置发送的关于前列腺癌状态的所述评价对象的评价结果，
所述2种或3种氨基酸是以下记载的2种或3种氨基酸的组合中的任一者，
Trp和Orn；
Ala和Trp；
Thr和Lys；
Thr和Glu；
Thr和Tyr；
Ala、Trp和Orn；
Asn、Trp和Orn；
Cit、Trp和Orn；
Gln、Trp和Orn；
Ile、Trp和Orn；
Glu、Trp和Orn；
Thr、Trp和Orn；
ABA、Trp和Orn；
Met、Trp和Orn；
His、Trp和Orn；
Phe、Trp和Orn；
Lys、Trp和Orn；
Ala、ABA和Glu；
Ser、ABA和Glu；
Ala、Glu和Met；
Ala、Glu和Trp；
Glu、Met和Asn；
Glu、Orn和Met；
Glu、Ser和Met；
Orn、Phe和Ala；
Orn、Leu和Ala；
Lys、Tyr和Thr；
Trp、Tyr和Thr；
Tyr、Asn和Lys；
Lys、Glu和Thr；
Trp、Glu和Thr；
Lys、Cit和Thr；
Lys、Ala和Thr；
Glu、Gln和Thr；
Trp、Ala和Thr；
Tyr、Gln和Thr；
Gly、Glu和Thr；
Gly、Cit和Thr；
Lys、Ile和ABA；
Ala、Ile和ABA；
Asn、Met和ABA；
Ala、Val和Trp；
Ala、Asn和Trp；
Ala、Leu和Trp；
Trp、Ala和Met；
Leu、Ala和Met；
Trp、Asn和Met；
Glu、Ala和Leu；
Ile、Ala和Leu；
Leu、Met和Asn；
Leu、Ile和Asn；
Phe、Leu和Ala；
Ile、Leu和Trp；
Ala、Leu和His；
Ala、Trp和Arg；
Val、Ile和Trp；
Ile、Leu和Phe；
Ile、Leu和Lys；
Leu、Trp和Phe；
Ala、His和Trp；
Ala、Phe和Trp；
Val、Leu和Ile；
Val、Gly和Ser；
Val、Gly和Gln；
Cit、Gly和Ser；
Lys、Cit和Gly；
Gly、Ser和Glu；
Gly、Cit和Val；
Gln、Gly和Cit；
Gly、Cit和Trp；
Gln、Gly和Trp；
Gly、Cit和Arg；
Gly、Cit和Leu；
Gly、Cit和Met；
Asn、Gly和Cit；
Gly、Cit和Orn；
Gly、Cit和Ile；
Gly、Cit和Phe；
Gly、Ala和Cit；
Cit、Val和Trp；
Val、Tyr和Trp；
Gly、Cit和His；
Cit、Tyr和Trp；
Asn、Ala和Met；
Asn、Ala和Leu；
Ala、Cit和Trp；
Ala、Val和Met；
Met、Ile和Leu；
Gly、Ile和Trp；
Ser、Gly和Ala；
Gly、Val和Orn；
Gly、Leu和Tyr；
Gly、Val和Met。
6.前列腺癌评价装置，其特征在于，其是具备控制单元和存储单元的前列腺癌评价装置，
所述控制单元具备：
氨基酸浓度数据接收单元，接收由信息通信终端装置发送的评价对象的氨基酸浓度数据；
判别值算出单元，基于在所述氨基酸浓度数据接收单元中接收的所述评价对象的所述氨基酸浓度数据中所含的至少2种或3种氨基酸的浓度值，以及含有所述2种或3种氨基酸作为变数的存储于所述存储单元中的多变量判别式，算出该多变量判别式的判别值；
判别值基准评价单元，基于在所述判别值算出单元中算出的所述判别值，对于所述评价对象评价前列腺癌的状态；以及
结果发送单元，将所述判别值基准评价单元中的所述评价对象的评价结果发送至所述信息通信终端装置，
所述2种或3种氨基酸是以下记载的2种或3种氨基酸的组合中的任一者，
Trp和Orn；
Ala和Trp；
Thr和Lys；
Thr和Glu；
Thr和Tyr；
Ala、Trp和Orn；
Asn、Trp和Orn；
Cit、Trp和Orn；
Gln、Trp和Orn；
Ile、Trp和Orn；
Glu、Trp和Orn；
Thr、Trp和Orn；
ABA、Trp和Orn；
Met、Trp和Orn；
His、Trp和Orn；
Phe、Trp和Orn；
Lys、Trp和Orn；
Ala、ABA和Glu；
Ser、ABA和Glu；
Ala、Glu和Met；
Ala、Glu和Trp；
Glu、Met和Asn；
Glu、Orn和Met；
Glu、Ser和Met；
Orn、Phe和Ala；
Orn、Leu和Ala；
Lys、Tyr和Thr；
Trp、Tyr和Thr；
Tyr、Asn和Lys；
Lys、Glu和Thr；
Trp、Glu和Thr；
Lys、Cit和Thr；
Lys、Ala和Thr；
Glu、Gln和Thr；
Trp、Ala和Thr；
Tyr、Gln和Thr；
Gly、Glu和Thr；
Gly、Cit和Thr；
Lys、Ile和ABA；
Ala、Ile和ABA；
Asn、Met和ABA；
Ala、Val和Trp；
Ala、Asn和Trp；
Ala、Leu和Trp；
Trp、Ala和Met；
Leu、Ala和Met；
Trp、Asn和Met；
Glu、Ala和Leu；
Ile、Ala和Leu；
Leu、Met和Asn；
Leu、Ile和Asn；
Phe、Leu和Ala；
Ile、Leu和Trp；
Ala、Leu和His；
Ala、Trp和Arg；
Val、Ile和Trp；
Ile、Leu和Phe；
Ile、Leu和Lys；
Leu、Trp和Phe；
Ala、His和Trp；
Ala、Phe和Trp；
Val、Leu和Ile；
Val、Gly和Ser；
Val、Gly和Gln；
Cit、Gly和Ser；
Lys、Cit和Gly；
Gly、Ser和Glu；
Gly、Cit和Val；
Gln、Gly和Cit；
Gly、Cit和Trp；
Gln、Gly和Trp；
Gly、Cit和Arg；
Gly、Cit和Leu；
Gly、Cit和Met；
Asn、Gly和Cit；
Gly、Cit和Orn；
Gly、Cit和Ile；
Gly、Cit和Phe；
Gly、Ala和Cit；
Cit、Val和Trp；
Val、Tyr和Trp；
Gly、Cit和His；
Cit、Tyr和Trp；
Asn、Ala和Met；
Asn、Ala和Leu；
Ala、Cit和Trp；
Ala、Val和Met；
Met、Ile和Leu；
Gly、Ile和Trp；
Ser、Gly和Ala；
Gly、Val和Orn；
Gly、Leu和Tyr；
Gly、Val和Met。
CN201410575190.XA 2008-06-20 2009-06-22 前列腺疾病的评价方法 Active CN104330571B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008162613 2008-06-20
JP2008-162613 2008-06-20
CN200980124392.XA CN102066946B (zh) 2008-06-20 2009-06-22 前列腺疾病的评价方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN200980124392.XA Division CN102066946B (zh) 2008-06-20 2009-06-22 前列腺疾病的评价方法

Publications (2)

Publication Number Publication Date
CN104330571A CN104330571A (zh) 2015-02-04
CN104330571B true CN104330571B (zh) 2017-09-08

Family

ID=41434208

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201410575190.XA Active CN104330571B (zh) 2008-06-20 2009-06-22 前列腺疾病的评价方法
CN200980124392.XA Active CN102066946B (zh) 2008-06-20 2009-06-22 前列腺疾病的评价方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN200980124392.XA Active CN102066946B (zh) 2008-06-20 2009-06-22 前列腺疾病的评价方法

Country Status (5)

Country Link
US (1) US9465031B2 (zh)
JP (3) JP5754137B2 (zh)
KR (1) KR101821551B1 (zh)
CN (2) CN104330571B (zh)
WO (1) WO2009154297A1 (zh)

Families Citing this family (12)

* 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
JP5746811B2 (ja) 2006-12-21 2015-07-08 味の素株式会社 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
CN103760367B (zh) * 2006-12-21 2017-03-01 味之素株式会社 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) 2006-12-21 2015-07-08 味の素株式会社 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
CN101939652B (zh) * 2008-02-06 2015-01-07 味之素株式会社 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
WO2009110517A1 (ja) * 2008-03-04 2009-09-11 味の素株式会社 癌種の評価方法
CN102057276B (zh) * 2008-06-20 2016-04-06 味之素株式会社 女性生殖器癌症的评价方法
US20140342379A1 (en) * 2011-09-14 2014-11-20 Basf Se Means and Methods for Assessing Gonadal Toxicity
JPWO2016103761A1 (ja) * 2014-12-22 2017-11-02 ジェイファーマ株式会社 癌の血中バイオマーカー
WO2018066621A1 (ja) 2016-10-04 2018-04-12 味の素株式会社 大腸癌の評価方法、評価装置、評価プログラム、評価システム、及び端末装置
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
JP7230336B2 (ja) * 2018-04-02 2023-03-01 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、記録媒体、及び評価システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997048982A1 (en) * 1996-06-17 1997-12-24 Children's Medical Center Corporation A method for diagnosis and prognosis of cancer
CN1315998A (zh) * 1998-07-14 2001-10-03 科里克萨有限公司 用于治疗和诊断前列腺癌的组合物和方法
EP1862797A1 (en) * 2005-03-16 2007-12-05 Ajinomoto Co., Inc. Biocondition evaluating device, biocondition evaluating method, biocondition evaluating system, biocondition evaluating program, evaluation function generating device, evaluation function generating method, evaluation function generating program, and recording medium
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

Family Cites Families (34)

* 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
CN1367830A (zh) 1998-10-05 2002-09-04 路德维哥癌症研究院 癌症相关抗原及其应用
BR0010068A (pt) 1999-04-26 2002-12-17 Surromed Inc Sistema de identificação do marcador fenotìpico e biológico
CA2420089C (en) * 2000-08-21 2009-04-14 Assistance Publique-Hopitaux De Paris Diagnosis method of fibrotic disease using biochemical markers
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
WO2003040404A1 (en) * 2001-11-09 2003-05-15 Source Precision Medicine, Inc. Identification, monitoring and treatment of disease and characterization of biological condition using gene expression profiles
AU2003289263A1 (en) 2002-12-09 2004-06-30 Ajinomoto Co., Inc. Organism condition information processor, organism condition information processing method, organism condition information managing system, program, and recording medium
WO2006129513A1 (ja) 2005-05-30 2006-12-07 Ajinomoto Co., Inc. 肝疾患評価装置、肝疾患評価方法、肝疾患評価システム、肝疾患評価プログラムおよび記録媒体
US7869033B2 (en) * 2003-12-24 2011-01-11 Vadivel Masilamani Cancer detection by optical analysis of body fluids
US20060170928A1 (en) * 2003-12-24 2006-08-03 Vadivel Masilamani Masila's cancer detector based on optical analysis of body fluids
US8213005B2 (en) * 2003-07-22 2012-07-03 King Saud University Method for discriminating between benign and malignant prostate tumors
GB0326197D0 (en) 2003-11-10 2003-12-17 Randox Lab Ltd Molecular marker
EP1937837A2 (en) * 2005-07-29 2008-07-02 Siemens Healthcare Diagnostics Inc. 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
WO2007107334A1 (en) 2006-03-20 2007-09-27 Nowicky Wassili Ex vivo cancer diagnostic method
JP5612303B2 (ja) * 2006-03-24 2014-10-22 フェノメノーム ディスカバリーズ インク 患者における前立腺癌の健康状態等を判定するためにデータを得る方法
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
CA2662655A1 (en) * 2006-09-19 2008-03-27 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
CN103760367B (zh) * 2006-12-21 2017-03-01 味之素株式会社 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
JP5746811B2 (ja) * 2006-12-21 2015-07-08 味の素株式会社 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
JP5746810B2 (ja) * 2006-12-21 2015-07-08 味の素株式会社 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
DK2164980T3 (da) 2007-05-31 2013-10-21 Biocrates Life Sciences Ag Biomarkør og fremgangsmåde til fastlæggelse af et oxidativt stressniveau
AU2008289172B2 (en) * 2007-08-16 2013-01-17 Metabolon, Inc. Metabolomic profiling of prostate cancer
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
CN101939652B (zh) * 2008-02-06 2015-01-07 味之素株式会社 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
WO2009110517A1 (ja) 2008-03-04 2009-09-11 味の素株式会社 癌種の評価方法
CN102057276B (zh) * 2008-06-20 2016-04-06 味之素株式会社 女性生殖器癌症的评价方法
PL2438445T3 (pl) 2009-06-04 2014-12-31 Metanomics Health Gmbh Sposoby diagnozowania raków gruczołu krokowego

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997048982A1 (en) * 1996-06-17 1997-12-24 Children's Medical Center Corporation A method for diagnosis and prognosis of cancer
CN1315998A (zh) * 1998-07-14 2001-10-03 科里克萨有限公司 用于治疗和诊断前列腺癌的组合物和方法
EP1862797A1 (en) * 2005-03-16 2007-12-05 Ajinomoto Co., Inc. Biocondition evaluating device, biocondition evaluating method, biocondition evaluating system, biocondition evaluating program, evaluation function generating device, evaluation function generating method, evaluation function generating program, and recording medium
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

Also Published As

Publication number Publication date
CN102066946B (zh) 2016-08-31
JP2015148633A (ja) 2015-08-20
JPWO2009154297A1 (ja) 2011-12-01
US20110138889A1 (en) 2011-06-16
CN104330571A (zh) 2015-02-04
WO2009154297A1 (ja) 2009-12-23
KR101821551B1 (ko) 2018-01-25
JP6551484B2 (ja) 2019-07-31
KR20110027787A (ko) 2011-03-16
JP5754137B2 (ja) 2015-07-29
US9465031B2 (en) 2016-10-11
CN102066946A (zh) 2011-05-18
JP2018025561A (ja) 2018-02-15
JP6269578B2 (ja) 2018-01-31

Similar Documents

Publication Publication Date Title
CN104330571B (zh) 前列腺疾病的评价方法
CN104237528B (zh) 胃癌的评价方法、胃癌评价装置、以及胃癌评价系统
CN104316701B (zh) 女性生殖器癌症的评价方法
CN103760367B (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
KR101361601B1 (ko) 암종의 평가 방법
JP2014038114A (ja) 肺癌の評価方法
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
JPWO2008075663A1 (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

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant