CN115769310A - 评价装置、学习装置、预测装置、评价方法、程序以及计算机可读取的存储介质 - Google Patents

Abstract

对抗癌效果进行评价的评价装置具备：学习信息取得部，取得至少包含表示不特定的受检者的癌的状态的状态信息的学习数据、以及通过对从受检者采集的细胞投放抗癌剂而得到的与抗癌剂的效果相关的信息即教师数据；学习部，通过使学习模型对学习数据与教师数据的对应关系进行有教师学习，生成预测模型；以及预测部，使用预测模型，进行与使用了抗癌剂的治疗相关的预测，学习信息取得部取得通过对包含从不特定的受检者采集的癌细胞以及构成间质的细胞的立体的细胞构造体投放抗癌剂而得到的与抗癌效果相关的信息，作为教师数据。

Description

评价装置、学习装置、预测装置、评价方法、程序以及计算机可 读取的存储介质

技术领域

本发明涉及评价装置、学习装置、预测装置、评价方法、程序以及计算机可读取的存储介质。

本申请基于2020年6月30日在日本提交的特愿2020-113218号并主张优先权，将其内容引用于此。

背景技术

存在利用信号处理的技术对针对患者的治疗进行支援的技术。例如，在专利文献1中公开有如下技术：基于从患者采集的存在疾病的细胞的组学(omics)数据与针对药剂的灵敏度(以下，也称作药效)之间的相关关系，判定对患者进行投放药剂的治疗的情况下的有效性。

另外，存在在ex vivo(生物体外)进行细胞的药效的评价的方法。例如，在专利文献2中公开了如下方法：在存在免疫细胞以及抗癌剂的情况下培养癌细胞，由此对抗癌剂的抗癌效果进行评价。在专利文献2中，通过对在生物体内与癌细胞共存的间质、例如与内皮细胞、成纤维细胞等共存的立体的细胞构造体投放抗癌剂，由此能够评价对于与平面地成长的细胞相比在更接近生物体的状态下存在的癌细胞的影响。

如果将专利文献1的技术应用于专利文献2所记载的细胞构造体，则能够使用更接近生物体的状态下的药效的评价结果，更高精度地判定对患者的治疗的有效性。

现有技术文献

专利文献

专利文献1：日本特表2016-528565号公报

专利文献2：国际公开公报第2019/039452号说明书

发明内容

发明要解决的课题

然而，关于癌治疗，根据癌的种类、阶段、患者的年龄等病状，治疗的难度、癌的发展程度等具有较大不同。因此，如专利文献1那样，仅考虑了细胞的组学数据的药剂投放的有用性与向实际的癌患者投放的药剂的有效性背离的可能性较高。

本发明是鉴于上述那样的状况而完成的，提供评价装置、学习装置、评价方法以及程序，能够不仅考虑细胞的组学信息还考虑与患者的病状相关的其他信息而评价抗癌剂的药效。

用于解决课题的手段

对抗癌效果进行评价的评价装置具备：学习信息取得部，取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，至少包含表示不特定的受检者的癌的状态的状态信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息；学习部，通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型；存储部，存储由上述学习部生成的预测模型；输入信息取得部，取得与成为预测对象的对象者的癌相关的信息即输入信息；以及预测部，使用上述输入信息及上述预测模型，进行与使用了抗癌剂的治疗相关的预测，上述学习信息取得部取得通过对包含从不特定的受检者采集的癌细胞、以及构成间质的细胞的立体的细胞构造体投放抗癌剂而得到的、与抗癌效果相关的信息，作为教师数据。

学习装置具备：学习信息取得部，取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息；以及学习部，通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型。

预测装置具备：输入信息取得部，取得与成为预测对象的对象者的癌相关的信息即输入信息；以及预测部，使用上述输入信息及上述预测模型，进行与使用了抗癌剂的治疗相关的预测，上述预测模型是通过使学习模型对学习数据与教师数据之间的对应关系进行有教师学习而生成的、进行与使用了抗癌剂的治疗相关的预测的模型，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息。

评价方法是对抗癌效果进行评价的评价方法，学习信息取得部取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息，学习部通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型，存储部存储由上述学习部生成的预测模型，输入信息取得部取得与成为预测对象的对象者的癌相关的信息即输入信息，预测部使用上述输入信息及上述预测模型，进行与使用了抗癌剂的治疗相关的预测。

程序是作为上述记载的学习装置进行动作的程序，是使上述计算机作为上述学习装置所具备的各部起作用的程序。

程序是作为上述记载的预测装置进行动作的程序，是使上述计算机作为上述预测装置所具备的各部起作用的程序。

计算机可读取的存储介质存储使计算机作为上述学习装置进行动作的程序，且是使上述计算机作为上述学习装置所具备的各部起作用的程序。

计算机可读取的存储介质存储使计算机作为上述预测装置进行动作的程序，且是使上述计算机作为上述预测装置所具备的各部起作用的程序。

发明效果

根据上述本发明的至少一个方式，能够使用由从患者采集的细胞制造的具有立体构造的细胞构造体，判定向该患者的药剂投放的有效性、或向具有同样疾病的其他患者的药剂投放的有效性。

附图说明

图1是表示本发明的实施方式的抗癌剂效果评价装置1的构成例的框图。

图2是表示本发明的实施方式的学习装置60的构成例的框图。

图3是表示本发明的实施方式的预测装置70的构成例的框图。

图4是表示本发明的实施方式的状态信息620的构成例的图。

图5是表示本发明的实施方式的组学信息621的构成例的图。

图6是表示本发明的实施方式的药剂信息622的构成例的图。

图7是表示本发明的实施方式的药剂信息622A的构成例的图。

图8是表示本发明的实施方式的投放实际信息623的构成例的图。

图9是表示本发明的实施方式的药剂有效性信息624的构成例的图。

图10是表示本发明的实施方式的抗癌剂效果评价装置1进行的处理的流程的时序图。

图11是表示本发明的实施方式的学习装置60进行的处理的流程的流程图。

图12是表示本发明的实施方式的预测装置70进行的处理的流程的流程图。

图13是表示本发明的实施方式的预测装置70进行的处理的流程的流程图。

图14是表示本发明的实施方式的预测装置70进行的处理的流程的流程图。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

抗癌剂效果评价装置1是使用AI(人工知能)技术来预测对患者的癌细胞有效的抗癌剂的装置。此处的患者是成为在癌治疗中投放抗癌剂的对象的患者，是“对象者”的一个例子。

在抗癌剂效果评价装置1中，将对不特定的受检者的癌细胞作用的抗癌剂的抗癌效果进行了评价的结果，作为所谓的大数据来处理。在抗癌剂效果评价装置1中，利用使用大数据进行了有教师学习的学习完成模型(后述的预测模型)来预测对患者的癌细胞有效的抗癌剂。

在本实施方式中，在ex vivo(生物体外)评价对受检者的癌细胞作用的抗癌剂的抗癌效果。具体地说，也可以通过将包含从受检者采集的癌细胞的立体的细胞构造体在单一的抗癌剂、免疫细胞与抗癌剂的组合、或者多个抗癌剂的组合的存在下进行培养，由此对单一的抗癌剂、免疫细胞与抗癌剂的组合、或者多个抗癌剂的组合的抗癌效果进行评价。在本实施方式以及本说明书中，在仅称为“抗癌剂”的情况下，包括单一的抗癌剂、多个抗癌剂的组合以及免疫细胞与抗癌剂的组合。此处的立体的细胞构造体具有立体的构造，与平面地成长的细胞相比较，是癌细胞以更接近生物体内的癌细胞的环境的状态存在的细胞。立体的细胞构造体例如可以是在使从受检者采集的癌细胞、与在生物体内的环境中与癌细胞共存的间质、例如内皮细胞、成纤维细胞等共存的状态下组织化的细胞构造体。作为立体的细胞构造体，例如专利文献2所记载的细胞构造体较适合。通过利用使用了立体的细胞构造体的评价的评价结果，对于抗癌剂的抗癌效果能够得到可靠性更高的评价。

在本实施方式以及本申请说明书中，“立体的细胞构造体”可以是多个细胞层层叠而成的三维构造体。“细胞层”是如下的层：在细胞构造体的厚度方向的截面的切片图像中，在以能够识别细胞核的倍率、即染色的切片的厚度整体进入视野的倍率进行观察时，由存在于与厚度方向正交的方向、且在厚度方向上细胞核不重叠地存在的一组的细胞以及间质构成的层。另外，“层状”是指不同的细胞层在厚度方向上层叠有2层以上。在本实施方式中使用的立体的细胞构造体由构成间质的细胞、以及癌细胞构建。另外，构成间质的细胞中可以包含免疫细胞、也可以不包含。

构成本实施方式的立体的细胞构造体的间质细胞、癌细胞不特别限定，可以是从动物采集的细胞，可以对从动物采集的细胞进行培养而得到的细胞，可以是对从动物采集的细胞实施各种处理之后的细胞，也可以是培养细胞株。在从动物采集的细胞的情况下，采集部位不特别限定，可以是来源于骨、肌肉、内脏、神经、脑、骨、皮肤、血液等的体细胞，可以是生殖细胞，也可以是胚胎干细胞(ES细胞)。另外，构成本实施方式的立体的细胞构造体的细胞所来源的生物种不特别限定，例如能够使用来源于人、猴、狗、猫、兔、猪、牛、小鼠、大鼠等动物的细胞。作为对从动物采集的细胞进行培养而得到的细胞，可以是初代培养细胞，也可以传代培养细胞。另外，作为实施了各种处理的细胞，能够列举诱导多能性干细胞(iPS细胞)、分化诱导后的细胞。作为癌细胞，优选是从动物采集的细胞，且更优选是初代培养细胞。另外，本实施方式的立体的细胞构造体可以仅由来源于同种的生物种类的细胞构成，可以由来源于多种生物种类的细胞构成。

作为间质细胞，例如可列举内皮细胞、成纤维细胞、神经细胞、肥胖细胞、上皮细胞、心肌细胞、肝细胞、胰岛细胞、组织干细胞、平滑肌细胞等。本实施方式的立体的细胞构造体所含的间质细胞可以为1种、也可以为2种以上。作为本实施方式的立体的细胞构造体所含的间质细胞的细胞种，不特别限定，能够考虑所含有的癌细胞的来源、种类、评价所使用的免疫细胞的种类、评价所使用的抗癌剂的种类、目的的抗癌活性起作用的生物体内的环境等而适当地选择。

血管网对于癌细胞的增殖、活性较重要。因此，本实施方式的立体的细胞构造体优选具备血管网。即，作为本实施方式的立体的细胞构造体，优选在内部三维地构建有血管网，构建更接近生物体内的组织。血管网可以仅形成在细胞构造体的内部，也可以形成为至少血管网的一部分从癌细胞构造体的表面或者底面露出。另外，在本实施方式以及本申请说明书中，“血管网”是指生物体组织中的血管网那样的具有多个分支的网状构造。

血管网能够通过作为间质细胞而包含构成血管的内皮细胞来形成。作为本实施方式的立体的细胞构造体所含的内皮细胞，可以是血管内皮细胞。在本实施方式的立体的细胞构造体具备血管网的情况下，作为该立体的细胞构造体中的内皮细胞以外的细胞，由于内皮细胞容易形成对原本的功能以及形状进行保持的血管网，因此优选是在生物体内构成血管的周边组织的细胞，且由于更近似于生物体内的癌微环境，因此作为内皮细胞以外的细胞更优选为至少包含成纤维细胞的细胞，进一步优选为包含血管内皮细胞与成纤维细胞的细胞。另外，作为立体的细胞构造体所含的内皮细胞以外的细胞，可以是来源于与内皮细胞相同种类的生物种类的细胞，也可以是来源于不同种类的生物种类的细胞。

作为成为本实施方式的立体的细胞构造体所含的癌细胞的来源的癌，例如能够列举乳腺癌(例如，浸润性导管癌、非浸润性导管原位癌、炎性乳腺癌等)、前列腺癌(例如，激素依赖性前列腺癌、激素非依赖性前列腺癌等)、胰腺癌(例如，胰腺导管癌等)、胃癌(例如，乳头状腺癌、粘液性腺癌、腺鳞癌等)、肺癌(例如，非小细胞肺癌、小细胞肺癌、恶性间皮瘤等)、结肠癌(例如，胃肠道间质瘤等)、直肠癌(例如，胃肠道间质瘤等)、结直肠癌(例如，家族性结直肠癌、遗传性非息肉病性结直肠癌、胃肠道间质瘤等)、小肠癌(例如，非霍奇金淋巴瘤、胃肠道间质瘤等)、食道癌、十二指肠癌、舌癌、咽癌(例如，鼻咽癌、口咽癌、下咽癌等)、头颈癌、唾液腺癌、脑肿瘤(例如，松果体星形细胞瘤、毛细胞星形细胞瘤、弥漫性星形细胞瘤、间变性星形细胞瘤等)、神经鞘瘤、肝癌(例如，原发性肝癌、肝外胆管癌等)、肾癌(例如，肾细胞癌、肾盂及输尿管移行细胞癌等)、胆囊癌、胆管癌、胰腺癌、肝癌、子宫内膜癌、宫颈癌、卵巢癌(例如，上皮性卵巢癌、性腺外生殖细胞肿瘤、卵巢生殖细胞肿瘤)、卵巢低恶性潜能肿瘤等)、膀胱癌、尿道癌、皮肤癌(例如，眼内(眼)黑色素瘤、默克尔细胞癌等)、血管瘤、恶性淋巴瘤(例如，网状肉瘤、淋巴肉瘤、霍奇金病等)、黑色素瘤(恶性黑色素瘤)、甲状腺癌(例如，甲状腺髓样癌等)、甲状腺癌、鼻腔癌、鼻窦癌、骨肿瘤(例如，骨肉瘤、尤文瘤、子宫肉瘤、软组织肉瘤等)、转移性髓母细胞瘤、血管纤维肉瘤、突起性皮肤纤维肉瘤、视网膜肉瘤、阴茎癌、睾丸肿瘤、小儿实体瘤(例如，肾母细胞瘤、小儿肾肿瘤等)、卡波西肉瘤、艾滋病引起的卡波西肉瘤、上颌窦瘤、纤维组织细胞瘤、平滑肌肉瘤、横纹肌肉瘤、慢性骨髓增生性疾病、白血病(例如，急性髓性白血病、急性淋巴细胞白血病)等)等，且不限定于这些。

本实施方式的立体的细胞构造体，可以是癌细胞散在于构造体内部整体的构造体，也可以是癌细胞仅存在于特定的细胞层的构造体。在本实施方式的立体的细胞构造体中，在癌细胞仅存在于特定的细胞层的情况下，含有癌细胞的细胞层(癌细胞层)在构造体中的位置不特别限定。在存在抗癌剂的环境下培养立体的细胞构造体的情况下，癌细胞层不位于构造体的顶面而位于构造体的内部，由此能够将抗癌剂浸润·到达构造体中的癌细胞的能力包括在内地评价抗癌效果。

上述立体的细胞构造体也可以通过专利文献2所记载的制造方法来制作。专利文献2所记载的制造方法具有下述(a)～(c)的工序。(a)在阳离子性缓冲液中，将细胞与细胞外基质成分进行混合而得到混合物的工序；(b)将通过工序(a)得到的混合物在细胞培养容器中播种的工序；(c)在工序(b)之后，在上述细胞培养容器中得到细胞层叠为多层的细胞构造体的工序。

作为阳离子性缓冲液，例如能够列举Tris-HCl缓冲液、Tris-马来酸盐缓冲液、Bis-Tris-缓冲液或者HEPES等。该阳离子性缓冲液中的阳离子性物质(例如，Tris-HCl缓冲液中的Tris)的浓度以及pH为，只要不对细胞的成长以及细胞构造体的构建产生不良影响，则不特别限定。

作为强电解质高分子，例如能够列举肝素、硫酸软骨素(例如，4-硫酸软骨素、6-硫酸软骨素)、硫酸乙酰肝素、硫酸皮肤素、硫酸角质素、透明质酸、硫酸葡聚糖、硫酸鼠李聚糖、褐藻糖胶、角叉菜胶、聚苯乙烯磺酸、聚丙烯酰胺-2-甲基丙磺酸、聚丙烯酸、或者它们的衍生物等，但不限定于这些。在工序(a)中调制的混合物中可以仅混合1种强电解质高分子，也可以将2种以上组合而混合。

作为细胞外基质成分，例如能够列举胶原蛋白、层粘连蛋白、纤连蛋白、玻连蛋白、弹性蛋白、生腱蛋白、结合素、原纤维蛋白、蛋白聚糖、或者它们的变体或者变异体等。作为蛋白聚糖，能够列举硫酸软骨素蛋白聚糖、硫酸乙酰肝素蛋白聚糖、硫酸角质素蛋白聚糖、硫酸皮肤素蛋白聚糖等。在工序(a)中调制的混合物中可以仅混合1种细胞外基质成分，也可以将两种以上组合而混合。

在本实施方式中，对癌细胞进行作用的抗癌剂只要是用于癌治疗的药剂即可，不仅含有具有细胞毒性的药剂那样直接对癌细胞进行作用的药剂，还含有虽然不具有细胞毒性但抑制癌细胞增殖等的药剂。作为不具有细胞毒性的抗癌剂，能够列举：不直接攻击癌细胞，而通过与生物体内的免疫细胞、其他药剂的协作作用，发挥抑制癌细胞增殖、或使癌细胞的活动迟钝、或使癌细胞灭绝的功能的药剂；通过妨碍癌细胞以外的细胞、组织来抑制癌细胞增殖的药剂。在本实施方式中使用的抗癌剂，可以是已知具有抗癌作用的药剂，也可以是新的抗癌剂(新药)的候选化合物。

作为具有细胞毒性的抗癌剂，不特别限定，但例如能够列举分子标的药、烷化剂、以5-FU抗癌剂为代表的抗代谢物、植物生物碱、抗癌抗生素、铂衍生物、激素、拓扑异构酶抑制剂、微管抑制剂、被分类为生物反应调节剂的化合物等。

作为不具有细胞毒性的抗癌剂，不特别限定，但例如能够列举脉管新生抑制剂、抗癌剂的前药、对与抗癌剂或其前药的代谢相关的细胞内代谢酵素活性进行调整的药剂(以下，在说明书中称为“细胞内酵素调整剂”。)、免疫疗法剂等。除此以外，还能够列举通过提高抗癌剂的功能或者提高生物体内的免疫功能而最终参与抗癌作用的药剂。

脉管新生抑制剂为，只要是能够期待具有脉管新生阻碍活性的化合物即可，可以是已知的脉管新生抑制剂，也可以是新的脉管新生抑制剂的候选化合物。作为已知的脉管新生抑制剂，能够列举Avastin、EYLEA、Suchibaga、CYRAMZA(注册商标)(Eli Lilly公司制造，别名雷莫芦单抗)、BMS-275291(Bristol-Myers公司制造)、Celecoxib(Pharmacia/Pfizer公司制造)、EMD121974(Merck公司制造)、Endostatin(EntreMed公司制造)、Erbitaux(ImCloneSystems公司制造)、Interferon-α(Roche公司制造)、LY317615(EliLilly公司制造)、Neovastat(Aeterna Laboratories公司制造)、PTK787(Abbott公司制造)、SU6688(Sugen公司制造)、Thalidomide(Celgene公司制造)、VEGF-Trap(Regeneron公司制造)、Iressa(注册商标)(Astrazeneca公司制造，别名吉非替尼)、Caplerusa(注册商标)(Astrazeneca公司制造，别名潘德他尼)、Recentin(注册商标)(Astrazeneca公司制造，别名西地尼布)、VGX-100(Circadian Technologies公司制造)、VD1andcVE199、VGX-300(Circadian Technologies公司制造)、sVEGFR2、hF4-3C5、Nexavar(注册商标)(BayerYakuhin公司制造，别名索拉非尼)、Vortrient(注册商标)(GlaxoSmithKline公司制造，别名培唑帕尼)、Sutent(注册商标)(Pfizer公司制造，别名舒尼替尼)、Inlyta(注册商标)(Pfizer公司制造，别名阿西替尼)、CEP-11981(Teva Pharmaceutical Industries公司制造)、AMG-386(Takeda Yakuhin公司制造，别名曲巴那尼)、anti-NRP2B(Genentech公司制造)、Ofev(注册商标)(boehringer-ingelheim公司制造，别名尼他替尼)、AMG706(TakedaYakuhin公司制造，别名莫特沙尼)等。

抗癌剂的前药是通过肝脏等脏器、癌细胞的细胞内酵素而转换为具有抗癌作用的活性体的药剂。细胞因子网络使癌细胞内酵素的酵素活性上升，由此活性体量增加而使抗肿瘤效果的增强，因此能够列举为参与抗癌作用的药剂。

作为细胞内酵素调整剂，例如能够功能列举虽然单剂无法产生直接的抗肿瘤效果，但通过阻碍5-FU系抗癌剂的分解酵素(Dihydropyrimidine dehydrogenase：DPD)来参与抗癌作用的吉美西等。

免疫疗法剂是通过免疫细胞的免疫功能或者运动能的活化等使免疫功能提高，由此得到抗癌效果的药剂。作为免疫疗法剂，例如能够列举用于生物体响应调节剂疗法的药剂(以下，简称为“BRM制剂”。)、由从免疫细胞分泌、并参与迁移、浸润的细胞因子形成的细胞因子系制剂、癌症免疫检查点抑制剂、癌症疫苗、癌症病毒等。作为BRM制剂，能够列举克雷斯汀、香菇多糖、OK-432等。作为细胞因子系制剂，例如能够列举：IL-8、IL-2等白细胞介素；IFN-α、IFN-β、IFN-γ等干扰素；CCL3、CCL4、CCL5、CXCL9、CXCL10、CXCL11、CXCL16/CXCR6、CX3CL1/CX3CR1等趋化因子。

癌症免疫检查点抑制剂是如下物质：存在于癌细胞、免疫细胞的表面，对于参与针对癌细胞的免疫功能降低的蛋白质，特异地阻碍该蛋白质的功能。作为该蛋白质，能够列举PD-1、PD-L1、PD-L2、CD4、CD8、CD19、CD28、CD80/86、B7、Galectin-9、HVEM、CTLA-4、TIM-3、BTLA、MHC-II、LAG-3、TCR等。作为癌症免疫检查点抑制剂，优选针对这些的特异的单克隆抗体药物。具体地说，作为癌症免疫检查点抑制剂，能够列举Nivolumab(Opdivo)、Pembrolizumab(Keytruda)、Atezolizumab(Tecentriq)、Ipilimumab(Yervoy)、Tremelimumab、durvalmab、avelumab等。

免疫细胞是参与免疫的细胞。具体地说，能够列举淋巴细胞、巨噬细胞、树突状细胞等。淋巴细胞存在T细胞、B细胞、NK细胞、浆细胞等。

在本实施方式中使用的免疫细胞可以是1种、也可以是2种以上。作为在本实施方式中使用的免疫细胞，只要是免疫细胞就不特别限定，但优选实际存在于癌微环境周边、通过免疫反应来攻击癌细胞的机构所携带的细胞。具体地说，在本实施方式中，作为免疫细胞，优选使用从包括白血球以及淋巴细胞的组中选择的1种以上，更优选含有T细胞。

作为免疫细胞能够使用PBMC(外周血单核细胞)。PBMC含有淋巴细胞以及单核细胞。单核细胞包含巨噬细胞。淋巴细胞包含NK细胞、B细胞、T细胞。除了PBMC以外，能够将这些成分单独使用或者组合多种使用。PBMC可以从血液分离纯化，但也能够直接使用从血液调制的白膜层。在白膜层中与其他成分一同含有PBMC。来自血液的白膜层的调制，能够通过离心分离法等常用方法来调制。在免疫细胞中，存在如ABO血型那样即使在相同成分的情况下也具有稍微不同的性质的多个型。在本实施方式中，根据需要，可以使用任一个型的免疫细胞，也可以将多个型的免疫细胞组合使用。

免疫细胞可以是从生物体采集的免疫细胞，可以是培养细胞株，可以是在生物体外人工地改变或者修饰的细胞。在使用从癌患者采集的免疫细胞的情况下，优选使用从癌患者的外周血或者肿瘤部中分离的免疫细胞、特别是PBMC。另外，作为人工地改变或者修饰的免疫细胞，优选是人工地改变免疫功能而提高了抗癌活性的免疫细胞。作为这样的改变了免疫功能的免疫细胞，例如能够列举在使用了嵌合抗原受体(CAR)的基因改变T细胞疗法中使用的改变T细胞等。

图1是表示本实施方式的抗癌剂效果评价装置1的构成例的框图。抗癌剂效果评价装置1例如具备摄像装置10、判定装置20、患者信息DB30、药剂信息DB40、以及评价装置50。摄像装置10与判定装置20能够通信地连接。判定装置20、患者信息DB30、以及药剂信息DB40与评价装置50能够通信地连接。

摄像装置10是对作为评价抗癌剂的抗癌效果的对象的立体的细胞构造体进行摄像的摄像机。摄像装置10对在存在免疫细胞与抗癌剂的状态下培养的立体的细胞构造体中的培养过程定期地进行摄像。摄像装置10将所摄像的立体的细胞构造体的图像信息(图像数据)发送到判定装置20。另外，在上述中，例示出对培养过程定期地即以一定的时间间隔进行摄像的情况而进行了说明，但不限定解释于此。摄像装置10只要在特定的定时对培养过程进行摄像即可。特定的定时可以是预先设定于摄像装置10的定时，也可以由进行摄像装置10的摄像的摄像负责者等决定的任意定时。

判定装置20是云装置、服务器装置、PC(个人计算机)等计算机装置。判定装置20例如具备通信部、存储部以及控制部。通信部与摄像装置10以及评价装置50进行通信。存储部存储为了实现判定装置20的功能而需要的变量、各种数据、程序等。控制部使用经由通信部从摄像装置10取得的立体的细胞构造体的图像，对抗癌剂的抗癌效果进行评价。

例如，在利用荧光物质对立体的细胞构造体所含的癌细胞进行了标记的情况下，控制部基于图像中的每个像素的RGB值等，按照立体的细胞构造体被摄像的区域的每个像素判定是否被荧光染色。或者，在经由显微镜等进行摄像等、以能够识别各个细胞的分辨率而摄像有图像的情况下，控制部也可以对被荧光染色的细胞的数量进行计数。

控制部使用对图像进行分析的结果，判定是否具有抗癌效果。控制部为，例如，如果被荧光染色的面积相对于立体的细胞构造体整体的面积的比率与投放抗癌剂之前比较减少，则判定为该抗癌剂具有抗癌效果。或者，控制部也可以为，在癌细胞的数量(被荧光染色的细胞的数量)比投放抗癌剂之前减少的情况下，判定为具有抗癌效果。或者，控制部也可以为，根据图像确定出血管网缩小等暗示癌细胞减少的现象的情况下，判定为具有抗癌效果。

另外，控制部在判定为具有抗癌效果的情况下，也可以判定其抗癌效果的程度。例如，控制部根据癌细胞减少规定比例(例如50％)以上所需要的天数，将抗癌效果的程度按照高、普通、低等多个等级进行判定。控制部将向立体的细胞构造体投放的抗癌剂、对其有无抗癌效果进行判定的判定结果、在具有抗癌效果的情况下表示其效果的程度等的信息，作为后述的投放实际信息623或者药剂有效性信息624，经由通信部向评价装置50进行通知。

另外，在上述中，例示判定装置20向评价装置50通知与抗癌效果等相关的信息的情况而进行了说明，但并不限定于此。评价装置50只要至少能够取得与抗癌效果等相关的信息即可。例如，与抗癌效果等相关的信息也可以由判定装置20以外的外部装置、进行过程观察的负责者等来判定。与抗癌效果等相关的信息也可以通过负责者等的输入操作来手动输入。在该情况下，在抗癌剂效果评价装置1中能够省略摄像装置10、判定装置20。

患者信息DB30是存储与包含受检者在内的患者相关的信息的DB(数据库)，例如是云装置、服务器装置、PC(个人计算机)等计算机装置。患者信息DB30例如具备通信部、存储部、输入部以及控制部。通信部与评价装置50进行通信。存储部存储为了实现患者信息DB30的功能而需要的变量、各种数据、程序等。存储部存储与患者相关的信息。与患者相关的信息可以是任意的信息，但例如包含与从患者采集的细胞相关的信息(后述的组学信息621)以及表示患者的癌的状态等的信息(后述的状态信息620)等而构成。输入部取得经由键盘等输入装置而输入的信息。输入部例如取得与患者相关的信息，并将所取得的信息存储于存储部。控制部将存储部所存储的与患者相关的信息经由通信部向评价装置50进行通知。

药剂信息DB40是存储与抗癌剂(药剂)相关的信息的DB，是云装置、服务器装置、PC等计算机装置。药剂信息DB40例如具备通信部、存储部、输入部以及控制部。通信部与评价装置50进行通信。存储部存储为了实现药剂信息DB40的功能而需要的变量、各种数据、程序等。存储部存储与抗癌剂相关的信息。与抗癌剂相关的信息可以是任意的信息，但例如包含表示药剂的结构式、药理、物性等的信息(后述的药剂信息622)等而构成。输入部取得经由键盘等输入装置输入的信息。输入部例如取得与抗癌剂相关的信息，并将所取得的信息存储于存储部。控制部将存储部所存储的与抗癌剂相关的信息经由通信部向评价装置50进行通知。

评价装置50例如具备学习装置60以及预测装置70。学习装置60以及预测装置70均是云装置、服务器装置、PC等计算机装置。

学习装置60通过使学习模型进行有教师学习来生成预测模型。此处的预测模型是根据患者的癌的状态等信息对向患者投放了抗癌剂的情况下的抗癌效果进行预测的模型。预测装置70使用由学习装置60生成的预测模型，对向患者投放了抗癌剂的情况下的抗癌效果进行预测。

图2是表示本实施方式的学习装置60的构成例的框图。学习装置60例如具备通信部61、存储部62以及控制部63。通信部61与外部装置进行通信。此处的外部装置是判定装置20、患者信息DB30、药剂信息DB40以及预测装置70。

存储部62由HDD(Hard Disk Drive)、闪存器、EEPROM(Electrically ErasableProgrammable Read Only Memory)、RAM(Random Access read/write Memory)、ROM(ReadOnly Memory)、或者这些存储介质的任意组合构成。存储部62例如存储状态信息620、组学信息621、药剂信息622、投放实际信息623、药剂有效性信息624以及预测模型信息625。

状态信息620是表示受检者的癌的状态的信息。状态信息620由从患者信息DB30向评价装置50发送的与患者相关的信息的全部或者一部分构成。组学信息621是与从受检者采集的癌细胞相关的信息。组学信息621由从患者信息DB30向评价装置50发送的与患者相关的信息的全部或者一部分构成。药剂信息622是与抗癌剂相关的信息。药剂信息622由从药剂信息DB40向评价装置50发送的与抗癌剂相关的信息构成。投放实际信息623是表示向从受检者采集的癌细胞投放的抗癌剂的投放实际情形的信息。投放实际信息623由从判定装置20向评价装置50发送的与向立体的细胞构造体投放的抗癌剂相关的信息构成。

药剂有效性信息624是表示向从受检者采集的癌细胞投放的抗癌剂的抗癌效果的信息。表示抗癌效果的信息，除了表示抗癌剂对癌细胞是否有效的信息、表示有效程度的信息以外，也可以还包含表示癌细胞对抗癌剂是否产生了耐受性的信息。药剂有效性信息624例如由从判定装置20向评价装置50发送的对有无抗癌效果进行了判定的判定结果等构成。然而，并不限定于此，药剂有效性信息624不仅由判定装置20的判定结果构成，也可以由人根据药剂投放的结果进行了评价的结果构成。预测模型信息625是表示由学习装置60生成的预测模型的信息。

控制部63例如通过使学习装置60作为硬件而具备的CPU(Central ProcessingUnit)执行存储部62所存储的程序来实现。控制部63例如具备学习信息取得部630、预处理部631、学习部632以及装置控制部633。

学习信息取得部630取得学习信息。学习信息是在进行有教师学习的情况下用于学习的信息。学习信息例如是状态信息620、组学信息621、投放实际信息623以及药剂有效性信息624。学习信息取得部630通过参照存储部62来取得这些学习信息，并将所取得的学习信息向预处理部631输出。

预处理部631在进行有教师学习时进行事先的处理(预处理)。具体地，预处理部631生成学习用的数据集。学习用的数据集是学习数据与教师数据的组合。预处理部631将受检者的状态信息620、组学信息621、投放实际信息623、向受检者的癌细胞投放的抗癌剂的药剂信息622作为学习数据。预处理部631将与学习数据对应的受检者的药剂有效性信息624作为教师数据。预处理部631通过将学习数据与教师数据组合来生成学习用的数据集。

学习部632通过使用学习用的数据集来使学习模型进行有教师学习，由此生成预测模型。此处的学习模型例如是基于CNN(Convolutional Neural Network)等的深层学习(深度学习)的模型。以下，以学习模型为CNN的情况为例进行说明，但并不限定于此。学习模型也可以使用DCNN(Deep CNN)、决策树、分层贝叶斯、SVM(Support Vector Machine)等、在现有的机器学习中应用的模型。

学习部632使学习用的数据集中的学习数据向学习模型输入。学习部632使用误差反向传播算法等方法对学习模型的参数进行调整，以使通过输入学习数据而得到的学习模型的输出(效果的预测值)接近与学习数据对应的教师数据(效果的实际情形值)。学习部632针对所准备的学习用的数据集的每个，以使通过输入学习数据而得到的学习模型的输出接近教师数据的方式调整学习模型的参数，由此使学习模型进行有教师学习。学习部632在判定为满足了规定的结束条件的情况下，使学习模型的学习结束。规定的结束条件例如是学习次数达到规定次数或者预测值的误差成为规定的阈值以下等条件。学习部632将学习结束时的学习模型作为预测模型。学习部632将对学习结束时的学习模型(预测模型)设定的参数存储于预测模型信息625。此处的参数是生成预测模型时的变量，例如是表示CNN的输入层、中间层、输出层的各层的单元数、隐藏层的层数、活化函数等的信息、表示将各层的节点结合的结合系数、权重的信息。

装置控制部633对学习装置60进行总括控制。装置控制部633例如将经由通信部61取得的状态信息620等信息存储于存储部62。另外，装置控制部633将与由学习部632生成的预测模型相关的信息经由通信部61向预测装置70发送。

图3是表示本实施方式的预测装置70的构成例的框图。预测装置70例如具备通信部71、存储部72以及控制部73。通信部71与外部装置进行通信。此处的外部装置为学习装置60。

存储部72由HDD、闪存、EEPROM、RAM、ROM或者这些存储介质的任意组合构成。存储部72例如存储对象者信息720、对象药剂信息721以及预测模型信息722。

对象者信息720是成为使用预测模型进行预测的预测对象的对象者的信息。对象者信息720例如是与对象者的状态信息620以及组学信息621对应的信息。对象者信息720由从患者信息DB30向评价装置50发送的与患者相关的信息构成。或者，对象者信息720也可以由从预测装置70的输入部(未图示)经由键盘等输入装置输入的与对象者相关的信息构成。

对象药剂信息721是成为使用预测模型进行预测的预测对象的抗癌剂(对象药剂)的信息。对象药剂信息721例如是与能够向对象者投放的抗癌剂的药剂信息622对应的信息。对象药剂信息721由从药剂信息DB40向评价装置50发送的与患者相关的信息构成。或者，对象药剂信息721也可以由从预测装置70的输入部经由键盘等输入装置输入的与对象药剂相关的信息构成。

预测模型信息722是表示由学习装置60生成的预测模型的信息，是与预测模型信息625相同的信息。

控制部73例如通过使预测装置70作为硬件而具备的CPU执行存储部72所存储的程序来实现。控制部73例如具备输入信息取得部730、预测对象取得部731、预处理部732、预测部733、后处理部734以及装置控制部735。

如上所述，预测装置70使用预测模型来进行与使用了抗癌剂的治疗相关的预测。具体地，控制部73进行将以下的预测对象(1)～(7)作为进行预测的对象的预测。

(1)向对象者的癌细胞投放了抗癌剂的情况下的抗癌效果的程度

(2)对象者的癌细胞对所投放的抗癌剂产生耐受性的可能性

(3)对(2)的产生了耐受性的癌细胞投放了其他抗癌剂的情况下的该其他抗癌剂的抗癌效果的程度

(4)对象药剂对癌细胞有效地起作用的可能性

(5)对象药剂有可能有效地起作用的患者

(6)对象药剂有可能有效地起作用的癌种类

(7)使对象药剂组合而获得的抗癌效果的程度

另外，在预测对象(1)～(6)中，向对象者投放的药剂或者对象药剂，可以不是1种药剂而是多种药剂的组合。(7)用于将使用了某种药剂(包括多种药剂的组合)的情况下的效果、与使某种药剂与其他药剂(包括多种药剂的组合)组合的情况下的效果进行比较的情况。另外，上述“药剂的组合”包括“抗癌剂与抗癌剂的组合”以及“免疫细胞与抗癌剂的组合”。

将预测对象(1)～(7)中的哪个作为预测对象，例如根据用户的选择等来决定。具体地，控制部73的预测对象取得部731取得从预测装置70的输入部经由键盘等输入装置输入的表示预测对象的信息。控制部73基于由预测对象取得部731取得的表示预测对象的信息，对输入信息取得部730、预处理部732、预测部733以及后处理部734进行控制，由此进行使用了预测模型的预测。以下，依次说明对预测对象(1)～(7)分别进行预测的方法。

首先，说明对预测对象(1)进行预测的方法。

输入信息取得部730取得与由预测对象取得部731取得的预测对象相应的输入信息。输入信息是向预测模型输入的信息。输入信息取得部730在预测对象(1)为进行预测的对象的情况下，作为输入信息而取得对象者信息720。输入信息取得部730将所取得的对象者信息720向预处理部732输出。

预处理部732在进行使用了预测模型的预测时进行事先的处理(预处理)。具体地，预处理部732在预测对象(1)为进行预测的对象的情况下，生成将与能够向对象者投放的抗癌剂相关的信息与对象者信息720建立了对应的输入数据。输入数据是在进行预测的情况下向预测模型输入的数据。

此处的与抗癌剂相关的信息例如包含能够向对象者投药的抗癌剂的信息以及表示投放量等的信息。这些与抗癌剂相关的信息能够任意地设定，但优选设定为与预测模型进行了学习的内容(学习数据中存在的抗癌剂、其投药量)相同或者类似的范围。由此，能够基于预测模型进行了学习的内容高精度地预测抗癌效果的程度。预处理部732将所生成的输入数据向预测部733输出。

预测部733使用预测模型对预测对象(1)进行预测。预测部733参照存储部72而取得预测模型信息722，并基于所取得的信息来构建预测模型。预测部733向所构建的预测模型输入由预处理部732生成的输入数据。预测部733通过使输入数据向预测模型输入，由此取得从预测模型得到的输出。此处从预测模型输出的信息，是表示在输入数据所示的输入条件下向对象者的癌细胞投放了输入数据所示的抗癌剂的情况下的抗癌效果的程度的信息。此处的输入条件例如是根据由对象者信息720确定的对象者的癌的状态、对象者的癌细胞的组学信息、由预处理部732设定的考虑投放的抗癌剂的药剂信息以及投放量确定的条件。预测部733将从预测模型输出的信息向后处理部734输出。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(1)的预测结果。例如，后处理部734为，在从预测模型输出的表示抗癌效果的程度的信息为规定的阈值以上的情况下，生成如下的预测结果：当向对象者的癌细胞投放输入数据所示的抗癌剂时有效果。后处理部734将所生成的预测结果向装置控制部735输出。

装置控制部735对预测装置70进行总括控制。装置控制部735例如将经由通信部71取得的预测模型信息625等信息存储于存储部72。另外，装置控制部735也可以将由后处理部734生成的预测结果例如显示于预测装置70的显示部(未图示)等。

接着，说明对预测对象(2)进行预测的方法。

输入信息取得部730、预处理部732、预测部733以及后处理部734所进行的处理的流程与对预测对象(1)进行预测的情况相同，因此省略其说明。以下，在对预测对象(2)进行预测的情况下，仅说明与对预测对象(1)进行预测的情况不同的构成。

在对预测对象(2)进行预测的情况下，预测部733使用以能够对预测对象(2)进行预测的方式进行了学习的预测模型。具体地说，使用对受检者的癌细胞对输入数据所示的抗癌剂产生耐受性的可能性进行预测的预测模型。在该情况下，例如，学习装置60在生成预测模型时，对于作为教师数据的药剂有效性信息624，使用包含表示受检者的癌细胞是否对所投放的抗癌剂产生了耐受性的实际情形的信息的药剂有效性信息。学习装置60对模型的参数进行调整，以使向学习模型输入学习数据而得到的输出接近与学习数据建立对应的教师数据、即是否产生了耐受性的实际情形。由此，能够生成对受检者的癌细胞对于输入数据所示的抗癌剂产生耐受性的可能性进行预测的预测模型。

另外，关于立体的细胞构造体对抗癌剂是否产生了耐受性，基于向立体的细胞构造体投放抗癌剂之后的立体的细胞构造体的过程来判定。立体的细胞构造体对该抗癌剂是否产生了耐受性的判定基准，可以与判定装置20的判定基准一致，也可以是与判定装置20不同的判定基准。例如，在进行使用了判定装置20的判定的情况下，由判定装置20基于摄像装置10的摄像结果来判定立体的细胞构造体对抗癌剂是否产生了耐受性。另一方面，在不使用判定装置20来进行判定的情况下，通过人对立体的细胞构造体的被投放抗癌剂之后的过程进行目视检查等，来进行立体的细胞构造体对该抗癌剂是否产生了耐受性的判定。

另外，对预测对象(2)进行预测的预测模型与对预测对象(1)进行预测的预测模型可以共通、也可以不同。在与对预测对象(1)进行预测的预测模型共通的情况下，预测模型成为对输入数据所示的抗癌剂对对象者的癌细胞有效的可能性、以及对象者的癌细胞对输入数据所示的抗癌剂产生耐受性的可能性进行预测的模型。

预测部733使用预测模型对预测对象(2)进行预测。通过向预测模型输入输入数据而从预测模型得到的输出，是表示在输入数据所示的输入条件下对象者的癌细胞对输入数据所示的抗癌剂产生耐受性的可能性的信息。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(2)的预测结果。例如，后处理部734为，在由预测模型输出的表示产生耐受性的可能性的信息为规定的阈值以上的情况下，生成对象者的癌细胞对输入数据所示的抗癌剂产生耐受性的可能性较高的预测结果。

接着，说明对预测对象(3)进行预测的方法。

输入信息取得部730、预处理部732、预测部733以及后处理部734进行的处理的流程与对预测对象(1)进行预测的情况相同，因此省略其说明。以下，在对预测对象(3)进行预测的情况下，仅说明与对预测对象(1)进行预测的情况不同的构成。

在对预测对象(3)进行预测的情况下，预测部733使用以能够对预测对象(3)进行预测的方式进行了学习的预测模型。具体地说，使用对向对某个抗癌剂产生了耐受性的癌细胞投放其他抗癌剂的情况下的该其他抗癌剂的抗癌效果的程度进行预测的预测模型。在该情况下，例如，学习装置60在生成预测模型时，对于作为学习数据的投放实际信息623，使用包含表示是否是对某个抗癌剂产生了耐受性之后的投放的信息的投放实际信息。学习装置60对模型的参数进行调整，以使向学习模型输入学习数据而得到的输出接近与学习数据建立对应的教师数据、即产生耐受性之后的投放是否有效的实际情形。由此，能够生成预测对产生耐受性后的癌细胞起作用的抗癌效果的程度的预测模型。

预测部733使用预测模型对预测对象(3)进行预测。通过向预测模型输入输入数据而从预测模型获得的输出，是表示在输入数据所示的输入条件下在对象者的癌细胞产生耐受性之后投放了输入数据所示的抗癌剂的情况下有效的程度的信息。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(3)的预测结果。例如，后处理部734为，在由预测模型输出的表示产生耐受性后的投放的抗癌效果的程度的信息为规定的阈值以上的情况下，生成在对象者的癌细胞产生耐受性之后投放输入数据所示的抗癌剂的情况下有效的可能性较高的预测结果。

接着，说明对预测对象(4)进行预测的方法。以下，在对预测对象(4)进行预测的情况下，仅说明与对预测对象(1)进行预测的情况不同的构成。

输入信息取得部730为，在预测对象(4)为进行预测的对象的情况下，作为输入信息而取得对象药剂信息721。输入信息取得部730将所取得的对象药剂信息721向预处理部732输出。

预处理部732为，在预测对象(4)为进行预测的对象的情况下，生成和与能够投放与对象药剂信息721相当的抗癌剂的患者相关的信息建立对应的输入数据。此处的与患者相关的信息例如是与表示患者的癌的状态等的状态信息、患者的癌细胞的基因信息等组学信息对应的信息。

预测部733使用预测模型对预测对象(4)进行预测。预测部733向预测模型输入输入数据，由此取得从预测模型得到的输出。在此，从预测模型输出的信息，是表示在输入数据所示的输入条件下成为对象的抗癌剂被向与输入数据所示的输入条件一致的患者进行了投放的情况下的抗癌效果的程度的信息。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(4)的预测结果。例如，后处理部734为，在从预测模型输出的表示抗癌效果的程度的信息为规定的阈值以上的情况下，生成对象的抗癌剂对于癌细胞有效的预测结果。

接着，说明对预测对象(5)进行预测的方法。输入信息取得部730、预处理部732、预测部733、以及后处理部734进行的处理的流程与对预测对象(4)进行预测的情况相同，因此省略其说明。以下，在对预测对象(5)进行预测的情况下，仅说明与对预测对象(4)进行预测的情况不同的构成。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(5)的预测结果。例如，后处理部734将从预测模型输出的表示抗癌效果的程度的信息，按照患者的癌的每个状态进行汇总。后处理部734为，例如，在癌的状态能够视为同等的患者组的抗癌效果的程度为规定的阈值以上的情况下，生成抗癌剂对于处于该癌的状态的患者有效的预测结果。即，对抗癌剂有可能起作用的患者进行预测。

接着，说明对预测对象(6)进行预测的方法。输入信息取得部730、预处理部732、预测部733、以及后处理部734进行的处理的流程与对预测对象(4)进行预测的情况相同，因此省略其说明。以下，在对预测对象(6)进行预测的情况下，仅说明与对预测对象(4)进行预测的情况不同的构成。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(6)的预测结果。例如，后处理部734将从预测模型输出的表示抗癌效果的程度的信息按照癌的每个类别进行汇总。后处理部734为，例如，在相同的癌的类别的抗癌效果的程度为规定的阈值以上的情况下，按照癌的每个类别生成抗癌剂对该癌的类别有效的预测结果。

接着，说明对预测对象(7)进行预测的方法。输入信息取得部730、预处理部732、预测部733、以及后处理部734进行的处理的流程与对预测对象(4)进行预测的情况相同，因此省略其说明。以下，在对预测对象(7)进行预测的情况下，仅说明与对预测对象(4)进行预测的情况不同的构成。

在对预测对象(7)进行预测的情况下，预测部733使用以能够对预测对象(7)进行预测的方式进行了学习的预测模型。具体地说，使用对使对象药剂组合而产生的抗癌效果的程度进行预测的预测模型。在该情况下，例如，学习装置60在生成预测模型时，对于作为学习数据的投放实际信息623使用包含表示所投放的抗癌剂的组合的信息的投放实际信息。学习装置60对模型的参数进行调整，以使向学习模型输入学习数据而得到的输出接近与学习数据建立对应的教师数据、即使抗癌剂组合的投放是否有效的实际情形。由此，能够生成对使对象药剂组合而产生的抗癌效果的程度进行预测的预测模型。

预测部733使用预测模型对预测对象(7)进行预测。通过向预测模型输入输入数据而从预测模型得到的输出，是表示在输入数据所示的输入条件下使对象药剂组合投放而产生的抗癌效果的程度的信息。

后处理部734基于从预测部733取得的由预测模型输出的信息，生成预测对象(7)的预测结果。例如，后处理部734为，在从预测模型输出的表示抗癌效果的程度的信息为规定的阈值以上的情况下，生成在将对象药剂组合投放的情况下抗癌效果较高的预测结果。

图4是表示本实施方式的状态信息620的构成例的图。状态信息620针对每个受检者而生成。状态信息620例如具备受检者ID、状态信息等项目。受检者ID是唯一识别受检者的信息。状态信息例如具备阶段、年龄、癌种类、治疗历史、病理见解、病理学见解等项目。阶段是根据受检者ID确定的受检者的癌的阶段。年龄是受检者的年龄。癌种类是受检者的癌的种类。治疗历史表示受检者的癌治疗的履历。病理见解表示受检者的检查结果、诊断结果等病理的见解。作为病理见解，例如能够列举血液检查结果、尿检查结果、问诊结果等。病理学见解表示由从受检者采集的脏器或组织制作标本并进行了检查、诊断的结果等见解。作为病理学见解，例如能够列举标本中的细胞的异型性、多形性、管腔构造的有无或形态、细胞有无向间质组织浸润等。

图5是表示本实施方式的组学信息621的构成例的图。组学信息621针对每个受检者而生成。组学信息621例如通过对从受检者采集的血液等细胞进行基因分析来取得。组学信息621例如具备受检者ID以及组学信息等项目。受检者ID是唯一识别受检者的信息。组学信息例如具备基因组学、转录组学、代谢组学、蛋白质组学、有无甲基化等项目。基因组学是受检者的基因信息。转录组学是受检者的每个组织、每个细胞的基因信息。代谢组学是受检者的代谢物信息。蛋白质组学是与受检者的蛋白质相关的信息。表型是表示受检者的表现形式的信息。有无甲基化是表示受检者的癌细胞有无DNA甲基化的信息。

图6是表示本实施方式的药剂信息622的构成例的图。药剂信息622针对每种抗癌剂而生成。药剂信息622例如具备药剂ID以及药剂信息。药剂ID是唯一地识别抗癌剂的信息。药剂信息例如具备结构式信息、药理信息、物性信息等项目。结构式信息是表示根据药剂ID确定的抗癌剂的结构式的信息。药理信息是表示由于抗癌剂而产生的生理变化的信息。物性信息是表示抗癌剂的物性的信息。

图7是表示本实施方式的药剂信息622A的构成例的图。药剂信息622A是药剂信息622的变形例，例如，在将多个抗癌剂组合投放的情况下，按照每个其组合来生成。药剂信息622A例如具备药剂组合ID以及药剂组合信息。药剂组合信息是表示根据药剂组合ID确定的抗癌剂的组合的信息，例如具备第一个抗癌剂即组合1的药剂ID、以及第二个抗癌剂即组合2的药剂ID等项目。

图8是表示本实施方式的投放实际信息623的构成例的图。投放实际信息623按照每个受检者而生成。投放实际信息623例如具备受检者ID、投放实际信息1、投放实际信息2、……等项目。受检者ID是唯一识别受检者的信息。投放实际信息1、投放实际信息2、……是表示向根据受检者ID确定的受检者投放的抗癌剂的投放履历的信息。各个投放实际信息例如具备药剂ID、投放量、耐受性等项目。药剂ID是唯一地识别向受检者的癌细胞投放的抗癌剂的信息。投放量是向受检者的癌细胞投放的抗癌剂的量，耐受性是投放了抗癌剂的时刻的与受检者的癌细胞的耐受性相关的信息。耐受性例如具备有无、抗癌剂名称、投放定时等项目。有无是表示有无耐受性的信息。抗癌剂名称是具有耐受性的抗癌剂的名称。投放定时是表示是产生了耐受性之后的投放还是产生耐受性之前的投放的信息。

图9是表示本实施方式的药剂有效性信息624的构成例的图。药剂有效性信息624按照每个受检者而生成。另外，药剂有效性信息624例如与投放实际信息623所示的投放的实际情形对应地生成。药剂有效性信息624例如具备受检者ID、药剂有效性信息1、2、……等项目。受检者ID是唯一识别受检者的信息。药剂有效性信息1、2、……是表示向根据受检者ID确定的受检者投放的抗癌剂的效果的履历的信息。各个药剂有效性信息例如具备投放实际信息、有效等级、有无产生耐受性等项目。投放实际信息是表示向受检者进行了投放的抗癌剂的信息，例如是根据投放实际信息623的投放实际信息1、投放实际信息2、……等确定的信息。有效等级是表示抗癌剂有效的情况下的有效程度的信息。有效等级可以是表示抗癌剂是否有效的二值的信息，也可以是以多个阶段表示抗癌剂的有效程度的信息。有无产生耐受性是表示受检者的癌细胞对于抗癌剂是否产生了耐受性的信息。

图10是表示本实施方式的抗癌剂效果评价装置1进行的处理的流程的时序图。图10示出在学习阶段取得使学习模型进行学习的学习信息的处理的流程。

由从受检者采集的细胞构建立体的细胞构造体(步骤S10)。具体地说，构建包含构成间质的细胞以及从受检者采集的癌细胞的立体的细胞构造体。向立体的细胞构造体投放抗癌剂(步骤S11)。具体地说，在存在抗癌剂的环境下培养立体的细胞构造体。与向立体的细胞构造体投放的抗癌剂相关的信息经由键盘等输入装置向判定装置20输入。

判定装置20存储与向立体的细胞构造体投放的抗癌剂相关的信息(步骤S12)，并将与向立体的细胞构造体投放的抗癌剂相关的信息向评价装置50进行通知(步骤S13)。与向立体的细胞构造体投放的抗癌剂相关的信息作为投放实际信息623而存储于学习装置60的存储部62。

摄像装置10对立体的细胞构造体进行摄像(步骤S14)。摄像装置10例如在向立体的细胞构造体投放抗癌剂之前、以及投放了抗癌剂之后的规定的时间间隔(例如每天)对立体的细胞构造体进行摄像。摄像装置10将所摄像的立体的细胞构造体的图像向判定装置20输出(步骤S15)。

判定装置20基于从摄像装置10取得的立体的细胞构造体的图像来判定抗癌效果(步骤S16)。在该情况下，判定装置20也可以判定受检者的癌细胞对于抗癌剂是否产生了耐受性。判定装置20例如参照受检者的投放实际信息623，判定是否存在与这次作为判定对象的药剂相同的药剂在过去向受检者进行过投放的实际情形。判定装置20为，在存在过去向受检者投放过药剂的实际情形，且判定为该药剂具有抗癌效果的情况下，在这次的抗癌效果的判定结果示出“无效果”的情况下，判定为受检者的癌细胞对于抗癌剂产生了耐受性。另一方面，判定装置20为，在过去向受检者投放过的药剂被判定为具有抗癌效果，且这次的抗癌效果的判定结果也示出“有效果”的情况下，判定为受检者的癌细胞对于抗癌剂未产生耐受性。判定装置20将判定结果向评价装置50进行通知(步骤S17)。该判定结果作为药剂有效性信息624而存储于学习装置60的存储部62。

另一方面，由从受检者采集的细胞(血液)调查受检者的基因等(步骤S18)。与受检者的基因等相关的调查结果经由键盘等输入装置向患者信息DB30输入。

患者信息DB30存储与受检者的基因等相关的调查结果(步骤S19)，并将表示调查结果的信息向评价装置50进行通知(步骤S20、S21)。表示与受检者的基因等相关的调查结果的信息中的受检者的阶段、年龄等表示癌的状态的信息，作为状态信息620而存储于学习装置60的存储部62。另外，表示受检者的癌细胞的基因等的调查结果的信息，作为组学信息621而存储于学习装置60的存储部62。

另一方面，与抗癌剂相关的信息经由键盘等输入装置向药剂信息DB40输入，并存储于药剂信息DB40(步骤S22)。药剂信息DB40将与抗癌剂相关的信息向评价装置50进行通知(步骤S23)。与抗癌剂相关的信息作为药剂信息622而存储于学习装置60的存储部62。

图11是表示本实施方式的学习装置60进行的处理的流程的流程图。图11表示学习装置60制作预测模型的处理的流程。学习装置60取得学习数据以及教师数据(步骤S31)。具体地说，学习装置60作为学习数据而取得受检者的状态信息620、组学信息621、投放实际信息623、以及药剂信息622。学习装置60作为教师数据而取得受检者的药剂有效性信息624。

评价装置50通过使学习数据与教师数据组合而生成学习用的数据集(步骤S32)。学习装置60向学习模型输入学习用的数据集中的学习数据(步骤S33)。学习装置60对学习模型的参数进行调整，以使从学习模型得到的输出与数据集中的教师数据之差分变小(步骤S34)。学习装置60判定是否满足预先规定的学习的结束条件(步骤S35)。学习装置60在满足学习的结束条件的情况下，将该时刻的学习模型确定为预测模型，并将对模型设定的参数值等作为预测模型信息625而存储。另一方面，学习装置60为，在步骤S35中不满足学习的结束条件的情况下，返回步骤S33，重复学习。

图12至图14是表示本实施方式的预测装置70进行的处理的流程的流程图。图12表示预测装置70对预测对象(1)～(3)中的任一个进行预测的处理的流程。另外，在图12的流程图中，其前提为，能够对预测对象(1)～(3)中的任一个进行预测的预测模型已由学习装置60制作完成，表示该预测模型的信息(预测模型信息722)被存储于预测装置70。

预测装置70作为输入信息而取得对象者的对象者信息720(步骤S41)。预测装置70将与进行抗癌效果预测的抗癌剂相关的信息与输入信息建立对应地进行设定(步骤S42)。此处的与抗癌剂相关的信息例如是表示抗癌剂的药剂信息、投放量、投放定时等的信息。投放定时是表示是产生耐受性之前的投放还是产生耐受性之后的投放的信息。

预测装置70将在步骤S41中取得的对象者信息720、以及在步骤S42中设定的与抗癌剂相关的信息向预测模型输入，并根据所得到的输出来预测所设定的抗癌剂的抗癌效果(步骤S43)。

预测装置70判定是否对于想要预测抗癌效果的所有抗癌剂都预测了其抗癌效果(步骤S44)。在还存在未预测抗癌效果的抗癌剂的情况下，预测装置70返回步骤S42并进行预测。

预测装置70为，在步骤S44中对于所有抗癌剂都预测完了抗癌效果的情况下，判定进行预测的对象是预测对象(1)～(3)中的哪个(步骤S45)，生成与预测对象相应的预测结果，并输出所生成的结果。

预测装置70为，在进行预测的对象为预测对象(1)的情况下，输出将抗癌效果为规定的阈值以上的抗癌剂设为对对象者的癌细胞具有效果的抗癌剂的预测结果(步骤S46)。

预测装置70为，在进行预测的对象为预测对象(2)的情况下，输出将产生耐受性的可能性为规定的阈值以上的抗癌剂设为对象者的癌细胞产生耐受性的可能性较高的抗癌剂的预测结果(步骤S47)。

预测装置70为，在进行预测的对象为预测对象(3)的情况下，输出将在产生耐受性之后的投放中抗癌效果为规定的阈值以上的抗癌剂设为当在对象者的癌细胞产生耐受性之后投放时具有效果的抗癌剂的预测结果(步骤S48)。

图13表示预测装置70对预测对象(4)～(6)中的任一个进行预测的处理的流程。在此，其前提为，能够对预测对象(4)～(6)中的任一个进行预测的预测模型已由学习装置60制作完成，表示该预测模型的信息(预测模型信息722)被存储于预测装置70。

预测装置70作为输入信息而取得对象药剂信息721(步骤S51)。预测装置70将与投放抗癌剂的患者相关的信息与输入信息建立对应地设定(步骤S52)。此处的与患者相关的信息例如是表示患者的状态信息、组学信息等的信息。

预测装置70将在步骤S51中取得的对象药剂信息721以及在步骤S52中设定的与患者相关的信息输入预测模型，根据所得到的输出来预测与对象药剂信息721对应的抗癌剂的抗癌效果(步骤S53)。

预测装置70判定是否对于想要预测抗癌效果的所有抗癌剂都预测了其抗癌效果(步骤S54)。在还存在未预测抗癌效果的抗癌剂的情况下，预测装置70返回步骤S52并进行预测。

预测装置70为，在进行预测的对象为预测对象(4)的情况下，输出将抗癌效果为规定的阈值以上的抗癌剂设为对癌细胞具有效果的抗癌剂的预测结果(步骤S55)。

预测装置70为，在进行预测的对象为预测对象(5)的情况下，将抗癌效果按照患者的每个状态进行汇总，并输出将向癌的状态为相同程度的患者组进行了投放的情况下的抗癌效果为规定的阈值以上的抗癌剂设为若是投放则有效果的抗癌剂按照患者的每个状态进行表示的预测结果(步骤S56)。

预测装置70为，在进行预测的对象为预测对象(6)的情况下，将抗癌效果按照癌的每个种类进行汇总，并输出将向癌的类别相同的组进行了投放的情况下的抗癌效果为规定的阈值以上的抗癌剂设为若是投放则有效果的抗癌剂按照癌的每个种类进行表示的预测结果(步骤S57)。

图14表示预测装置70对预测对象(7)进行预测的处理的流程。此处，其前提为，能够对预测对象(7)中的任一个进行预测的预测模型已由学习装置60制作完成，且表示该预测模型的信息(预测模型信息722)被存储于预测装置70。

预测装置70作为输入信息而取得对象者的对象者信息720(步骤S61)。预测装置70将与预测抗癌效果的抗癌剂的组合相关的信息与输入信息建立对应地设定(步骤S62)。

预测装置70将在步骤S61中取得的对象者信息720、以及在步骤S62中设定的与抗癌剂的组合相关的信息输入预测模型，并根据所得到的输出来预测所设定的抗癌剂的组合的抗癌效果(步骤S63)。

预测装置70判定是否对于想要预测抗癌效果的所有抗癌剂的组合都预测了其抗癌效果(步骤S64)。在还存在未预测抗癌效果的抗癌剂的组合的情况下，预测装置70返回步骤S62并进行预测。

预测装置70为，在步骤S64中对于想要预测抗癌效果的所有抗癌剂的组合都预测完了其抗癌效果的情况下，输出将抗癌效果为规定的阈值以上的抗癌剂的组合设为若是组合投放则对于对象者的癌细胞具有效果的预测结果(步骤S65)。

如以上说明的那样，实施方式的评价装置50是对抗癌效果进行评价的评价装置，具备学习信息取得部630、学习部632、存储部72、输入信息取得部730、以及预测部733。学习信息取得部630取得学习数据及教师数据。学习数据是与不特定的受检者的癌相关的信息，至少包含状态信息620。教师数据是通过向从受检者采集的细胞投放抗癌剂而得到的与抗癌剂的效果相关的信息。学习部632生成预测模型。预测模型是进行与使用了抗癌剂的治疗相关的预测的模型。学习部632通过使学习模型对由学习信息取得部630取得的学习数据以及教师数据的对应关系进行有教师学习来生成预测模型。存储部72存储由学习部632生成的预测模型。输入信息取得部730取得输入信息。输入信息是与作为进行预测的对象的对象者的癌相关的信息。预测部733使用输入信息和预测模型来进行与使用了抗癌剂的治疗相关的预测。学习信息取得部630作为教师数据，取得通过向立体的细胞构造体投放抗癌剂而得到的与抗癌效果相关的信息。立体的细胞构造体是包含从不特定的受检者采集的癌细胞以及构成间质的细胞的构造体。

由此，实施方式的评价装置50能够将受检者的状态信息620作为学习数据，能够生成对受检者的癌的状态进行考虑而预测抗癌效果的预测模型。由此，能够不仅考虑细胞的组学信息，而且还考虑与患者相关的各种信息即癌的状态信息来对抗癌剂的药效进行评价。

另外，在本实施方式的评价装置50中，作为教师数据而取得通过向立体的细胞构造体投放抗癌剂而得到的与抗癌效果相关的信息，因此能够生成对在更接近生物体的环境下进行了抗癌效果的评价的评价结果进行学习而得到的预测模型。因此，能够更高精度地判定对患者的治疗的有效性。另外，在通常的抗癌治疗中，在某个时刻能够对患者投放的抗癌剂仅为1种。但是，根据本实施方式的评价装置50，由于使用立体的细胞构造体，因此能够对从同一患者采集的癌细胞并行地投放不同种类的抗癌剂，能够同时进展地取得与抗癌效果相关的信息。而且，根据本实施方式的评价装置50，由于使用立体的细胞组织，因此能够将取得与抗癌效果相关的信息的癌细胞与取得组学信息等的癌细胞设为同一癌细胞。即，能够从与构成立体的细胞组织的癌细胞具有相同的组学信息的癌细胞取得组学信息。由此，能够将组学信息与和抗癌效果相关的信息准确地建立关联。因此，能够更高精度地判定对患者的治疗的有效性。如此将组学信息与和抗癌效果相关的信息建立关联，在对产生耐受性的可能性进行预测的情况等时特别重要。其理由在于，普遍认为，在癌细胞产生了耐受性时与投放抗癌剂之前相比组学信息有可能产生变化。

另外，在实施方式的评价装置50中，立体的细胞构造体中的构成间质的细胞也可以包含成纤维细胞。另外，在实施方式的评价装置50中，立体的细胞构造体中的构成间质的细胞可以进一步包含血管内皮细胞，也可以进一步包含有血管网。由此，实施方式的评价装置50为，能够生成对在更接近生物体的环境下进行了抗癌效果的评价的评价结果进行学习而得到的预测模型，并能够起到与上述效果相同的效果。另外，通过使用具有血管网的立体的细胞构造体，能够在更接近生物体的环境下对免疫细胞与抗癌剂的抗癌效果进行评价。

另外，在实施方式的评价装置50中，学习信息取得部630作为学习数据而取得受检者的状态信息620、组学信息621、投放实际信息623、以及药剂信息622。学习信息取得部630作为教师数据而取得药剂有效性信息624。学习部632基于对象者的癌的状态、从对象者采集的细胞的组学信息，生成预测作用于对象者的癌细胞的抗癌剂的效果的预测模型。由此，能够考虑与患者相关的各种信息而对抗癌剂的药效进行评价，能够起到与上述效果相同的效果。

另外，在实施方式的评价装置50中，输入信息取得部730作为输入信息而取得对象者信息720，该对象者信息720包含作为进行预测的对象的对象者的状态信息以及从对象者采集的细胞的组学信息。预测部733预测作用于对象者的癌细胞的抗癌剂的效果。由此，在实施方式的评价装置50中，在还未投放抗癌剂的阶段，能够根据对象者的癌的状态、组学信息来预测如果投放则可期待效果的抗癌剂。

另外，在实施方式的评价装置50中，输入信息取得部730作为输入信息而取得对象药剂信息721。预测部733预测通过对象药剂信息721确定的抗癌剂作用于癌细胞的效果。由此，在实施方式的评价装置50中，能够使用在更接近生物体的环境下评价了抗癌效果的结果来提取可期待效果的抗癌剂，即能够进行所谓的新药的筛选。

另外，在实施方式的评价装置50中，输入信息取得部730作为输入信息而取得对象药剂信息721。预测部733按照患者的癌的每个状态来预测通过对象药剂信息721确定的抗癌剂作用于癌细胞的效果。由此，在实施方式的评价装置50中，能够提取与患者的癌的状态相应且可期待各自独立的效果的抗癌剂。

另外，在实施方式的评价装置50中，状态信息620包含表示受检者的癌的种类的信息。输入信息取得部730作为输入信息而取得对象药剂信息721。预测部733按照癌的每个种类来预测通过对象药剂信息721确定的抗癌剂作用于癌细胞的效果。由此，在实施方式的评价装置50中，能够生成对癌的种类进行考虑而预测抗癌效果的预测模型，能够提取与癌的种类相应且可期待各自独立的效果的抗癌剂。

另外，在实施方式的评价装置50中，投放实际信息623包含与向立体的细胞构造体投放的多个抗癌剂的组合相关的信息。药剂有效性信息624包含对向立体的细胞构造体投放的多个抗癌剂的组合的抗癌效果进行了判定的结果。输入信息取得部730作为输入信息而取得与作为进行预测的对象的多个抗癌剂的组合对应的对象药剂信息721。预测部733预测通过对象药剂信息721而确定的抗癌剂的组合作用于对象者的癌细胞的效果。

一般而言，在基于药剂投放的癌治疗中，存在仅投放单一的抗癌剂的单剂治疗、以及将多种抗癌剂同时投放或者依次投放而通过其复合效果来进行治疗的并用治疗。由于抗癌剂的组合数量较庞大，因此针对每个患者寻找适合进行并用治疗的组合并不现实。并且，也有时很少存在癌的状态类似的症例的患者，在这种情况下，有时寻找适合于进行并用治疗的组合更是极其困难。

与此相对，在实施方式的评价装置50中，由于使用立体的细胞构造体，因此能够考虑对象者的癌的状态而预测组合了抗癌剂的情况下的抗癌效果。因此，在投放抗癌剂之前的阶段，能够向对象者提示如果对象者进行并用治疗则可期待效果的抗癌剂的组合。

另外，在实施方式的评价装置50中，药剂有效性信息624包含对受检者的癌细胞对于规定的抗癌剂是否产生耐受性进行了判定的结果。输入信息取得部730作为输入信息而取得对象者的对象者信息720。预测部733预测对象者的癌细胞对于规定的抗癌剂产生耐受性的程度。

一般而言，在对患者进行了药剂投放的情况下，患部未必会完全消失，有时患部的细胞产生变异而对药剂产生耐受性，药剂失效。特别是，在进行对癌细胞投放抗癌剂的治疗的情况下，癌细胞容易产生变异，成为使癌的药剂投放治疗变得困难的一个因素。在医疗现场，对是否产生耐受性进行预测的需求提高，但实际情况是未实现进行预测的方法。与此相对，在实施方式的评价装置50中，能够在投放抗癌剂之前预测对象者的癌细胞是否产生耐受性。

另外，在实施方式的评价装置50中，药剂有效性信息624包含对受检者的癌细胞对于规定的抗癌剂(第一抗癌剂)是否产生耐受性进行判定的结果。投放实际信息623包含表示与向受检者的癌细胞投放的特定的抗癌剂不同的抗癌剂(第二抗癌剂)是否是在受检者的癌细胞对于特定的抗癌剂产生耐受性之后投放的抗癌剂的信息。输入信息取得部730作为输入信息而取得对象者的对象者信息720。预测部733预测在对象者的癌细胞对于规定的抗癌剂产生耐受性之后、其他抗癌剂作用于对象者的癌细胞的效果。由此，在实施方式的评价装置50中，能够预测在对象者的癌细胞变异而规定的抗癌剂失效之后如果投放则可期待效果的抗癌剂，即使在对象者的癌细胞对于规定的抗癌剂产生耐受性的情况下，也能够提示可期待效果的抗癌剂。

另外，实施方式的学习装置60具备学习信息取得部630以及学习部632。由此，实施方式的学习装置60能够起到与上述效果相同的效果。

另外，实施方式的70具备输入信息取得部730以及预测部733。由此，实施方式的预测装置70能够起到与上述效果相同的效果。

上述实施方式中的评价装置50、学习装置60、以及预测装置70的全部或者一部分也可以通过计算机来实现。在该情况下，也可以通过将实现这种功能的程序存储到计算机可读取的存储介质中，并将存储介质所存储的程序读入到计算机系统中并执行来实现。另外，此处所述的“计算机系统”包括OS、周边设备等硬件。另外，“计算机可读取的存储介质”是指软盘、光磁盘、ROM、CD-ROM等可移动介质、内置于计算机系统的硬盘等存储装置。并且，“计算机可读取的存储介质”也可以包括：如经由因特网等网络、电话线路等通信线路发送程序的情况下的通信线那样，在短时间的期间动态地保持程序的介质；如该情况下的服务器、成为客户端的计算机系统内部的易失性存储器那样，在一定时间内保持程序的介质。此外，上述程序可以是实现上述功能的一部分的程序，也可以是能够通过与已经存储于计算机系统的程序的组合来实现上述功能的程序，还可以使用FPGA等可编程逻辑设备来实现。

以上，参照附图对本发明的实施方式进行了详细叙述，但具体构成不限定于上述实施方式，也包括不脱离本发明的主旨的范围的设计等。

附图标记说明

1 抗癌剂效果评价装置

10 摄像装置

20 判定装置

30患者信息DB

40药剂信息DB

50 评价装置

60 学习装置

61 通信部

62 存储部

620 状态信息

621 组学信息

622 药剂信息

623 投放实际信息

624 药剂有效性信息

625 预测模型信息

63 控制部

630 学习信息取得部

631 预处理部

632 学习部

633 装置控制部

70 预测装置

71 通信部

72 存储部

720 对象者信息

721 对象药剂信息

722 预测模型信息

73 控制部

730 输入信息取得部

731 预测对象取得部

732 预处理部

733 预测部

734 后处理部

735 装置控制部

Claims (18)

1.一种评价装置，对抗癌效果进行评价，具备：

学习信息取得部，取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，至少包含表示不特定的受检者的癌的状态的状态信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息；

学习部，通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型；

存储部，存储由上述学习部生成的预测模型；

输入信息取得部，取得与成为预测对象的对象者的癌相关的信息即输入信息；以及

预测部，使用上述输入信息及上述预测模型，进行与使用了抗癌剂的治疗相关的预测，

上述学习信息取得部取得通过对包含从不特定的受检者采集的癌细胞、以及构成间质的细胞的立体的细胞构造体投放抗癌剂而得到的、与抗癌效果相关的信息，作为教师数据。

2.如权利要求1所述的评价装置，其中，

构成上述间质的细胞包含成纤维细胞。

3.如权利要求1或2所述的评价装置，其中，

构成上述间质的细胞还包含血管内皮细胞。

4.如权利要求1至3中任一项所述的评价装置，其中，

上述学习信息取得部取得表示不特定的受检者的癌的状态的状态信息、从上述受检者采集的细胞的组学信息、与抗癌剂相关的药剂信息、与向上述立体的细胞构造体投放的抗癌剂相关的投放实际信息，作为学习数据，取得对向上述立体的细胞构造体投放的抗癌剂是否有效进行了判定的结果即药剂有效性信息，作为教师数据，

上述学习部基于癌患者的上述状态信息、以及从上述癌患者采集的细胞的组学信息，生成预测对上述癌患者的癌细胞作用的抗癌剂的效果的预测模型。

5.如权利要求4所述的评价装置，其中，

上述输入信息取得部取得包含与成为预测对象的对象者相关的上述状态信息以及从上述对象者采集的细胞的组学信息的对象者信息，作为上述输入信息，

上述预测部预测对上述对象者的癌细胞作用的抗癌剂的效果。

6.如权利要求4所述的评价装置，其中，

上述输入信息取得部取得与成为预测对象的抗癌剂相关的对象药剂信息，作为上述输入信息，

上述预测部预测通过上述对象药剂信息确定的抗癌剂对癌细胞作用的效果。

7.如权利要求4所述的评价装置，其中，

上述输入信息取得部取得与成为预测对象的抗癌剂相关的对象药剂信息，作为上述输入信息，

上述预测部按照患者的癌的每个状态来预测通过上述对象药剂信息确定的抗癌剂对癌细胞作用的效果。

8.如权利要求4所述的评价装置，其中，

上述状态信息包含表示上述受检者的癌的种类的信息，

上述输入信息取得部取得与成为预测对象的抗癌剂相关的对象药剂信息，作为上述输入信息，

上述预测部按照癌的每个种类来预测通过上述对象药剂信息确定的抗癌剂对癌细胞作用的效果。

9.如权利要求4所述的评价装置，其中，

上述投放实际信息包含与向上述立体的细胞构造体投放的多个抗癌剂的组合相关的信息，

上述药剂有效性信息包含对向上述立体的细胞构造体投放的上述多个抗癌剂的组合的抗癌效果进行了判定的结果，

上述输入信息取得部取得与成为预测对象的多个抗癌剂的组合对应的对象药剂信息，作为上述输入信息，

上述预测部预测通过上述对象药剂信息确定的抗癌剂的组合对上述对象者的癌细胞作用的效果。

10.如权利要求4所述的评价装置，其中，

上述药剂有效性信息包含对上述受检者的癌细胞相对于规定的抗癌剂是否产生了耐受性进行了判定的结果，

上述输入信息取得部取得包含与成为预测对象的对象者相关的上述状态信息以及从上述对象者采集的细胞的组学信息的对象者信息，作为上述输入信息，

上述预测部预测上述对象者的癌细胞相对于规定的抗癌剂产生耐受性的程度。

11.如权利要求4所述的评价装置，其中，

上述药剂有效性信息包含对上述受检者的癌细胞相对于规定的第一抗癌剂是否产生了耐受性进行了判定的结果，

上述投放实际信息包含表示向上述受检者的癌细胞投放的与上述第一抗癌剂不同的第二抗癌剂是否是在上述受检者的癌细胞相对于上述第一抗癌剂产生耐受性之后投放的抗癌剂的信息，

上述输入信息取得部取得包含与成为预测对象的对象者相关的上述状态信息以及从上述对象者采集的细胞的组学信息的对象者信息，作为上述输入信息，

上述预测部预测在上述对象者的癌细胞相对于上述第一抗癌剂产生耐受性之后上述第二抗癌剂对上述对象者的癌细胞作用的效果。

12.一种学习装置，具备：

学习信息取得部，取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息；以及

学习部，通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型。

13.一种预测装置，具备：

输入信息取得部，取得与成为预测对象的对象者的癌相关的信息即输入信息；以及

预测部，使用上述输入信息及预测模型，进行与使用了抗癌剂的治疗相关的预测，

上述预测模型是通过使学习模型对学习数据与教师数据之间的对应关系进行有教师学习而生成的、进行与使用了抗癌剂的治疗相关的预测的模型，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息。

14.一种评价方法，对抗癌效果进行评价，其中，

学习信息取得部取得学习数据及教师数据，该学习数据是与不特定的受检者的癌相关的信息，该教师数据是通过对从上述受检者采集的细胞投放抗癌剂而得到的与上述抗癌剂的效果相关的信息，

学习部通过使学习模型对由上述学习信息取得部取得的学习数据与上述教师数据的对应关系进行有教师学习，生成进行与使用了抗癌剂的治疗相关的预测的预测模型，

存储部存储由上述学习部生成的预测模型，

输入信息取得部取得与成为预测对象的对象者的癌相关的信息即输入信息，

预测部使用上述输入信息及上述预测模型，进行与使用了抗癌剂的治疗相关的预测。

15.一种程序，使计算机作为权利要求12所述的学习装置进行动作，其中，

上述程序使上述计算机作为上述学习装置所具备的各部起作用。

16.一种程序，使计算机作为权利要求13所述的预测装置进行动作，其中，

上述程序使上述计算机作为上述预测装置所具备的各部起作用。

17.一种计算机可读取的存储介质，存储使计算机作为权利要求12所述的学习装置进行动作的程序，其中，

上述程序使上述计算机作为上述学习装置所具备的各部起作用。

18.一种计算机可读取的存储介质，存储使计算机作为权利要求13所述的预测装置进行动作的程序，其中，

上述程序使上述计算机作为上述预测装置所具备的各部起作用。

Images