WO2023157755A1 - 情報処理装置、生体試料解析システム及び生体試料解析方法 - Google Patents

Abstract

本開示の一形態に係る情報処理装置は、生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部（１３３ｂ）と、前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部（１３３ｄ）と、を備える。

Description

情報処理装置、生体試料解析システム及び生体試料解析方法

　本開示は、情報処理装置、生体試料解析システム及び生体試料解析方法に関する。

　現在、がん免疫サイクルの過程で示されるように、細胞間の相互作用（例えば、細胞同士の接触）ががんの進行や駆逐のきっかけになると考えられている。ところが、それらの関係をアルゴリズム化することは困難であり、例えば、バイオロジカルな側面を満たしたアルゴリズムを得ることは難しい。上記の細胞間の相互作用を把握するため、バイオマーカ間の相関解析を実施することが重要であるが、複数のバイオマーカをクラスタリングする従来のクラスタリング手法（例えば、階層的クラスタリングやソフトクラスタリングなど）では、細胞の位置情報を含んでおらず、多色のバイオマーカ染色の情報が活かしきれていない。例えば、非特許文献１には、病理診断画像において、ある細胞とフェノタイプの細胞間の距離を測り、細胞数や密度を測定するような手法が提案されている。

SNEHA　BERRY、外７名、Analysis　of　multispectral　imaging　with　the　AstroPath　platform　informs　efficacy　of　PD-1　blockade、（online）、Science、11　Jun　2021、Vol　372、Issue　6547、（令和３年１１月２２日検索）、インターネット＜ＵＲＬ:https://www.science.org/doi/10.1126/science.aba2609＞

　しかしながら、非特許文献１では、ある細胞とフェノタイプの細胞との関係は一対一の関係であって、あくまでもフェノタイプの細胞種類は１つであり、非特許文献１の手法は複数の細胞種類の相関関係を求める手法ではない。このため、複数の細胞種類の相関関係、すなわち、複数のバイオマーカの相関関係を求める手法が求められている。

　そこで、本開示では、複数のバイオマーカの相関関係を求めることが可能な情報処理装置、生体試料解析システム及び生体試料解析方法を提案する。

　本開示の一形態に係る情報処理装置は、生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部と、前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、を備える。

　本開示の一形態に係る生体試料解析システムは、生体試料を含むサンプルである標本画像を取得する撮像装置と、前記標本画像を処理する情報処理装置と、を備え、前記情報処理装置は、前記標本画像から、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部と、前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、を有する。

　本開示の一形態に係る生体試料解析方法は、生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得することと、前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定することと、前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力することと、を含む。

第１の実施形態に係る情報処理システムの概略構成の一例を示す図である。 第１の実施形態に係る情報処理装置による全体の処理の流れの一例を示すフローチャートである。 第１の実施形態に係る空間解析部の概略構成の一例を示す図である。 第１の実施形態に係る多バイオマーカの相関解析の処理の流れの一例を示すフローチャートである。 第１の実施形態に係るサンプルの実施例１を説明するための図である。 第１の実施形態に係るＡＦ４８８＿ＣＤ７のブロックごとの陽性細胞率の一例を示す図である。 第１の実施形態に係るＡＦ５５５＿ＣＤ３のブロックごとの陽性細胞率の一例を示す図である。 第１の実施形態に係るＡＦ４８８＿ＣＤ７のソート後のブロックごとの陽性細胞率の一例を示す図である。 第１の実施形態に係るＡＦ６４７＿ＣＤ５のソート後のブロックごとの陽性細胞率の一例を示す図である。 第１の実施形態に係るＪＮＭＦ（Joint　Non-negative　Matrix　Factorization）の実施例１を説明するための図である。 第１の実施形態に係るＷのクラス分け結果と実際の画像との比較を説明するための図である。 第１の実施形態に係るサンプルの実施例２を説明するための図である。 第１の実施形態に係るＪＮＭＦの実施例２を説明するための図である。 第１の実施形態に係るＪＮＭＦの実施例３を説明するための図である。 第１の実施形態に係るＪＮＭＦの実施例４を説明するための図である。 第１の実施形態に係るＪＮＭＦの実施例５を説明するための図である。 第１の実施形態に係るクラスタ数の決定を説明するための図である。 第２の実施形態に係るＪＮＭＦを複数回実施した結果Ｗを示す図である。 第２の実施形態に係るクラスタリングのイメージを説明するための図である。 第２の実施形態に係る初期値算出の処理の流れの一例を示すフローチャートである。 第２の実施形態に係るがん微小環境（ＴＭＥ）の種類を説明するための図である。 第２の実施形態に係るシミュレーションデータセットを説明するための図である。 第２の実施形態に係るサンプル１～８に対してＪＮＭＦを実施した結果を説明するための図である。 第２の実施形態に係る既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施することを説明するための図である。 第２の実施形態に係る初期値の概要を説明するための第１の図である。 第２の実施形態に係る初期値の概要を説明するための第２の図である。 第２の実施形態に係るＬＳＭ（最小二乗法）を説明するための図である。 第２の実施形態に係る第１の算出方法を説明するための図である。 第２の実施形態に係る第１の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。 第２の実施形態に係る第２の算出方法を説明するための図である。 第２の実施形態に係る第２の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。 第２の実施形態に係る第３の算出方法を説明するための図である。 第２の実施形態に係る第３の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。 第２の実施形態に係る第４の算出方法を説明するための図である。 第２の実施形態に係る第４の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。 第２の実施形態に係る第５の算出方法を説明するための図である。 第２の実施形態に係る第５の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。 蛍光観察装置の概略構成の一例を示す図である。 観察ユニットの概略構成の一例を示す図である。 サンプルの一例を示す図である。 サンプルにライン照明が照射される領域を拡大して示す図である。 顕微鏡システムの全体構成を概略的に示す図である。 撮像方式の例を示す図である。 撮像方式の例を示す図である。 情報処理装置のハードウェアの概略構成の一例を示す図である。

　以下に、本開示の実施形態（実施例、変形例を含む）について図面に基づいて詳細に説明する。なお、この実施形態により本開示に係る装置、システム及び方法等が限定されるものではない。また、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、基本的に同一の符号を付することにより重複説明を省略する。

　以下に説明される１又は複数の実施形態（実施例、変形例を含む）は、各々が独立に実施されることが可能である。一方で、以下に説明される複数の実施形態は少なくとも一部が他の実施形態の少なくとも一部と適宜組み合わせて実施されてもよい。これら複数の実施形態は、互いに異なる新規な特徴を含み得る。したがって、これら複数の実施形態は、互いに異なる目的又は課題を解決することに寄与し得、互いに異なる効果を奏し得る。

　以下に示す項目順序に従って本開示を説明する。
　１．第１の実施形態
　１－１．情報処理システムの構成例
　１－２．情報処理装置の処理例
　１－３．多バイオマーカの相関解析の処理例
　１－４．多バイオマーカの相関解析の具体例
　１－５．作用・効果
　２．第２の実施形態
　２－１．第２の実施形態の要旨
　２－２．初期値算出の処理例
　２－３．初期値算出の実施例
　２－３－１．シミュレーションデータセット
　２－３－２．初期値の算出方法
　２－４．作用・効果
　３．他の実施形態
　４．適用例
　５．応用例
　６．ハードウェアの構成例
　７．付記

　＜１．第１の実施形態＞
　＜１－１．情報処理システムの構成例＞
　本実施形態に係る情報処理システムの構成例について図１を参照して説明する。図１は、本実施形態に係る情報処理システムの概略構成の一例を示す図である。情報処理システムは、生体試料解析システムの一例である。

　図１に示すように、本実施形態に係る情報処理システムは、情報処理装置１００と、データベース２００とを備える。この情報処理システムへの入力として、蛍光試薬１０Ａと、標本２０Ａと、蛍光染色標本３０Ａとが存在する。

　（蛍光試薬１０Ａ）
　蛍光試薬１０Ａは、標本２０Ａの染色に使用される薬品である。蛍光試薬１０Ａは、例えば、蛍光抗体（直接標識に使用される一次抗体、または間接標識に使用される二次抗体が含まれる）、蛍光プローブ、または核染色試薬などであるが、蛍光試薬１０Ａの種類はこれらに特に限定されない。また、蛍光試薬１０Ａは、蛍光試薬１０Ａ（および蛍光試薬１０Ａの製造ロット）を識別可能な識別情報（以降「試薬識別情報１１Ａ」と呼称する）を付されて管理される。試薬識別情報１１Ａは、例えばバーコード情報など（一次元バーコード情報や二次元バーコード情報など）であるが、これに限定されない。蛍光試薬１０Ａは、同一（同種類）の製品であっても、製造方法や抗体が取得された細胞の状態などに応じて製造ロット毎にその性質が異なる。例えば、蛍光試薬１０Ａにおいて、製造ロット毎にスペクトル情報、量子収率、または蛍光標識率（「F/P値：Fluorescein/Protein」とも呼称される。抗体を標識する蛍光分子数を指す）などが異なる。そこで、本実施形態に係る情報処理システムにおいて、蛍光試薬１０Ａは、試薬識別情報１１Ａを付されることによって製造ロット毎に管理される（換言すると、各蛍光試薬１０Ａの試薬情報は製造ロット毎に管理される）。これによって、情報処理装置１００は、製造ロット毎に現れる僅かな性質の違いも考慮した上で蛍光シグナルと自家蛍光シグナルとを分離することができる。なお、蛍光試薬１０Ａが製造ロット単位で管理されることはあくまで一例であり、蛍光試薬１０Ａは製造ロットよりも細かい単位で管理されてもよい。

　（標本２０Ａ）
　標本２０Ａは、人体から採取された検体または組織サンプルから病理診断または臨床検査などを目的に作製されたものである。標本２０Ａについて、使用される組織（例えば臓器または細胞など）の種類、対象となる疾病の種類、対象者の属性（例えば、年齢、性別、血液型、または人種など）、または対象者の生活習慣（例えば、食生活、運動習慣、または喫煙習慣など）は特に限定されない。また、標本２０Ａは、各標本２０Ａを識別可能な識別情報（以降、「標本識別情報２１Ａ」と呼称する）を付されて管理される。標本識別情報２１Ａは、試薬識別情報１１Ａと同様に、例えばバーコード情報など（一次元バーコード情報や二次元バーコード情報など）であるが、これに限定されない。標本２０Ａは、使用される組織の種類、対象となる疾病の種類、対象者の属性、または対象者の生活習慣などに応じてその性質が異なる。例えば、標本２０Ａにおいて、使用される組織の種類などに応じて計測チャネルまたはスペクトル情報などが異なる。そこで、本実施形態に係る情報処理システムにおいて、標本２０Ａは、標本識別情報２１Ａを付されることによって個々に管理される。これによって、情報処理装置１００は、標本２０Ａ毎に現れる僅かな性質の違いも考慮した上で蛍光シグナルと自家蛍光シグナルとを分離することができる。

　（蛍光染色標本３０Ａ）
　蛍光染色標本３０Ａは、標本２０Ａが蛍光試薬１０Ａによって染色されることで作成されたものである。本実施形態において、蛍光染色標本３０Ａは、標本２０Ａが少なくとも１つ以上の蛍光試薬１０Ａによって染色されることを想定しているところ、染色に用いられる蛍光試薬１０Ａの数は特に限定されない。また、染色方法は、標本２０Ａおよび蛍光試薬１０Ａそれぞれの組み合わせなどによって決まり、特に限定されるものではない。蛍光染色標本３０Ａは、情報処理装置１００に対して入力され、撮像される。

　（情報処理装置１００）
　情報処理装置１００は、図１に示すように、取得部１１０と、保存部１２０と、処理部１３０と、表示部１４０と、制御部１５０と、操作部１６０と、を備える。

　（取得部１１０）
　取得部１１０は、情報処理装置１００の各種処理に使用される情報を取得する構成である。図１に示すように、取得部１１０は、情報取得部１１１と、画像取得部１１２と、を備える。

　（情報取得部１１１）
　情報取得部１１１は、試薬情報および標本情報などの各種情報を取得する構成である。より具体的には、情報取得部１１１は、蛍光染色標本３０Ａの生成に使用された蛍光試薬１０Ａに付された試薬識別情報１１Ａ、および標本２０Ａに付された標本識別情報２１Ａを取得する。例えば、情報取得部１１１は、バーコードリーダーなどを用いて試薬識別情報１１Ａおよび標本識別情報２１Ａを取得する。そして、情報取得部１１１は、試薬識別情報１１Ａに基づいて試薬情報を、標本識別情報２１Ａに基づいて標本情報をそれぞれデータベース２００から取得する。情報取得部１１１は、取得したこれらの情報を後述する情報保存部１２１に保存する。

　（画像取得部１１２）
　画像取得部１１２は、蛍光染色標本３０Ａ（少なくとも１つの蛍光試薬１０Ａで染色された標本２０Ａ）の画像情報を取得する構成である。より具体的には、画像取得部１１２は、任意の撮像素子（例えば、ＣＣＤやＣＭＯＳなど）を備えており、当該撮像素子を用いて蛍光染色標本３０Ａを撮像することで画像情報を取得する。ここで、「画像情報」は、蛍光染色標本３０Ａの画像自体だけでなく、像として視覚化されていない測定値なども含む概念であることに留意されたい。例えば、画像情報には、蛍光染色標本３０Ａから放射した蛍光の波長スペクトル（以下、蛍光スペクトルという）に関する情報が含まれていてもよい。画像取得部１１２は、画像情報を後述する画像情報保存部１２２に保存する。

　（保存部１２０）
　保存部１２０は、情報処理装置１００の各種処理に使用される情報、または各種処理によって出力された情報を保存（記憶）する構成である。図１に示すように、保存部１２０は、情報保存部１２１と、画像情報保存部１２２と、解析結果保存部１２３と、を備える。

　（情報保存部１２１）
　情報保存部１２１は、情報取得部１１１によって取得された試薬情報および標本情報などの各種情報を保存する構成である。なお、後述する解析部１３１による解析処理および画像生成部１３２による画像情報の生成処理（画像情報の再構築処理）が終了した後には、情報保存部１２１は、処理に用いられた試薬情報および標本情報を削除することで空き容量を増やしてもよい。

　（画像情報保存部１２２）
　画像情報保存部１２２は、画像取得部１１２によって取得された蛍光染色標本３０Ａの画像情報を保存する構成である。なお、情報保存部１２１と同様に、解析部１３１による解析処理および画像生成部１３２による画像情報の生成処理（画像情報の再構築処理）が終了した後には、画像情報保存部１２２は、処理に用いられた画像情報を削除することで空き容量を増やしてもよい。

　（解析結果保存部１２３）
　解析結果保存部１２３は、後述する解析部１３１や空間解析部１３３によって行われた解析処理の結果を保存する構成である。例えば、解析結果保存部１２３は、解析部１３１によって分離された、蛍光試薬１０Ａの蛍光シグナルまたは標本２０Ａの自家蛍光シグナル、また、空間解析部１３３により得られた相関解析結果や効果予測結果（効果推定結果）などを保存する。また、解析結果保存部１２３は、別途、機械学習などによって解析精度を向上させるために、解析処理の結果をデータベース２００へ提供する。なお、解析結果保存部１２３は、解析処理の結果をデータベース２００へ提供した後には、自らが保存している解析処理の結果を適宜削除することで空き容量を増やしてもよい。

　（処理部１３０）
　処理部１３０は、画像情報、試薬情報、および標本情報を用いて各種処理を行う機能構成である。図１に示すように、処理部１３０は、解析部１３１と、画像生成部１３２と、空間解析部１３３と、を備える。

　（解析部１３１）
　解析部１３１は、画像情報、標本情報、および試薬情報を用いて各種解析処理を行う構成である。例えば、解析部１３１は、標本情報および試薬情報に基づいて画像情報から標本２０Ａの自家蛍光シグナルと蛍光試薬１０Ａの蛍光シグナルとを分離する処理（色分離処理）を行う。

　具体的には、解析部１３１は、標本情報に含まれる計測チャネルに基づいて自家蛍光シグナルを構成する１以上の要素を認識する。例えば、解析部１３１は、自家蛍光シグナルを構成する１以上の自家蛍光成分を認識する。そして、解析部１３１は、標本情報に含まれる、これらの自家蛍光成分のスペクトル情報を用いて画像情報に含まれる自家蛍光シグナルを予想する。そして、解析部１３１は、試薬情報に含まれる、蛍光試薬１０Ａの蛍光成分のスペクトル情報、および予想した自家蛍光シグナルに基づいて画像情報から自家蛍光シグナルと蛍光シグナルとを分離する。

　ここで、標本２０Ａが２以上の蛍光試薬１０Ａで染色されている場合、解析部１３１は、標本情報および試薬情報に基づいて画像情報（または、自家蛍光シグナルと分離された後の蛍光シグナル）からこれら２以上の蛍光試薬１０Ａそれぞれの蛍光シグナルを分離する。例えば、解析部１３１は、試薬情報に含まれる、各蛍光試薬１０Ａの蛍光成分のスペクトル情報を用いて、自家蛍光シグナルと分離された後の蛍光シグナル全体から各蛍光試薬１０Ａそれぞれの蛍光シグナルを分離する。

　また、自家蛍光シグナルが２以上の自家蛍光成分によって構成されている場合、解析部１３１は、標本情報および試薬情報に基づいて画像情報（または、蛍光シグナルと分離された後の自家蛍光シグナル）から各自家蛍光成分それぞれの自家蛍光シグナルを分離する。例えば、解析部１３１は、標本情報に含まれる各自家蛍光成分のスペクトル情報を用いて、蛍光シグナルと分離された後の自家蛍光シグナル全体から各自家蛍光成分それぞれの自家蛍光シグナルを分離する。

　蛍光シグナルおよび自家蛍光シグナルを分離した解析部１３１は、これらのシグナルを用いて各種処理を行う。例えば、解析部１３１は、分離後の自家蛍光シグナルを用いて、他の標本２０Ａの画像情報に対して減算処理（「バックグラウンド減算処理」とも呼称する）を行うことで当該他の標本２０Ａの画像情報から蛍光シグナルを抽出してもよい。標本２０Ａに使用される組織、対象となる疾病の種類、対象者の属性、および対象者の生活習慣などの観点で同一または類似の標本２０Ａが複数存在する場合、これらの標本２０Ａの自家蛍光シグナルは類似している可能性が高い。ここでいう類似の標本２０Ａとは、例えば染色される組織切片（以下切片）の染色前の組織切片、染色された切片に隣接する切片、同一ブロック（染色切片と同一の場所からサンプリングされたもの）における染色切片と異なる切片、又は同一組織における異なるブロック（染色切片と異なる場所からサンプリングされたもの）における切片等）、異なる患者から採取した切片などが含まれる。そこで、解析部１３１は、ある標本２０Ａから自家蛍光シグナルを抽出できた場合、他の標本２０Ａの画像情報から当該自家蛍光シグナルを除去することで、当該他の標本２０Ａの画像情報から蛍光シグナルを抽出してもよい。また、解析部１３１は、他の標本２０Ａの画像情報を用いてＳ／Ｎ値を算出する際に、自家蛍光シグナルを除去した後のバックグラウンドを用いることでＳ／Ｎ値を改善することができる。

　また、解析部１３１は、バックグラウンド減算処理以外にも分離後の蛍光シグナルまたは自家蛍光シグナルを用いて様々な処理を行うことができる。例えば、解析部１３１は、これらのシグナルを用いて標本２０Ａの固定化状態の解析を行ったり、画像情報に含まれる物体（例えば、細胞、細胞内構造（細胞質、細胞膜、核、など）、または組織（腫瘍部、非腫瘍部、結合組織、血管、血管壁、リンパ管、繊維化構造、壊死、など））の領域を認識するセグメンテーション（または領域分割）を行ったりすることができる。

　（画像生成部１３２）
　画像生成部１３２は、解析部１３１によって得られた解析結果に基づいて画像情報を生成する構成である。また、画像生成部１３２は、解析部１３１によって分離された蛍光シグナルまたは自家蛍光シグナルに基づいて画像情報を生成（再構成）する。例えば、画像生成部１３２は、蛍光シグナルのみが含まれる画像情報や自家蛍光シグナルのみが含まれる画像情報を生成することができる。その際、蛍光シグナルが複数の蛍光成分によって構成されていたり、自家蛍光シグナルが複数の自家蛍光成分によって構成されたりしている場合、画像生成部１３２は、それぞれの成分単位で画像情報を生成することができる。さらに、解析部１３１が分離後の蛍光シグナルまたは自家蛍光シグナルを用いた各種処理（例えば、標本２０Ａの固定化状態の解析、セグメンテーション、またはＳ／Ｎ値の算出など）を行った場合、画像生成部１３２は、それらの処理の結果を示す画像情報を生成してもよい。本構成によれば、標的分子等に標識された蛍光試薬１０Ａの分布情報、つまり蛍光の二次元的な広がりや強度、波長、及びそれぞれの位置関係が可視化され、特に標的物質の情報が複雑な組織画像解析領域においてユーザである医師や研究者の視認性を向上させることができる。

　また、画像生成部１３２は、解析部１３１によって分離された蛍光シグナルまたは自家蛍光シグナルに基づいて自家蛍光シグナルに対する蛍光シグナルを区別するよう制御し、画像情報を生成しても良い。具体的には、標的分子等に標識された蛍光試薬１０Ａの蛍光スペクトルの輝度を向上させる、標識された蛍光試薬１０Ａの蛍光スペクトルのみを抽出し変色させる、２以上の蛍光試薬１０Ａによって標識された標本２０Ａから２以上の蛍光試薬１０Ａの蛍光スペクトルを抽出しそれぞれを別の色に変色する、標本２０Ａの自家蛍光スペクトルのみを抽出し除算または減算する、ダイナミックレンジを向上させる、等を制御し画像情報を生成してもよい。これによりユーザは目的となる標的物質に結合した蛍光試薬由来の色情報を明確に区別することが可能となり、ユーザの視認性を向上させることができる。

　（空間解析部１３３）
　空間解析部１３３は、色分離後の画像情報から複数のバイオマーカ間（例えば、組織間）の相関関係を解析する処理や、相関関係の解析結果である相関解析結果に基づいて薬剤効果を予測する処理を行う。例えば、空間解析部１３３は、複数のバイオマーカで染色した標本画像を空間情報、すなわち位置情報を維持したままクラスタリング解析を行うことで、各バイオマーカ間の相関関係を解析する。このような多バイオマーカの相関解析処理や薬剤効果予測処理については後段で詳しく説明する。なお、空間解析部１３３は、例えば、処理により得られた相関解析結果や効果予測結果（効果推定結果）などを含む画像情報を生成することができる。この空間解析部１３３は、画像生成部としても機能する。

　（表示部１４０）
　表示部１４０は、画像生成部１３２や空間解析部１３３などによって生成された画像情報をディスプレイに表示することでユーザへ提示する構成である。なお、表示部１４０として用いられるディスプレイの種類は特に限定されない。また、本実施形態では詳細に説明しないが、画像生成部１３２や空間解析部１３３などによって生成された画像情報がプロジェクターによって投影されたり、プリンタによってプリントされたりすることでユーザへ提示されてもよい（換言すると、画像情報の出力方法は特に限定されない）。

　（制御部１５０）
　制御部１５０は、情報処理装置１００が行う処理全般を統括的に制御する機能構成である。例えば、制御部１５０は、操作部１６０を介して行われるユーザによる操作入力に基づいて、上記で説明したような各種処理（例えば、蛍光染色標本３０Ａの撮像処理、解析処理、画像情報の生成処理（画像情報の再構築処理）、および画像情報の表示処理など）の開始や終了などを制御する。なお、制御部１５０の制御内容は特に限定されない。例えば、制御部１５０は、汎用コンピュータ、ＰＣ、タブレットＰＣなどにおいて一般的に行われる処理（例えば、ＯＳ（Operating　System）に関する処理）を制御してもよい。

　（操作部１６０）
　操作部１６０は、ユーザからの操作入力を受ける構成である。より具体的には、操作部１６０は、キーボード、マウス、ボタン、タッチパネル、またはマイクロフォンなどの各種入力手段を備えており、ユーザはこれらの入力手段を操作することで情報処理装置１００に対して様々な入力を行うことができる。操作部１６０を介して行われた操作入力に関する情報は制御部１５０へ提供される。

　（データベース２００）
　データベース２００は、標本情報、試薬情報、および解析処理の結果を管理する装置である。より具体的に説明すると、データベース２００は、標本識別情報２１Ａと標本情報、試薬識別情報１１Ａと試薬情報をそれぞれ紐づけて管理する。これによって、情報取得部１１１は、計測対象である標本２０Ａの標本識別情報２１Ａに基づいて標本情報を、蛍光試薬１０Ａの試薬識別情報１１Ａに基づいて試薬情報をデータベース２００から取得することができる。

　データベース２００が管理する標本情報は、上記のとおり、標本２０Ａに含まれる自家蛍光成分固有の計測チャネルおよびスペクトル情報を含む情報である。しかし、これら以外にも、標本情報には、各標本２０Ａについての対象情報、具体的には、使用される組織（例えば臓器、細胞、血液、体液、腹水、胸水など）の種類、対象となる疾病の種類、対象者の属性（例えば、年齢、性別、血液型、または人種など）、または対象者の生活習慣（例えば、食生活、運動習慣、または喫煙習慣など）に関する情報が含まれてもよく、標本２０Ａに含まれる自家蛍光成分固有の計測チャネルおよびスペクトル情報を含む情報及び対象情報は標本２０Ａごとに紐づけられてもよい。これにより、対象情報から標本２０Ａに含まれる自家蛍光成分固有の計測チャネルおよびスペクトル情報を含む情報を容易にたどることができ、例えば複数の標本２０Ａにおける対象情報の類似性から解析部１３１に過去に行われた類似の分離処理を実行させ、測定時間を短縮することが可能となる。なお、「使用される組織」は対象から採取された組織には特に限定されず、ヒトや動物等の生体内組織や細胞株、測定の対象物に含まれる溶液、溶剤、溶質、材料も含めてもよい。

　また、データベース２００が管理する試薬情報は、上記のとおり、蛍光試薬１０Ａのスペクトル情報を含む情報であり、しかし、これ以外にも、試薬情報には、製造ロット、蛍光成分、抗体、クローン、蛍光標識率、量子収率、褪色係数（蛍光試薬１０Ａの蛍光強度の低減し易さを示す情報）、および吸収断面積（またはモル吸光係数）などの蛍光試薬１０Ａに関する情報が含まれてもよい。さらに、データベース２００が管理する標本情報および試薬情報は異なる構成で管理されていてもよく、特に試薬に関する情報はユーザに最適な試薬の組み合わせを提示する試薬データベースであってもよい。

　ここで、標本情報および試薬情報は、製造者（メーカー）などから提供されるか、本開示に係る情報処理システム内で独自に計測されることを想定している。例えば、蛍光試薬１０Ａの製造者は、製造ロット毎にスペクトル情報や蛍光標識率などを計測し提供することなどをしない場合が多い。したがって、本開示に係る情報処理システム内で独自にこれらの情報を計測し、管理することで蛍光シグナルと自家蛍光シグナルの分離精度が向上され得る。また、管理の簡略化のために、データベース２００は、製造者（メーカー）などによって公開されているカタログ値、または各種文献に記載されている文献値などを標本情報および試薬情報（特に試薬情報）として用いてもよい。しかし、一般的に、実際の標本情報および試薬情報はカタログ値や文献値とは異なる場合が多いため、上記のように標本情報および試薬情報が本開示に係る情報処理システム内で独自に計測され管理される方がより好ましい。

　また、データベース２００にて管理されている標本情報、試薬情報、および解析処理の結果を用いる機械学習技術などによって、解析処理（例えば、蛍光シグナルと自家蛍光シグナルとの分離処理、多バイオマーカの相関解析処理、薬剤効果の予測処理など）の精度が向上され得る。機械学習技術などを用いて学習を行う主体は特に限定されない。例えば、解析部１３１は、ニューラルネットワークを用いて学習データによって機械学習された分類器または推定器を生成する。そして、対応する各種情報が新たに取得された場合、解析部１３１は、それらの情報を分類器または推定器に入力することで、蛍光シグナルと自家蛍光シグナルとの分離処理、多バイオマーカの相関解析処理、薬剤効果の予測処理を行う。

　また、予測される結果よりも精度の高い、過去に行われた類似の処理を求め、それらの処理における処理の内容（処理に用いられる情報やパラメータなど）を統計的または回帰的に分析し、分析結果に基づいて蛍光シグナルと自家蛍光シグナルの分離処理、多バイオマーカの相関解析処理、薬剤効果の予測処理を改善する方法が出力されてもよい。なお、機械学習の方法は上記に限定されず、公知の機械学習技術が用いられ得る。また、人工知能によって蛍光シグナルと自家蛍光シグナルの分離処理、多バイオマーカの相関解析処理、薬剤効果の予測処理が行われてもよい。また、他の各種処理（例えば、標本２０Ａの固定化状態の解析、またはセグメンテーションなど）が機械学習技術などによって改善されてもよい。

　以上、本実施形態に係る情報処理システムの構成例について説明した。なお、図１を参照して説明した上記の構成はあくまで一例であり、本実施形態に係る情報処理システムの構成は係る例に限定されない。例えば、情報処理装置１００は、図１に示す機能構成の全てを必ずしも備えなくてもよい。また、情報処理装置１００は、データベース２００を内部に備えていてもよい。情報処理装置１００の機能構成は、仕様や運用に応じて柔軟に変形可能である。

　また、情報処理装置１００は、上記で説明してきた処理以外の処理を行ってもよい。例えば、蛍光試薬１０Ａに関する量子収率、蛍光標識率、および吸収断面積（もしくはモル吸光係数）などの情報が試薬情報に含まれることによって、情報処理装置１００は、自家蛍光シグナルが除去された画像情報、および試薬情報を用いて画像情報における蛍光分子数や、蛍光分子と結合している抗体数などを算出してもよい。

　＜１－２．情報処理装置の処理例＞
　本実施形態に係る情報処理装置１００の処理例（全体フロー）について図２を参照して説明する。図２は、本実施形態に係る情報処理装置１００の全体の処理の流れの一例を示すフローチャートである。

　図２に示すように、ステップＳ１１では、ユーザが解析に用いる蛍光試薬１０Ａおよび標本２０Ａを決定する。例えば、ユーザは、病理スライド（薄切）を作成する。ステップＳ１２では、ユーザが蛍光試薬１０Ａを用いて標本２０Ａを染色することで蛍光染色標本３０Ａを作成する。

　ステップＳ１３では、情報処理装置１００の画像取得部１１２が蛍光染色標本３０Ａを撮像することで画像情報を取得する。ステップＳ１４では、解析部１３１が標本情報および試薬情報に基づいて画像情報から標本２０Ａの自家蛍光シグナルと蛍光試薬１０Ａの蛍光シグナルとを分離し、画像生成部１３２が、分離された蛍光シグナルを用いて画像情報を生成する。例えば、画像生成部１３２は、画像情報から自家蛍光シグナルが除去された画像情報を生成したり、蛍光シグナルを蛍光色素ごとに示す画像情報を生成したりする。なお、情報取得部１１１が蛍光染色標本３０Ａの生成に使用された蛍光試薬１０Ａに付された試薬識別情報１１Ａ、および標本２０Ａに付された標本識別情報２１Ａに基づいて試薬情報および標本情報をデータベース２００から取得する。

　ステップＳ１５では、空間解析部１３３が色分離後の画像情報からバイオマーカの解析を行う。例えば、空間解析部１３３は細胞のフェノタイプを決定する。ステップＳ１６では、空間解析部１３３が多バイオマーカの位置情報を持つ次元圧縮（クラスタリング）を行う。例えば、空間解析部１３３は、多バイオマーカの位置情報を持つ次元圧縮を行い、バイオマーカ間の相関解析を実行する。ステップＳ１７では、空間解析部１３３がバイオマーカ間の相関関係から特徴量を抽出する。ステップＳ１８では、空間解析部１３３が特徴量と患者情報を用いて薬物（薬剤）の効果予測を実行する。例えば、空間解析部１３３は、特徴量と患者情報を用いて最適な薬物選択や薬物効果予測などを行う。患者情報は、例えば、患者識別情報や患者に対する投与薬剤候補などの情報を含んでもよい。このようなステップＳ１５からＳ１８の処理について、また、その処理に関する空間解析部１３３の構成について詳しくは後述する。

　なお、空間解析部１３３は、ステップＳ１６により得られた解析結果を含む画像情報、また、ステップＳ１７により得られた特徴量を含む画像情報、ステップＳ１８により得られた最適な薬物選択や薬物効果予測を含む画像情報などを生成してもよい。これらの画像情報は、表示部１４０によって表示される。これにより、ユーザは、表示部１４０により表示された各種情報を見て把握することができる。

　また、図２に示すフローチャートにおける各ステップは、必ずしも記載された順序に沿って時系列に処理される必要はない。すなわち、フローチャートにおける各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。また、情報処理装置１００は、図２には示されていない処理を併せて実行してもよい。

　＜１－３．多バイオマーカの相関解析の処理例＞
　本実施形態に係る多バイオマーカの相関解析の処理例について図３及び図４を参照して説明する。図３は、本実施形態に係る空間解析部１３３の概略構成の一例を示す図である。図４は、本実施形態に係る多バイオマーカの相関解析の処理の流れの一例を示すフローチャートである。

　図３に示すように、空間解析部１３３は、選定部１３３ａと、特定部１３３ｂと、ソート部１３３ｃと、相関解析部１３３ｄと、推定部１３３ｅと、を備える。

　選定部１３３ａは、サンプル（例えば、標本画像）の所定領域（例えば、関心領域）を決定する。特定部１３３ｂは、所定領域（例えば、所定視野）の生体試料由来の蛍光スペクトルから、所定領域の生体試料の位置情報に紐づけられた生体試料の異なる複数のバイオマーカに関する情報（例えば、陽性細胞量）を抽出して特定する。ソート部１３３ｃは、複数のバイオマーカに関する情報のうち一つのバイオマーカに関する情報に含まれる複数の単位情報（例えば、ブロック）の並び順に基づいて、その他のバイオマーカに関する情報に含まれる複数の単位情報（例えば、ブロック）の並び順を変える。相関解析部１３３ｄは、各単位情報の並び順が変えられた複数のバイオマーカに関する情報をクラスタリング処理し、複数のバイオマーカに関する情報の相関関係を出力する。推定部１３３ｅは、複数のバイオマーカに関する情報の相関関係及び患者への投与薬剤候補から、投与薬剤候補の患者への奏功性を推定する。

　ここで、取得部１１０（図１参照）は、生体試料を含むサンプルから、生体試料由来の蛍光スペクトルと生体試料の位置情報を取得する。保存部１２０は、その生体試料由来の蛍光スペクトルと生体試料の位置情報を保存する。この生体試料由来の蛍光スペクトルと生体試料の位置情報が選定部１３３ａにより用いられる。また、取得部１１０（図１参照）、すなわち情報取得部１１１は、生体試料に関する患者への投与薬剤候補を取得する。保存部１２０は、その生体試料に関する患者への投与薬剤候補を保存する。この生体試料に関する患者への投与薬剤候補の情報が推定部１３３ｅにより用いられる。

　図４に示すように、ステップＳ２１では、選定部１３３ａが色分離後の標本画像に対して視野選定（所定領域の決定）を実行するか否かを判断する。ステップＳ２２では、選定部１３３ａが視野選定を実行する。ステップＳ２３では、特定部１３３ｂが色分離後の標本画像又はその標本画像の選定視野においてバイオマーカの陽性細胞を数える。例えば、特定部１３３ｂは、色分離後の標本画像又はその標本画像の選定視野を行列状のブロック領域に分け、そのブロック領域ごとに陽性細胞率、陽性細胞数又は輝度値を求める。これにより、陽性細胞率、陽性細胞数又は輝度値の行列が求められる。行列情報には、位置情報も含まれる。なお、陽性細胞率とは単位面積当たりに存在する細胞数に対する陽性細胞数である。陽性細胞数とは単位面積当たりの細胞数、すなわち陽性細胞密度と同義である。

　ステップＳ２４では、ソート部１３３ｃが、あるバイオマーカの陽性細胞率、陽性細胞数又は輝度値に基づいて、他のバイオマーカの陽性細胞率、陽性細胞数又は輝度値の行列に対してソート処理を行う。ステップＳ２５では、相関解析部１３３ｄが行列の正規化を実行するか否かを判断する。ステップＳ２６では、相関解析部１３３ｄが行列の正規化を実行する。ステップＳ２７では、相関解析部１３３ｄが行列のデータの非負値化を実行する。ステップＳ２８では、相関解析部１３３ｄが最適なクラスタ数を決定する。例えば、最適なクラスタ数は、相関解析部１３３ｄにより自動的に決定されてもよく、あるいは、操作部１６０に対するユーザの入力操作に応じて設定されてもよい。

　ステップＳ２９では、相関解析部１３３ｄが行列のデータに対して行列分解処理を実行する。例えば、相関解析部１３３ｄは、ＪＮＭＦ（Joint　Non-negative　Matrix　Factorization：ｊＮＭＦ）により、多バイオマーカの位置情報を持った次元圧縮（複数行列の同時分解）を実行する。ステップＳ３０では、相関解析部１３３ｄが次元圧縮の結果からクラスタリングを実行する。ステップＳ３１では、相関解析部１３３ｄが共通モジュールのメンバーシップを決定する。ステップＳ３２では、相関解析部１３３ｄが多バイオマーカ間の相関解析を行う。例えば、相関解析部１３３ｄは特徴量を抽出する。ステップＳ３３では、推定部１３３ｅが、特徴量を抽出したデータを読み込む。ステップＳ３４では、推定部１３３ｅが大量のデータがあるか否かを判断する。ステップＳ３５では、推定部１３３ｅがＡＩ／機械学習を実行する。ステップＳ３６では、推定部１３３ｅが効果予測を実行する。

　ここで、ステップＳ２６では、サンプル間やバイオマーカ間で値の大きさが大きく異なる場合、各行列の二乗和が同じになるように行列の大きさが正規化される。また、ステップＳ３５では、推定部１３３ｅは、抽出された特徴量を読み込み、細胞のフェノタイプを決定することが可能である。この推定部１３３ｅは、患者情報と合わせて患者のがんのフェノタイプを想定し、最適な薬物（薬剤）選択や薬物効果予測を実行したり、あるいは、治験などの患者選別に使用したりする。推定部１３３ｅは、ＡＩ／機械学習により予測器として機能する。なお、効果予測を行う際には、抽出された特徴量からＡＩなどによる予測を実行してもよい。

　なお、図４に示すフローチャートにおける各ステップは、必ずしも記載された順序に沿って時系列に処理される必要はない。すなわち、フローチャートにおける各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。また、情報処理装置１００は、図４には示されていない処理を併せて実行してもよい。

　＜１－４．多バイオマーカの相関解析の具体例＞
　本実施形態に係る標本画像に対する多バイオマーカの相関解析の具体例について図５から図１７を参照して説明する。

　図５は、本実施形態に係るサンプルの実施例１を説明するための図である。図５に示すように、連続切片３枚（切片番号＃８、＃１０、＃１２）が用いられる。これらの連続切片（標本画像）は、扁桃のサンプルである。具体的には、ＡＦ４８８＿ＣＤ７、ＡＦ５５５＿ＣＤ３、ＡＦ６４７＿ＣＤ５、ＤＡＰＩ（4',6-Diamidino-2-phenylindole,dihydrochloride）で染色された扁桃のサンプルが用いられ、そのサンプルが連続切片３枚分用いられる。

　（視野選定処理）
　選定部１３３ａは、連続切片（切片番号＃８、＃１０、＃１２）ごとに異なる３視野分（Ｆ１、Ｆ２、Ｆ３）をそれぞれ３帯×４ブロック（計１２ブロック、１ブロック６１０×６１０ｐｉｘｅｌ）の領域に分割し、総計１０８ブロック分をデータとして使用する。この領域は所定領域（関心領域）であり、所定領域はあらかじめ設定されている。所定領域は、操作部１６０に対するユーザの入力操作によって設定可能であってもよい。なお、１つの切片内の各領域の位置情報は二次元情報（平面内の位置情報）であり、連続切片内の各領域の位置情報は三次元情報（空間情報）となる。例えば、位置情報は、画素に基づくＸＹ座標やＺ座標などを含む。

　（陽性細胞量算出処理）
　特定部１３３ｂは、領域（ブロック）ごとに各バイオマーカの陽性細胞率を求める。例えば、特定部１３３ｂは、領域ごとに各バイオマーカの陽性細胞率（％）を求める。これにより、例えば、ＡＦ４８８＿ＣＤ７、ＡＦ５５５＿ＣＤ３、ＡＦ６４７＿ＣＤ５の個々の陽性細胞率が求められる。なお、特定部１３３ｂは、陽性細胞率以外の数値を求めてもよく、例えば、領域内の平均輝度値や陽性細胞数などを求めてもよい。

　図６は、本実施形態に係るＡＦ４８８＿ＣＤ７のブロックごとの陽性細胞率の一例を示す図である。図７は、本実施形態に係るＡＦ５５５＿ＣＤ３のブロックごとの陽性細胞率の一例を示す図である。これらの図６及び図７の例では、サンプル名は「視野＿連続切片番号」で示されており（以降の図でも同様）、また、分かりやすくするために視野（Ｆ１、Ｆ２、Ｆ３）ごとに塗り潰しパターンが変えられている。この塗り潰しパターンは、図５の塗り潰しパターンに対応している。

　（ソート処理）
　ソート部１３３ｃは、特定のバイオマーカの陽性細胞率を基に、他のバイオマーカのブロック（空間）をサンプルごとにソートする。例えば、ソート部１３３ｃは、特定のバイオマーカの陽性細胞率に基づいて、他のバイオマーカのブロックをサンプルごとに行方向にソートする。具体的には、ソート部１３３ｃは、ＡＦ５５５＿ＣＤ３の陽性細胞率が降順となるブロックの並び順に合わせてＡＦ４８８＿ＣＤ７のブロックを並び替える。また、ソート部１３３ｃは、ＡＦ５５５＿ＣＤ３の陽性細胞率が降順となるブロックの並び順に合わせてＡＦ６４７＿ＣＤ５のブロックを並び替える。

　上記の並び替え時、ソート部１３３ｃは、ブロック名（例えば、１帯の１、１帯の２、１帯の３、・・・）に基づいてブロックを並び替えることになる。並び替え後には、ＡＦ５５５＿ＣＤ３及びＡＦ６４７＿ＣＤ７において、同じ順番でブロック名（ブロック）が並ぶことになる。これは、ＡＦ５５５＿ＣＤ３及びＡＦ６４７＿ＣＤ５においても同様であり、並び替え後には、同じ順番でブロック名（ブロック）が並ぶことになる。

　図８は、本実施形態に係るＡＦ４８８＿ＣＤ７のソート後のブロックごとの陽性細胞率の一例を示す図である。図９は、本実施形態に係るＡＦ６４７＿ＣＤ５のソート後のブロックごとの陽性細胞率の一例を示す図である。図８に示すように、ＡＦ４８８＿ＣＤ７のブロックは、ＡＦ５５５＿ＣＤ３の陽性細胞率が降順となるブロックの並び順に並んでいる。また、図９に示すように、ＡＦ６４７＿ＣＤ５のブロックも、ＡＦ５５５＿ＣＤ３の陽性細胞率が降順となるブロックの並び順に並んでいる。

　（位置情報を保持した行列分解処理）
　相関解析部１３３ｄは、ソートして並び替えた行列のデータに対して行列分解処理、例えば、上述したような複数のバイオマーカの組み合わせに対応する行列分解処理を実施する。ここでは、すべての値が陽性細胞率であるため、行列の正規化は行われず、また、すべてが正の値のため非負値処理もスキップされる。例えば、相関解析部１３３ｄは、ＪＮＭＦで２つの行列を処理し、行列分解（次元圧縮）を行う。このとき、相関解析部１３３ｄは、位置情報（空間情報）を保持したまま、複数行列の同時分解を実施する。なお、相関解析部１３３ｄは、入力データとして、各バイオマーカに関する情報やクラスタ数ｋなどの情報を取得する。

　図１０は、本実施形態に係るＪＮＭＦの実施例１を説明するための図である。図１０の例では、クラスタ数ｋは、例えば、視野が三視野であるため、ｋ＝３に設定されている。なお、クラスタ数ｋは、適宜設定されているが、エルボー法などによって求められてもよい。このエルボー法によるクラスタ数ｋの算出について詳しくは後述する。なお、図１０の例では、ＣＤ３はＡＦ５５５＿ＣＤ３であり、ＣＤ５はＡＦ６４７＿ＣＤ５であり、ＣＤ７がＡＦ４８８＿ＣＤ７である。以下では、ＡＦ５５５＿ＣＤ３をＣＤ３と、ＡＦ６４７＿ＣＤ５をＣＤ５と、ＡＦ４８８＿ＣＤ７をＣＤ７ということがある。

　ここで、ＪＮＭＦ（Joint　ＮＭＦ）は、ＮＭＦ（Non-negative　Matrix　Factorization：非負行列因子分解）を拡張したものである。このＪＮＭＦは、複数行列を対象にすることができ、マルチオミクスデータの統合解析を可能とする。ＮＭＦは、ある１つの行列を２つの小さな行列に分解することである。ここで、ある行列をＮ×Ｍの行列Ｘとし、行列Ｘが行列Ｗ及びＨの積として表せるものである。詳しくは、ＮＭＦは、非負のＮ行Ｍ列（Ｎ×Ｍ）の行列Ｘを非負のＮ行ｋ列（Ｎ×ｋ）の行列Ｗと非負のｋ行Ｍ列（ｋ×Ｍ）の行列Ｈとに分解する（Ｘ＝ＷＨ）。例えば、行列Ｘと、行列Ｗ及び行列Ｈの積（Ｗ＊Ｈ）間の平均平方二乗残差Ｄが最小となるように行列Ｗ及び行列Ｈが決定される。ｋはクラスタ数である。なお、ＮＭＦは、明示的なクラスタリングではなく潜在的な要素の分解により行列要素間の関連性を際立たせることができ、さらには、変異や過剰発現等の外れ値を捉えることに適した手法である。

　なお、行列分解処理の手法としては、上記のＪＮＭＦ以外にも、ＩＮＭＦ（Infinite　NMF）、ＭＣＣＡ（Multiple　Canonical　Correlation　Analysis）、ＭＢ－ＰＬＳ（Multi-Block　Partial　Least-Squares）、ＪＩＶＥ（Joint　and　Individual　Variation　Explained）などを用いることが可能である。

　ここで、図１０の例では、クラス（クラスタ）が３つ、ＣＬ１、ＣＬ２、ＣＬ３となる。ＣＬ１は、Ｗの１列目、Ｈ１及びＨ２の１行目である。ＣＬ２は、Ｗの２列目、Ｈ１及びＨ２の２行目である。ＣＬ３は、Ｗの３列目、Ｈ１及びＨ２の３行目である。ここでは、データは共通基底ベクトルＷと特徴ベクトルＨ１及びＨ２に分けられる。

　（クラスタリング処理）
　相関解析部１３３ｄは、サンプルを共通基底ベクトルＷの値に基づいて各クラスタに分類し、メンバーシップを決定する（クラスタリング）。クラスタごとのメンバーシップの決定では、値が閾値以上である領域をクラスタのメンバーシップとして決定してもよく、あるいは、Ｚスコアからクラスタのメンバーシップを求めてもよい。

　（共通モジュールの抽出）
　相関解析部１３３ｄは、クラスタごとに特徴ベクトルの値が高かった領域（ブロック）を共通モジュールのメンバーシップとして抽出する。例えば、相関解析部１３３ｄは、各バイオマーカの相関関係、すなわち、クラスタごとの共通モジュールのメンバーシップに基づいて、共通モジュールごとの細胞の特徴量（例えば、陽性率）を抽出する。共通モジュールは、クラスタリング結果に係るメンバーシップとして抽出された領域である。このメンバーシップは、クラスタリング結果に係る共通特徴量として抽出された構成要素であり、例えば、共通特徴量として抽出された構成領域（例えば、領域又はブロックなど）である。

　共通モジュールのメンバーシップの決定では、値が閾値以上である領域を共通モジュールのメンバーシップとして決定してもよく、あるいは、Ｚスコアから共通モジュールのメンバーシップを求めてもよい。なお、Ｚスコアから共通モジュールのメンバーシップを求める方法について詳しくは後述する。

　図１０の例では、ＣＬ１は、視野Ｆ２が主な領域で視野Ｆ３も含んでいるが、ＣＬ１の共通モジュールのメンバーシップとしては、視野Ｆ２の領域でＣＤ３が高くＣＤ７も高い且つＣＤ３が高くＣＤ５が高い領域が抽出される。また、ＣＬ２は、視野Ｆ１が分類され、共通モジュールのメンバーシップとして視野Ｆ１の領域でＣＤ３が高くＣＤ７も高い且つＣＤ３が高くＣＤ５が高い領域が抽出される。また、ＣＬ３としては、視野Ｆ３の領域が分類される。このようなクラスタごとのサンプルの分類に基づいて、共通モジュールごとの細胞の特徴量（例えば、陽性率）が抽出される。

　上記の結果のように、わずかな陽性細胞率の違いから、視野（Ｆ１、Ｆ２、Ｆ３）ごとにクラスタを分けることができる。また、ＣＤ３が高くＣＤ７も高い且つＣＤ３が高くＣＤ５が高い領域を相関関係があるとして抽出することができる。なお、ＣＤ３、ＣＤ５、ＣＤ７はＴ細胞のマーカのため、予想していた結果と同様の結果を得ることができた。

　ここで、図１１は、本実施形態に係るＷのクラス分け結果と実際の画像との比較を説明するための図である。なお、図１１の例では、ＣＤ３はＡＦ５５５＿ＣＤ３である。

　図１１に示すように、ＪＮＭＦのＷのＣＬ毎に値が高かった領域と、実際の画像の目視評価との比較を行った。実際の画像は領域ごとにＣＤ３降順でソートしたときの１番目に値が高かったブロック、６番目に値が高かったブロック（中央値）、１２番目に値が高かったブロック（最低値）と比較した。ＣＤ７とＣＤ５の傾向は似ているため、今回はＣＤ７の画像のみを示している。

　視野毎に画像とそれぞれのバイオマーカの陽性細胞率、ＪＮＭＦの結果と比較した。視野Ｆ１（視野１）はＣＬ２として主に割り当てられるが、ＣＤ３でソートしたときの値が一番高かった領域でＦ１＿８のみがＣＤ５の陽性率が７３．５％だったのに対し、Ｆ１＿１０とＦ１＿１２はどちらも９０％を上回っていた。これは、ＷのＣＬ２の値がＦ１＿８のみ低い結果に反映されている。また、視野Ｆ２（視野２）はＣＬ１として主に割り当てられるが、ＣＤ３でソートしたときの値が一番高かった領域でＦ２＿１２のみがＣＤ５、７ともに７０％代だったのに対し、Ｆ２＿８とＦ２＿１０はどちらも９５％を上回っていた。これは、ＷのＣＬ１の値がＦ２＿１２のみ低い結果に反映されている。また、視野３（Ｆ３）はＣＬ３に割り当てられるが、Ｆ３＿８、Ｆ３＿１０、Ｆ３＿１２ともにＣＤ５とＣＤ７で似た傾向を示した。これは、ＷのＣＬ３の値がＦ３＿８、Ｆ３＿１０、Ｆ３＿１２の全てで高かった結果に反映されている。これらのことから、ＪＮＭＦは、細かな特徴量を反映させてクラスタリングを実行することができることがわかる。

　このような一連の多バイオマーカの相関解析によれば、複数のバイオマーカで染色した標本画像を、位置情報を保持したままクラスタリング処理することで、位置情報と多バイオマーカの陽性細胞の相互作用を解析することができる。つまり、異なるバイオマーカの陽性率と位置情報から、異なるバイオマーカの相関関係を解析して取得することができる。

　なお、前述の説明では、一つの標本から三視野を指定したが、これに限定されるものではなく、より広い領域で複数視野を指定することで、同じ標本でも視野毎の細胞の特徴量を抽出することができる。また、これ以外にも標本のホールスライドを使用して標本ごとに比較を行うことも可能であり、その比較結果を患者選別に応用することができる。また、異なる標本をサンプルとして用いることで（例えば、扁桃、リンパ、大腸、骨髄、皮膚など）、異なるガン細胞の共通特徴量や多マーカの相関を調べることが可能であり、その結果をがんの種類の薬剤予測等に応用することができる。

　図１２は、本実施形態に係るサンプルの実施例２（標本ごとに視野を選定した場合）を説明するための図である。図１３は、本実施形態に係るＪＮＭＦの実施例２を説明するための図である。図１２に示すように、例えば、標本（例えば、Ｓａｍｐｌｅ１～ｍ）ごとに視野を設定し、その視野を１～ｎ個のブロックに分割する。なお、ブロック数は、操作部１６０に対するユーザの入力操作によって設定可能であってもよい。

　次いで、図１３に示すように、空間解析部１３３は、標本（例えば、Ｓａｍｐｌｅ１～７）ごとに、標本の視野に対するソート処理などの必要な処理を実行する。例えば、ソート部１３３ｃは、バイオマーカ（１）に基づいてバイオマーカ（２）、バイオマーカ（３）及びバイオマーカ（４）に対するソート処理を実行する。このように、標本ごとにソートを実行して相関解析を行うことも可能である。

　図１４は、本実施形態に係るＪＮＭＦの実施例３を説明するための図である。図１４に示すように、空間解析部１３３は、標本の患者（例えば、患者Ａ～Ｇ）ごとに、患者の標本に対するソート処理などの必要な処理を実行する。例えば、ソート部１３３ｃは、図１３の実施例２と同様、バイオマーカ（１）に基づいてバイオマーカ（２）、バイオマーカ（３）及びバイオマーカ（４）に対するソート処理を実行する。このように、標本の患者ごとにソートを実行して相関解析を行うことも可能である。

　図１５は、本実施形態に係るＪＮＭＦの実施例４を説明するための図である。図１５に示すように、空間解析部１３３は、標本の患者の部位（例えば、扁桃、リンパ、大腸、骨髄、皮膚など）ごとに、患者の部位の標本に対するソート処理などの必要な処理を実行する。例えば、ソート部１３３ｃは、図１３の実施例２と同様、バイオマーカ（１）に基づいてバイオマーカ（２）、バイオマーカ（３）及びバイオマーカ（４）に対するソート処理を実行する。このように、標本の患者の部位ごとにソートを実行して相関解析を行うことも可能である。

　図１６は、本実施形態に係るＪＮＭＦの実施例５を説明するための図である。図１６に示すように、空間解析部１３３は、図１４の実施例３と同様、標本の患者（例えば、患者Ａ～Ｇ）ごとに、患者の標本に対するソート処理やクラスタリング処理などの必要な処理を実行する。ただし、ソート部１３３ｃは、バイオマーカ（１）に基づいてバイオマーカ（２）及びバイオマーカ（３）に対するソート処理を実行し、バイオマーカ（２）に基づいてバイオマーカ（４）に対するソート処理を実行する。このように、ソートに用いるバイオマーカを一つではなく、複数種類のマーカを用いてソートを実行して相関解析を行うことも可能である。

　（クラスタ数の決定）
　相関解析部１３３ｄは、例えば、残差の誤差傾向からクラスタ数ｋを決定することができる。相関解析部１３３ｄは、クラスタ数ｋを変えながらＪＮＭＦの残差平方和（ＳＳＥ）を求め、その残差平方和の変化傾向から最適なクラスタ数ｋを求めることが可能である。なお、最適なクラスタ数ｋを求めるときに変化傾向が分かりにくい場合には、さらにエルボー法などの手法によって最適なクラスタ数ｋを求めることができる。エルボー法は、ＳＳＥとクラスタ数ｋがともになるべく小さい組み合わせをみつける手法である。なお、例えば、残差やユークリッド距離が最小になるクラスタ数ｋを設定してもよく、あるいは、ユーザの設定したいクラスタ数で設定してもよい。つまり、クラスタ数ｋは、操作部１６０に対するユーザの入力操作によって設定可能であってもよい。

　ここで、図１７は、本実施形態に係るクラスタ数ｋの決定を説明するための図である。図１７の例では、縦軸がＳＳＥであり、横軸がクラスタ数ｋである。図１７に示すように、相関解析部１３３ｄは、クラスタ数ｋを変えながら、行列Ｘ１に対するＪＮＭＦのＳＳＥと、行列Ｘ２に対するＪＮＭＦのＳＳＥとを求め、それらの全体（Ｘ１、Ｘ２）の平均を求める。クラスタ数ｋとＳＳＥとの関係情報から、ＳＳＥとクラスタ数ｋがともになるべく小さい組み合わせとして、例えば、ＳＳＥが約４０００でクラスタ数ｋが３である組み合わせを選択する。これにより、クラスタ数ｋが３と決定される。

　（クラスタのメンバーシップと共通モジュールのメンバーシップの決定）
　相関解析部１３３ｄは、サンプルや空間ごとに必ずサンプルを一つのクラスタに属させたい場合には、最大値からクラスタを設定することが可能である。ところが、サンプルによっては、サンプルが複数のクラスタに属する、あるいは、すべてのクラスタに属さない場合も考えられるため、クラスタのメンバーシップをＺスコアから求めることが可能である。

　例えば、相関解析部１３３ｄは、Ｚ_ｉｊ＝（Ｘ_ｉｊ－Ｕ_ｉ）／σ_ｉの関係式を用いて、Ｗの各列、Ｈの各行の各要素のＺスコア（Ｚ_ｉｊ）を算出する。ここで、Ｕ_ｉは、Ｈｉ（ｉ＝１、２、３、・・・）における各バイオマーカの陽性細胞率、陽性細胞数又は輝度値などの平均あるいは中央値である。σ_ｉは、標準偏差あるいは中央絶対偏差である。

　相関解析部１３３ｄは、Ｚ_ｉｊが閾値Ｔよりも大きければ、そのＺ_ｉｊを共通モジュールのメンバーシップとして割り当てる。閾値Ｔはあらかじめ設定されている。閾値Ｔは、統計学的優位性から２以上の値に設定されてもよいし、クラスタのメンバーシップの傾向からユーザにより適した値に設定されてもよい。閾値Ｔは、操作部１６０に対するユーザの入力操作によって設定可能であってもよい。

　なお、Ｚスコア以外の特徴量抽出の式としては、特徴量＝Ｘ_ｉｊ－Ｕ_ｉ（平均との差分）、あるいは、特徴量＝Ｘ_ｉｊ－Ｕ_ｉ／Ｕ_ｉ（標準偏差で割るのではなく、平均値で割る）を用いることも可能である。

　（クラスタのメンバーシップ割り当ての相関の確認）
　相関解析部１３３ｄは、クラスタリングの安定性を評価するため、各クラスタリング処理の処理結果の特徴が相関しているかを確認するために、ピアソンの相関係数やペアワイズ相関分析などを用いた相関解析を行ってもよい。

　（クラウド連携）
　各種データをクラウドと連携し、クラウド側で各種処理の実施を行うことで、クラウド側のソフトにより、多バイオマーカの相関解析処理や薬剤効果の予測処理などの各種処理（例えば、視野選定処理、陽性細胞量算出処理、ソート処理、クラスタリング処理など）を実行することも可能である。

　なお、上述した実施形態では、三種類や四種類のバイオマーカを使用するが、これに限定されるものではなく、二種類又は五種類以上のバイオマーカを使用してもよい。また、ソートに用いるバイオマーカは、例えば、免疫細胞マーカであっても、腫瘍マーカであってもよい。なお、バイオマーカとしては、例えば、分子バイオマーカや細胞バイオマーカなどが含まれる。

　＜１－５．作用・効果＞
　以上説明したように、本実施形態によれば、情報処理装置１００は、生体試料を含むサンプルから、生体試料由来の蛍光スペクトルと生体試料の位置情報を取得する取得部１１０と、蛍光スペクトルから、生体試料の位置情報に紐づけられた生体試料の異なる複数のバイオマーカに関する情報を特定する特定部１３３ｂと、複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理（例えば、多バイオマーカの位置情報を持った次元圧縮）を行い、複数のバイオマーカに関する情報の相関関係を出力する相関解析部１３３ｄと、を備える。これにより、複数のバイオマーカに関する情報の相関関係を取得することが可能になるので、複数のバイオマーカの相関関係を求めることができる。

　また、相関解析部１３３ｄは、複数のバイオマーカに関する情報に対し、ＪＮＭＦにより行列分解処理を実行してから、クラスタリング処理を実行してもよい。これにより、複数のバイオマーカの相関関係を確実に求めることができる。

　また、相関解析部１３３ｄは、クラスタリング処理のクラスタ数ｋを変えながら、ＪＮＭＦの残差平方和（ＳＳＥ）を求め、残差平方和の変化傾向からクラスタ数ｋを決定してもよい。これにより、適切なクラスタ数ｋを求めることができる。

　また、クラスタリング処理のクラスタ数ｋは、ユーザにより設定されていてもよい。これにより、ユーザが希望するクラスタ数ｋを設定することができる。

　また、情報処理装置１００は、サンプルの所定領域（例えば、視野Ｆ１、視野Ｆ２、視野Ｆ３）を決定する選定部１３３ａをさらに備え、特定部１３３ｂは、所定領域の蛍光スペクトルから、所定領域の生体試料の位置情報に紐づけられた複数のバイオマーカに関する情報を特定してもよい。これにより、サンプルの所定領域（例えば、関心領域）における各バイオマーカの相関関係を求めることができる。

　また、選定部１３３ａは、複数の所定領域（例えば、視野Ｆ１、視野Ｆ２、視野Ｆ３）を決定してもよい。これにより、サンプルの複数の所定領域における各バイオマーカの相関関係を求めることができる。

　また、クラスタリング処理のクラスタ数ｋは、所定領域の数に応じて設定されていてもよい。これにより、サンプルの複数の所定領域における各バイオマーカの相関関係を確実に求めることができる。

　また、所定領域は、ユーザにより設定されていてもよい。これにより、ユーザが希望する所定領域を設定することが可能になるので、ユーザの希望に応じた所定領域における各バイオマーカの相関関係を求めることができる。

　また、選定部１３３ａは、複数のサンプルの共通位置の所定領域（例えば、視野Ｆ１、視野Ｆ２、視野Ｆ３）を決定し、取得部１１０は、所定領域ごとに蛍光スペクトルと生体試料の位置情報を取得し、特定部１３３ｂは、所定領域ごとの蛍光スペクトルから、所定領域ごとの生体試料の位置情報に紐づけられた所定領域ごとの複数のバイオマーカに関する情報を特定し、相関解析部１３３ｄは、所定領域ごとの複数のバイオマーカに関する情報に対して行列分解処理を行い、所定領域ごとの複数のバイオマーカに関する情報の相関関係を出力してもよい。これにより、複数のサンプルの共通位置の所定領域における各バイオマーカの相関関係を求めることができる。

　また、選定部１３３ａは、複数のサンプルの相違位置の所定領域（例えば、視野Ｆ１、視野Ｆ２、視野Ｆ３）を決定し、取得部１１０は、所定領域ごとに蛍光スペクトルと生体試料の位置情報を取得し、特定部１３３ｂは、所定領域ごとの蛍光スペクトルから、所定領域ごとの生体試料の位置情報に紐づけられた所定領域ごとの複数のバイオマーカに関する情報を特定し、相関解析部１３３ｄは、所定領域ごとの複数のバイオマーカに関する情報に対して行列分解処理を行い、所定領域ごとの複数のバイオマーカに関する情報の相関関係を出力してもよい。これにより、複数のサンプルの相違位置の所定領域における各バイオマーカの相関関係を求めることができる。

　また、複数のサンプルは、異なる複数の標本であってもよい。これにより、異なる複数の標本における各バイオマーカの相関関係を求めることができる。

　また、複数の標本は、患者ごとの標本であってもよい。これにより、患者ごとの標本における各バイオマーカの相関関係を求めることができる。

　また、複数の標本は、患者の部位ごとの標本であってもよい。これにより、患者の部位ごとの標本における各バイオマーカの相関関係を求めることができる。

　また、情報処理装置１００は、前記複数のバイオマーカに関する情報のうち一つのバイオマーカに関する情報に含まれる複数の単位情報（例えば、ブロック）の並び順に基づいて、その他のバイオマーカに関する情報に含まれる複数の単位情報（例えば、ブロック）の並び順を変えるソート部１３３ｃをさらに備え、相関解析部１３３ｄは、並び順が変えられた複数のバイオマーカに関する情報に対して行列分解処理を行い、複数のバイオマーカに関する情報の相関関係を出力してもよい。これにより、複数のバイオマーカの相関関係を確実に求めることができる。

　また、情報処理装置１００は、生体試料に関する患者への投与薬剤候補を取得する情報取得部１１１と、複数のバイオマーカに関する情報の相関関係及び患者への投与薬剤候補から、投与薬剤候補の患者への奏功性を推定する推定部１３３ｅと、をさらに備えてもよい。これにより、投与薬剤候補の患者への奏功性を推定することができる。

　また、推定部１３３ｅは、複数のバイオマーカに関する情報の相関関係から、共通モジュールのメンバーシップを抽出し、共通モジュールのメンバーシップ及び患者への投与薬剤候補から、投与薬剤候補の前記患者への奏功性を推定してもよい。これにより、投与薬剤候補の患者への奏功性を確実に推定することができる。

　また、バイオマーカに関する情報は、陽性細胞の程度（例えば、陽性細胞量）であってもよい。これにより、複数のバイオマーカの相関関係を確実に求めることができる。

　また、バイオマーカに関する情報は、陽性細胞の程度を示す陽性細胞率、陽性細胞数又は輝度値であってもよい。これにより、複数のバイオマーカの相関関係を確実に求めることができる。

　＜２．第２の実施形態＞
　＜２－１．第２の実施形態の要旨＞
　本実施形態に係る第２の実施形態の要旨について図１８を参照して説明する。図１８は、本実施形態に係るＪＮＭＦ（ｊＮＭＦ）を複数回実施した結果Ｗを示す図である。

　前述の第１の実施形態に係るステップＳ２９では、ＪＮＭＦの計算の最初に、Ｗ、Ｈ１、Ｈ２、・・・、Ｈｎに対して初期値を与えて計算している。デフォルトでは、例えば、Ｗ、Ｈ１、Ｈ２、・・・、Ｈｎの初期値に乱数を与えている。初期値に乱数を与えることで初期値がランダムになるため、結果がばらつく可能性がある。特に、クラスタ数が大きくなるにつれ、結果がばらつく可能性は高くなる。

　図１８には、クラスタ数ｋ＝６の場合にＪＮＭＦを複数回実施した結果Ｗが示されている。具体的には、１８サンプルのシミュレーションデータセットを用いてクラスタ数ｋ＝６でＪＮＭＦを複数回実施した結果Ｗが示されている。実施回数は、３回である（１回目、２回目、３回目）。図１８に示すように、実施回数ごとに初期値が異なるため、実施回数ごとの結果Ｗが異なっている。このように結果Ｗがばらつくことがある。

　そこで、第２の実施形態では、初期値に乱数ではなく、適切な所定の初期値（例えば、最適な所定の初期値）を与える。所定の初期値は、例えば、既定の固定値である。これにより、結果が安定する。また、既存のＪＮＭＦクラスタリング結果に基づいてクラスタリングできる。さらに、初期値に適切な所定の初期値を与えることで、乱数を利用した場合に比べて計算時間が大幅に短縮できる。計算結果が早くに収束するため、ＪＮＭＦのｌｏｏｐ数やｉｔｅｒａｔｉｏｎ数などが、乱数を利用した場合に比べて少なくなる。

　＜２－２．初期値算出の処理例＞
　本実施形態に係る初期値算出の処理例について図１９及び図２０を参照して説明する。図１９は、本実施形態に係るクラスタリングのイメージを説明するための図である。図２０は、本実施形態に係る初期値算出の処理の流れの一例を示すフローチャートである。

　図１９に示すように、ＪＮＭＦを実施したシミュレーションデータセット（例えば、サンプル＃１～サンプル＃ｎ）が既にある。このデータセットに新たに１個以上のサンプル（例えば、サンプル＃ｘ）を加えてＪＮＭＦを実施し、クラスタリング結果を得る。このような状況において、所定の初期値を用いるＪＮＭＦを実現するためには、その所定の初期値をあらかじめ求めておく必要がある。この所定の初期値を求める初期値算出の処理例について以下で説明する。

　図２０に示すように、ステップＳ４１では、相関解析部１３３ｄが、領域の貢献度・特徴量を表示するか否かを判断する。ステップＳ４２では、相関解析部１３３ｄが、既存のデータセットで算出したＨのデータを使用してＬＳＭを行う。ステップＳ４３では、相関解析部１３３ｄが、ＪＮＭＦの初期値を与えるか否かを判断する。ステップＳ４４では、相関解析部１３３ｄが、Ｗ及びＨすべての値に乱数を使用する（デフォルト）。

　ステップＳ４５では、マーカ毎のＸ及びＨをそれぞれ連結し、それぞれ連結したマーカ毎のＸ及びＨでＬＳＭを実施してＷを取得し、取得したＷを所定の初期値として採用する（第１の算出方法）。ステップＳ４６では、マーカ毎のＸ及びＨでＬＳＭを実施してマーカ毎のＷを取得し、取得したマーカ毎のＷから、残差が一番小さいＷを所定の初期値として採用する（第２の算出方法）。ステップＳ４７では、マーカ毎のＸ及びＨでＬＳＭを実施してマーカ毎のＷを取得し、取得したマーカ毎のＷの平均値を所定の初期値として採用する（第３の算出方法）。ステップＳ４８では、新規追加したサンプルのみ乱数を所定の初期値として採用する（第４の算出方法）。ステップＳ４９では、ＣＬ毎のＷの平均値を所定の初期値として採用する（第５の算出方法）。前述のステップＳ４５～Ｓ４９に係る第１から第５の算出方法について詳しくは後述する。

　なお、図２０に示すフローチャートにおける各ステップは、必ずしも記載された順序に沿って時系列に処理される必要はない。すなわち、フローチャートにおける各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。また、情報処理装置１００は、図２０には示されていない処理を併せて実行してもよい。

　＜２－３．初期値算出の実施例＞
　＜２－３－１．シミュレーションデータセット＞
　本実施形態に係るシミュレーションデータセットについて図２１から図２３を参照して説明する。図２１は、本実施形態に係るがん微小環境（ＴＭＥ）の種類を説明するための図である。図２２は、本実施形態に係るシミュレーションデータセットを説明するための図である。図２３は、本実施形態に係るサンプル１～８に対してＪＮＭＦを実施した結果を説明するための図である。

　図２１に示すように、がん微小環境（ＴＭＥ）の４種類（腫瘍にＴ細胞の浸潤有無／ＰＤ－Ｌ１有無）が想定される。想定マーカとしては、腫瘍細胞マーカ（ＣＫ）、リンパ球マーカ（ＣＤ３）及び阻害剤マーカ（ＰＤ－Ｌ１）である。腫瘍領域と間質領域がある。

　ＴＭＥ１＋間質細胞とは、ＣＫあり（高）・ＰＤ－Ｌ１あり（発現あり）・ＣＤ３あり（発現あり）＋間質のがん微小環境である。ＴＭＥ２＋間質細胞とは、ＣＫあり（高）・ＰＤ－Ｌ１あり（発現あり）・ＣＤ３なし（発現なし）＋間質のがん微小環境である。ＴＭＥ３＋間質細胞とは、ＣＫあり（高）・ＰＤ－Ｌ１なし（発現なし）・ＣＤ３あり（発現あり）＋間質のがん微小環境である。ＴＭＥ４＋間質細胞とは、ＣＫあり（高）・ＰＤ－Ｌ１なし（発現なし）・ＣＤ３なし（発現なし）＋間質のがん微小環境である。

　このようながん微小環境の４種類を模したシミュレーションデータを作成した。具体的には、４種類のがん微小環境の領域をＲＯＩ（関心領域）として選択したときを想定してシミュレーションデータを作成した。なお、ＲＯＩで領域を区切ることを想定すると、腫瘍細胞マーカはほぼ１００％である。また、各マーカに関して陽性細胞数がカウントされ、ソートはＣＫ（陽性数）のマーカで行われる。例えば、降順ソートが行われる。

　図２２に示すように、まず、前述の４種類のＴＭＥについて２サンプルずつ作成を行い、合計８サンプルのシミュレーションデータセットを作成した（サンプル１～８）。なお、図２２の例では、基準マーカであるマーカＡはＣＫ、マーカＢはＰＤ－Ｌ１、マーカＣはＣＤ３である。それぞれ陽性細胞数をカウントすることが想定されている。

　サンプル１～２はＴＭＥ１＋間質細胞、サンプル３～４はＴＭＥ２＋間質細胞、サンプル５～６はＴＭＥ３＋間質細胞、サンプル７～８はＴＭＥ４＋間質細胞であり、これらのサンプル１～８のシミュレーションデータセットを作成した。なお、一つのサンプルの全領域は、全部で５０小領域に想定されており、上皮組織＋上皮組織がない領域（間質細胞がいる領域）が想定されており、ＴＭＥが８０％（小領域４０個分）、間質細胞が２０％（小領域１０個分）として想定されている。

　次に、前述の既存のサンプル１～８に新規のサンプル９を追加し、合計９サンプルのシミュレーションデータセットを作成した。図２２の例では、サンプル１～８が既存のシミュレーションデータセットであってＪＮＭＦを実施済みのものであり、新たに解析したい標本としてサンプル９が追加された場合を想定している。また、サンプル９はＴＭＥ１＋間質細胞である場合を想定している。

　（既存のサンプル１～８に対するＪＮＭＦの実施）
　既存のサンプル１～８のシミュレーションデータセットに対してＪＮＭＦを実施した結果が図２３である。図２３の例では、初期値はデフォルトの乱数でクラスタ数ｋ＝３でＪＮＭＦを実施した。結果としては、図２３に示すように、ＣＬ１はＰＤ－Ｌ１の発現ありなしの特徴でクラスタリングされており、ＣＬ２はＣＤ３の浸潤ありなしの特徴でクラスタリングされており、ＣＬ３は間質細胞の特徴でクラスタリングされている。

　＜２－３－２．初期値の算出方法＞
　本実施形態に係る初期値の算出方法について図２４から図３７を参照して説明する。図２４は、本実施形態に係る既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施することを説明するための図である。図２５及び図２６は、本実施形態に係る初期値の概要を説明するための図である。図２７は、本実施形態に係るＬＳＭを説明するための図である。

　図２４に示すように、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。このＪＮＭＦで用いるＷの初期値の算出方法について説明する。

　図２５及び図２６に示すように、既存のサンプル１～８のＷの初期値として、ＪＮＭＦの結果に基づき０か１で二値化した値を使用し、サンプル９のＷの初期値ｘ、ｙ、ｚを算出する。このサンプル９のＷのｘ、ｙ、ｚの算出方法としては、例えば、以下の５種類（第１から第５の算出方法）がある。なお、二値化部分に関しては、デフォルトで乱数が用いられも良く、また、以下の５種類で算出された出力結果の値をそのまま使用しても良い。どちらの場合でも、サンプル１～９のＷの初期値は固定値として予め求められる。

　なお、図２６の例では、Ｗのサンプル１～２の個々の初期値は、ＣＬ１～ＣＬ３の順に「１１１」であり、Ｗのサンプル３～４の個々の初期値は、ＣＬ１～ＣＬ３の順に「１０１」であり、Ｗのサンプル５～６の個々の初期値は、ＣＬ１～ＣＬ３の順に「０１１」であり、Ｗのサンプル７～８の個々の初期値は、ＣＬ１～ＣＬ３の順に「００１」であり、Ｗのサンプル９の初期値は、ＣＬ１～ＣＬ３の順に「ｘｙｚ」である。

　また、Ｈ１のＣＬ１の初期値は、「１１１・・・（４０個）０００・・・（１０個）」であり、Ｈ１のＣＬ２の初期値は、「０００・・・（４０個）０００・・・（１０個）」であり、Ｈ１のＣＬ３の初期値は、「０００・・・（４０個）０００・・・（１０個）」である。Ｈ２のＣＬ１の初期値は、「０００・・・（４０個）１１１・・・（１０個）」であり、Ｈ２のＣＬ２の初期値は、「１１１・・・（４０個）０００・・・（１０個）」であり、Ｈ２のＣＬ３の初期値は、「０００・・・（４０個）１１１・・・（１０個）」である。

　（ＬＳＭ）
　ここで、初期値の算出には、ＬＳＭ（最小二乗法）を用いる。図２７に示すように、ＬＳＭ関数では、標準スペクトルＨに測定データａをフィッティングして混色率セットｘを求める。図２７の式の２乗和が最小になるｘを求める、つまり、混色率ｘに関する偏微分が０のとき最小になる。求めたい混色率セット（分離画像）はｘ＝ａ＊Ｈ′＊ｉｎｖ（Ｈ＊Ｈ′）の関係式から求められる。

　（第１の算出方法）
　本実施形態に係る第１の算出方法について図２８及び図２９を参照して説明する。図２８は、本実施形態に係る第１の算出方法を説明するための図である。図２９は、本実施形態に係る第１の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。

　図２８に示すように、相関解析部１３３ｄは、マーカ毎のＸ及びＨ（マーカＢのＸ１及びＨ１、マーカＣのＸ２及びＨ２）をそれぞれ連結し、それぞれ連結したマーカ毎のＸ及びＨでＬＳＭを実施してＷを取得し、取得したＷを所定の初期値として採用する。例えば、相関解析部１３３ｄは、既存のサンプル１～８のデータセットのみのＨ１、Ｈ２のＪＮＭＦ算出結果を使用し、Ｘ１＋Ｘ２及びＨ１＋Ｈ２でＬＳＭを実施し、（Ｘ１＋Ｘ２）／（Ｈ１＋Ｈ２）＝Ｗの初期値を算出する。図２８の例では、相関解析部１３３ｄは、マーカＢのＸ１とマーカＣのＸ２を連結し、マーカＢのＨ１とマーカＣのＨ２を連結する。

　詳しくは、相関解析部１３３ｄは、新規のサンプル９も含まれているＸ１とＸ２を連結し、さらに、既存のサンプル１～８のデータセットのみでＪＮＭＦを実施することにより算出されたＨ１とＨ２を連結し、ＬＳＭを実施することで、新規のサンプル９も含まれているＷの値を算出する。このＷの値は、新規のサンプル９のｘｙｚの値を含む。

　その後、相関解析部１３３ｄは、算出した初期値をＪＮＭＦに与え、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。これにより、図２９に示すように、サンプル１～９はクラスタに分けられる。ＪＮＭＦに与えたサンプル９の初期値は１、１、１にかなり近く、新規のサンプル９（ＴＭＥ１＋間質細胞）は想定通りのクラスタに分かれた。なお、複数のシミュレーション結果から、第１の算出手法の精度が安定的に高いことが分かっている。

　なお、Ｘ１＋Ｘ２及びＨ１＋Ｈ２でＬＳＭを実施する場合、ｘ＝ａ＊Ｈ′＊ｉｎｖ（Ｈ＊Ｈ′）の関係式（図２７参照）から、Ｗが求められる。図２７の例では、ｋはクラスタ数に相当し、ｘがＨ１＋Ｈ２に相当し、ａがＸ１＋Ｘ２に相当し、Ｈ′がｗに相当する。

　（第２の算出方法）
　本実施形態に係る第２の算出方法について図３０及び図３１を参照して説明する。図３０は、本実施形態に係る第２の算出方法を説明するための図である。図３１は、本実施形態に係る第２の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。

　図３０に示すように、相関解析部１３３ｄは、マーカ毎のＸ、Ｈ（マーカＢのＸ１及びＨ１、マーカＣのＸ２及びＨ２）でＬＳＭを実施してマーカ毎のＷを取得し、取得したマーカ毎のＷから、残差が一番小さいＷを所定の初期値として採用する。例えば、相関解析部１３３ｄは、既存のサンプル１～８のデータセットのみのＨ１、Ｈ２のＪＮＭＦ算出結果を使用し、Ｘ１／Ｈ１＝Ｗ１の初期値及びＸ２／Ｈ２＝Ｗ２の初期値から、残差が少ない方を初期値として採用する。

　詳しくは、相関解析部１３３ｄは、新規のサンプル９も含まれているＸ１と、既存のサンプル１～８のデータセットのみでＪＮＭＦを実施することにより算出されたＨ１とでＬＳＭを実施し、新規のサンプル９も含まれているＷ１の値を算出する。また、相関解析部１３３ｄは、新規のサンプル９も含まれているＸ２と、既存のサンプル１～８のデータセットのみでＪＮＭＦを実施することにより算出されたＨ２とでＬＳＭを実施し、新規のサンプル９も含まれているＷ２の値を算出する。相関解析部１３３ｄは、それぞれの値Ｗ１、Ｗ２を初期値としてＪＮＭＦに与え、残差が少ない方を所定の初期値として採用する。このＷ１又はＷ２の値は、新規のサンプル９のｘｙｚの値を含む。

　その後、相関解析部１３３ｄは、算出した初期値をＪＮＭＦに与え、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。これにより、図３１に示すように、サンプル１～９はクラスタに分けられる。新規のサンプル９（ＴＭＥ１＋間質細胞）は想定通りのクラスタに分かれた。

　なお、Ｘ１及びＨ１でＬＳＭを実施する場合、ｘ＝ａ＊Ｈ′＊ｉｎｖ（Ｈ＊Ｈ′）の関係式（図２７参照）から、Ｗが求められる。図２７の例では、ｋはクラスタ数に相当し、ｘがＨ１に相当し、ａがＸ１に相当し、Ｈ′がｗに相当する。Ｘ２及びＨ２でＬＳＭを実施する場合も、Ｘ１及びＨ１でＬＳＭを実施する場合と同様にＷが求められる。

　（第３の算出方法）
　本実施形態に係る第３の算出方法について図３２及び図３３を参照して説明する。図３２は、本実施形態に係る第３の算出方法を説明するための図である。図３３は、本実施形態に係る第３の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。

　図３２に示すように、相関解析部１３３ｄは、マーカ毎のＸ、Ｈ（マーカＢのＸ１及びＨ１、マーカＣのＸ２及びＨ２）でＬＳＭを実施してマーカ毎のＷを取得し、取得したマーカ毎のＷ（Ｗ１、Ｗ２）の平均値を所定の初期値として採用する。例えば、相関解析部１３３ｄは、既存のサンプル１～８のデータセットのみのＨ１、Ｈ２のＪＮＭＦ算出結果を使用し、Ｘ１／Ｈ１＝Ｗ１の初期値及びＸ２／Ｈ２＝Ｗ２の初期値の平均値を所定の初期値として採用する。

　詳しくは、相関解析部１３３ｄは、新規のサンプル９も含まれているＸ１と、既存のサンプル１～８のデータセットのみでＪＮＭＦを実施することにより算出されたＨ１とでＬＳＭを実施し、新規のサンプル９も含まれているＷ１の値を算出する。また、相関解析部１３３ｄは、新規のサンプル９も含まれているＸ２と、既存のサンプル１～８のデータセットのみでＪＮＭＦを実施することにより算出されたＨ１とでＬＳＭを実施し、新規のサンプル９も含まれているＷ２の値を算出する。相関解析部１３３ｄは、それぞれのＷ１の値とＷ２の値との平均値を算出し、算出した平均値を所定の初期値として採用する。このＷ１の値とＷ２の値との平均値は、新規のサンプル９のｘｙｚの値を含む。

　その後、相関解析部１３３ｄは、算出した初期値をＪＮＭＦに与え、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。これにより、図３３に示すように、サンプル１～９はクラスタに分けられる。今回のシミュレーションデータでは、新規のサンプル９（ＴＭＥ１＋間質細胞）は想定通りのクラスタに分かれなかった。ただし、他のシミュレーションデータによっては、新規のサンプルが想定通りのクラスタに分かれることが分かっている。

　（第４の算出方法）
　本実施形態に係る第４の算出方法について図３４及び図３５を参照して説明する。図３４は、本実施形態に係る第４の算出方法を説明するための図である。図３５は、本実施形態に係る第４の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。

　図３４に示すように、相関解析部１３３ｄは、追加した新規のサンプルのみ乱数を所定の初期値として採用する。例えば、相関解析部１３３ｄは、既存のサンプル１～８のデータセットの部分に対して、二値化した値を所定の初期値として使用し、新規のサンプル９のみ０～１の間の乱数を所定の初期値（新規のサンプル９のｘｙｚの値）として使用する。つまり、新規のサンプル９の所定の初期値はランダムとなる。

　その後、相関解析部１３３ｄは、算出した初期値をＪＮＭＦに与え、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。これにより、図３５に示すように、実施回数ごとにサンプル１～９はクラスタに分けられる。ランダム１回目、ランダム２回目及びランダム３回目ともに、新規のサンプル９（ＴＭＥ１＋間質細胞）は想定通りのクラスタに分かれた。なお、図３５の例では、実施回数は３回であるが、Ｗの初期値は０～１の間になる。

　（第５の算出方法）
　本実施形態に係る第５の算出方法について図３６及び図３７を参照して説明する。図３６は、本実施形態に係る第５の算出方法を説明するための図である。図３７は、本実施形態に係る第５の算出方法により算出された初期値を用いたＪＮＭＦの結果を説明するための図である。

　図３６に示すように、相関解析部１３３ｄは、クラスタ毎のＷの平均値を所定の初期値として採用する。例えば、相関解析部１３３ｄは、既存のサンプル１～８のデータセットでＪＮＭＦを実施した結果のＷを使用し、クラスタ毎のＷの平均値を新規のサンプル９の初期値（新規のサンプル９のｘｙｚの値）として使用する。

　その後、相関解析部１３３ｄは、算出した初期値をＪＮＭＦに与え、既存のサンプル１～８に新規のサンプル９を追加したシミュレーションデータセットに対してＪＮＭＦを実施する。これにより、図３７に示すように、サンプル１～９はクラスタに分けられる。新規のサンプル９（ＴＭＥ１＋間質細胞）は想定通りのクラスタに分かれた。

　（クラスタリングのみ）
　なお、新規サンプルを追加してクラスリングのみしたい場合には、第１の算出方法で行ったように、既存のサンプル１～８のデータセットでＪＮＭＦを実施したＨ１、Ｈ２、・・・、Ｈｎを連結した行列と、新規のサンプル９も含まれるＸ１、Ｘ２、・・・、Ｘｎを連結させた行列でＬＳＭを実施し、その算出されたＷの値をもとにクラスタリングすることが可能である。

　（データの利活用）
　元の行列Ｘ１、Ｘ２、・・・、ＸｎとＪＮＭＦを実施した結果（Ｈ及びＷ）の値が公開されると、サンプル数が十分にない機関やレファレンスデータがない機関でも、ＪＮＭＦを実施してクラスタリングしたり、特徴領域を抽出したりすることが可能である。また、他の期間のサンプルとの特徴も比較することが可能である。また、クラスタリングのみだと、ＷＳＩ（Whole　Slide　Imaging）画像いらず数値のみでデータを共有できるため、データサイズの圧縮を実現することができる。

　＜２－４．作用・効果＞
　以上説明したように、本実施形態によれば、第１の実施形態と同様の効果を得ることができる。また、本実施形態によれば、相関解析部１３３ｄは、ＪＮＭＦに所定の初期値を与える。これにより、ＪＮＭＦの結果が安定するので、複数のバイオマーカの相関関係を精度よく求めることができる。

　また、相関解析部１３３ｄは、バイオマーカ毎の行列Ｘ及び行列Ｈをそれぞれ連結し、それぞれ連結したバイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して行列Ｗを取得し、取得した行列Ｗを所定の初期値として採用してもよい。これにより、ＪＮＭＦの結果を安定化することができる。

　また、相関解析部１３３ｄは、バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施してバイオマーカ毎の行列Ｗを取得し、取得したバイオマーカ毎の行列Ｗから、残差が一番小さい行列Ｗを所定の初期値として採用してもよい。これにより、ＪＮＭＦの結果を安定化することができる。

　また、相関解析部１３３ｄは、バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施してバイオマーカ毎の行列Ｗを取得し、取得したバイオマーカ毎の行列Ｗの平均値を所定の初期値として採用してもよい。これにより、ＪＮＭＦの結果を安定化することができる。

　また、所定の初期値（例えば、Ｗの初期値）は、追加する新規サンプルに関する初期値（例えば、新規のサンプル９のＷのｘｙｚの値）を含み、相関解析部１３３ｄは、新規サンプルに関する初期値にのみ乱数を採用してもよい。これにより、ＪＮＭＦの結果を安定化することができる。

　また、所定の初期値（例えば、Ｗの初期値）は、追加する新規サンプルに関する初期値（例えば、新規のサンプル９のＷのｘｙｚの値）を含み、相関解析部１３３ｄは、クラスタリング処理のクラスタ毎のＷの平均値を新規サンプルに関する初期値として採用してもよい。これにより、ＪＮＭＦの結果を安定化することができる。

　＜３．他の実施形態＞
　上述した実施形態（実施例、変形例を含む）に係る処理は、上記実施形態以外にも種々の異なる形態にて実施されてよい。例えば、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

　また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

　また、上述した実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。

　＜４．適用例＞
　本開示に係る技術は、例えば、蛍光観察装置５００（顕微鏡システムの一例）等に適用され得る。以下、図３８及び図３９を参照して、適用され得る蛍光観察装置５００の構成例について説明する。図３８は、本実施形態に係る蛍光観察装置５００の概略構成の一例を示す図である。図３９は、本実施形態に係る観察ユニット１の概略構成の一例を示す図である。

　図３８に示すように、蛍光観察装置５００は、観察ユニット１と、処理ユニット２と、表示部３とを有する。

　観察ユニット１は、励起部（照射部）１０と、ステージ２０と、分光イメージング部３０と、観察光学系４０と、走査機構５０と、フォーカス機構６０と、非蛍光観察部７０とを含む。

　励起部１０は、波長が異なる複数の照射光を観察対象物に照射する。励起部１０は、例えば、異軸平行に配置された波長の異なる複数のライン照明を観察対象物である病理標本（病理サンプル）に照射する。ステージ２０は、病理標本を支持する台であって、走査機構５０により、ライン照明によるライン光の方向に対して垂直方向に移動可能に構成されている。分光イメージング部３０は、分光器を含み、ライン照明によりライン状に励起された病理標本の蛍光スペクトル（分光データ）を取得する。

　すなわち、観察ユニット１は、ライン照明に応じた分光データを取得するライン分光器として機能する。また、観察ユニット１は、複数の蛍光波長それぞれについて撮像対象（病理標本）により生成された複数の蛍光画像をライン毎に撮像し、撮像した複数の蛍光画像のデータをラインの並び順で取得する撮像装置としても機能する。

　ここで、異軸平行とは、複数のライン照明が異軸かつ平行であることをいう。異軸とは、同軸上に無いことをいい、軸間の距離は特に限定されない。平行とは、厳密な意味での平行に限られず、ほぼ平行である状態も含む。例えば、レンズ等の光学系由来のディストーションや製造公差による平行状態からの逸脱があってもよく、この場合も平行とみなす。

　励起部１０と分光イメージング部３０は、ステージ２０に対し、観察光学系４０を介して接続されている。観察光学系４０は、フォーカス機構６０によって最適な焦点に追従する機能を有している。観察光学系４０には、暗視野観察、明視野観察などを行うための非蛍光観察部７０が接続されてもよい。また、観察ユニット１には、励起部１０、分光イメージング部３０、走査機構５０、フォーカス機構６０、非蛍光観察部７０などを制御する制御部８０が接続されてもよい。

　処理ユニット２は、記憶部２１と、データ校正部２２と、画像形成部２３とを含む。この処理ユニット２は、観察ユニット１によって取得された病理標本（以下、サンプルＳともいう。）の蛍光スペクトルに基づいて、典型的には、病理標本の画像を形成し、あるいは蛍光スペクトルの分布を出力する。ここでいう画像とは、そのスペクトルを構成する色素やサンプル由来の自家蛍光などの構成比率、波形からＲＧＢ（赤緑青）カラーに変換されたものや、特定の波長帯の輝度分布などをいう。

　記憶部２１は、例えばハードディスクドライブやフラッシュメモリといった不揮発性の記憶媒体と、当該記憶媒体に対するデータの書き込みおよび読み出しを制御する記憶制御部と、を含む。記憶部２１は、励起部１０が含む複数のライン照明それぞれにより射出される光の各波長と、分光イメージング部３０のカメラで受光された蛍光との相関を示す分光データが記憶される。また、記憶部２１には、観察対象となるサンプル（病理標本）に関する自家蛍光の標準スペクトルを示す情報や、サンプルを染色する色素単体の標準スペクトルを示す情報が予め記憶される。

　データ校正部２２は、分光イメージング部３０のカメラで撮像された撮像画像に基づき記憶部２１に記憶された分光データの構成を行う。画像形成部２３は、分光データと、励起部１０により照射された複数のライン照明の間隔Δｙとに基づき、サンプルの蛍光画像を形成する。例えば、データ校正部２２や画像形成部２３等を含む処理ユニット２は、ＣＰＵ（Central　Processing　Unit）、ＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）等のコンピュータに用いられるハードウェア要素および必要なプログラム（ソフトウェア）により実現される。ＣＰＵに代えて、またはこれに加えて、ＦＰＧＡ（Field　Programmable　Gate　Array）等のＰＬＤ（Programmable　Logic　Device）、あるいは、ＤＳＰ（Digital　Signal　Processor）、その他ＡＳＩＣ（Application　Specific　Integrated　Circuit）等が用いられてもよい。

　表示部３は、例えば、画像形成部２３で形成された蛍光画像に基づく画像等の各種情報を表示する。この表示部３は、例えば、処理ユニット２に一体的に取り付けられたモニタで構成されてもよいし、処理ユニット２に接続された表示装置であってもよい。表示部３は、例えば、液晶デバイスあるいは有機ＥＬデバイス等の表示素子と、タッチセンサとを備え、撮影条件の入力設定や撮影画像等を表示するＵＩ（User　Interface）として構成される。

　次に、観察ユニット１の詳細について図３９を参照して説明する。ここでは、励起部１０がそれぞれ２波長の発光を行う２つのライン照明Ｅｘ１およびＥｘ２を含むものとして説明する。例えば、ライン照明Ｅｘ１が波長４０５ｎｍの光と波長５６１ｎｍの光とを発光し、ライン照明Ｅｘ２が波長４８８ｎｍの光と波長６４５ｎｍの光とを発光する。

　図３９に示すように、励起部１０は、複数（本例では４つ）の励起光源Ｌ１、Ｌ２、Ｌ３、Ｌ４を有する。各励起光源Ｌ１～Ｌ４は、波長がそれぞれ４０５ｎｍ、４８８ｎｍ、５６１ｎｍ及び６４５ｎｍのレーザ光を出力するレーザ光源で構成される。例えば、各励起光源Ｌ１～Ｌ４は、発光ダイオード（ＬＥＤ）やレーザダイオード（ＬＤ）などで構成される。

　さらに、励起部１０は、各励起光源Ｌ１～Ｌ４に対応するよう、複数のコリメータレンズ１１、複数のレーザラインフィルタ１２、複数のダイクロイックミラー１３ａ、１３ｂ、１３ｃと、ホモジナイザ１４と、コンデンサレンズ１５と、入射スリット１６とを有する。

　励起光源Ｌ１から出射されるレーザ光と励起光源Ｌ３から出射されるレーザ光は、それぞれコリメータレンズ１１によって平行光になった後、各々の波長帯域の裾野をカットするためのレーザラインフィルタ１２を透過し、ダイクロイックミラー１３ａによって同軸にされる。同軸化された２つのレーザ光は、さらに、ライン照明Ｅｘ１となるべくフライアイレンズなどのホモジナイザ１４とコンデンサレンズ１５によってビーム成形される。

　励起光源Ｌ２から出射されるレーザ光と励起光源Ｌ４から出射されるレーザ光も同様に各ダイクロイックミラー１３ｂ、１３ｃによって同軸化され、ライン照明Ｅｘ１とは異軸のライン照明Ｅｘ２となるようにライン照明化される。ライン照明Ｅｘ１およびＥｘ２は、各々が通過可能な複数のスリット部を有する入射スリット１６（スリット共役）において距離Δｙだけ離れた異軸ライン照明（１次像）を形成する。

　なお、本実施形態では、４つのレーザを２つの同軸、２つの異軸とした例について説明するが、このほかに、２つのレーザを２つの異軸構成にしたり、４つのレーザを４つの異軸構成にしたりしてもよい。

　１次像は、観察光学系４０を介してステージ２０上のサンプルＳに照射される。観察光学系４０は、コンデンサレンズ４１と、ダイクロイックミラー４２，４３と、対物レンズ４４と、バンドパスフィルタ４５と、コンデンサレンズ（結像レンズの一例）４６とを有する。ライン照明Ｅｘ１、Ｅｘ２は、対物レンズ４４と対になったコンデンサレンズ４１で平行光にされ、ダイクロイックミラー４２、４３により反射されて対物レンズ４４を透過し、ステージ２０上のサンプルＳに照射される。

　ここで、図４０は、本実施形態に係るサンプルＳの一例を示す図である。図４０では、サンプルＳを励起光であるライン照明Ｅｘ１およびＥｘ２の照射方向から見た様子が示されている。サンプルＳは、典型的には、図４０に示すような組織切片等の観察対象物Ｓａを含むスライドで構成されるが、勿論それ以外であってもよい。観察対象物Ｓａは、例えば、核酸、細胞、タンパク、菌、ウイルスなどの生体試料である。サンプルＳ（観察対象物Ｓａ）は、複数の蛍光色素によって染色されている。観察ユニット１は、サンプルＳを所望の倍率に拡大して観察する。

　図４１は、本実施形態に係るサンプルＳにライン照明Ｅｘ１およびＥｘ２が照射される領域Ａを拡大して示す図である。図４１の例では、領域Ａに２つのライン照明Ｅｘ１およびＥｘ２が配置されており、それぞれのライン照明Ｅｘ１およびＥｘ２に重なるように、分光イメージング部３０の撮影エリアＲ１およびＲ２が配置される。２つのライン照明Ｅｘ１およびＥｘ２は、それぞれＺ軸方向に平行であり、Ｙ軸方向に所定の距離Δｙだけ離れて配置される。

　サンプルＳの表面において、図４１に示したようにライン照明Ｅｘ１およびＥｘ２が形成される。これらのライン照明Ｅｘ１およびＥｘ２によってサンプルＳにおいて励起された蛍光は、図３９に示すように、対物レンズ４４によって集光され、ダイクロイックミラー４３に反射され、ダイクロイックミラー４２と、励起光をカットするバンドパスフィルタ４５とを透過し、コンデンサレンズ４６で再び集光されて、分光イメージング部３０に入射する。

　分光イメージング部３０は、図３９に示すように、観測スリット（開口部）３１と、撮像素子３２と、第１プリズム３３と、ミラー３４と、回折格子３５（波長分散素子）と、第２プリズム３６とを有する。

　図３９の例では、撮像素子３２は、２つの撮像素子３２ａ、３２ｂを含んで構成されている。この撮像素子３２は、回折格子３５によって波長分散された複数の光（蛍光等）を撮像（受光）する。撮像素子３２には、例えば、ＣＣＤ（Charge　Coupled　Device）、ＣＭＯＳ（Complementary　Metal　Oxide　Semiconductor）などの２次元イメージャが採用される。

　観測スリット３１は、コンデンサレンズ４６の集光点に配置され、励起ライン数と同じ数（この例では２本）のスリット部を有する。観測スリット３１を通過した２つの励起ライン由来の蛍光スペクトルは、第１プリズム３３で分離され、それぞれミラー３４を介して回折格子３５の格子面で反射することにより、励起波長各々の蛍光スペクトルにさらに分離される。分離された４つの蛍光スペクトルは、ミラー３４および第２プリズム３６を介して撮像素子３２ａおよび３２ｂに入射され、分光データとして、ライン方向の位置ｘと、波長λにより表現される分光データ（ｘ，λ）に展開される。分光データ（ｘ，λ）は、撮像素子３２に含まれる画素のうち、行方向において位置ｘ、列方向において波長λの位置の画素の画素値である。なお、分光データ（ｘ，λ）は、単に分光データとして記述されることがある。

　なお、撮像素子３２ａおよび３２ｂの画素サイズ（ｎｍ／Ｐｉｘｅｌ）は特に限定されず、例えば、２（ｎｍ／Ｐｉｘｅｌ）以上２０（ｎｍ／Ｐｉｘｅｌ）以下に設定される。この分散値は、回折格子３５のピッチや光学的に実現しても良いし、撮像素子３２ａおよび３２ｂのハードウェアビニングを使って実現しても良い。また、光路の途中にダイクロイックミラー４２やバンドパスフィルタ４５が挿入され、励起光（ライン照明Ｅｘ１およびＥｘ２）が撮像素子３２に到達しないようにされている。

　各ライン照明Ｅｘ１およびＥｘ２は、それぞれ単一の波長で構成される場合に限られず、それぞれが複数の波長で構成されてもよい。ライン照明Ｅｘ１およびＥｘ２がそれぞれ複数の波長で構成される場合、これらで励起される蛍光もそれぞれ複数のスペクトルを含む。この場合、分光イメージング部３０は、当該蛍光を励起波長に由来するスペクトルに分離するための波長分散素子を有する。波長分散素子は、回折格子やプリズムなどで構成され、典型的には、観測スリット３１と撮像素子３２との間の光路上に配置される。

　なお、ステージ２０および走査機構５０は、Ｘ－Ｙステージを構成し、サンプルＳの蛍光画像を取得するため、サンプルＳをＸ軸方向およびＹ軸方向へ移動させる。ＷＳＩ（Whole　slide　imaging）では、Ｙ軸方向にサンプルＳをスキャンし、その後、Ｘ軸方向に移動し、さらにＹ軸方向へのスキャンを行うといった動作が繰り返される。走査機構５０を用いることで、サンプルＳ（観察対象物Ｓａ）上において空間的に距離Δｙだけ離れた、それぞれ異なる励起波長で励起された色素スペクトル（蛍光スペクトル）を、Ｙ軸方向に連続的に取得することができる。

　走査機構５０は、サンプルＳにおける照射光の照射される位置を経時的に変化させる。例えば、走査機構５０は、ステージ２０をＹ軸方向に走査する。この走査機構５０によって、ステージ２０に対して複数のライン照明Ｅｘ１，Ｅｘ２をＹ軸方向、つまり、各ライン照明Ｅｘ１，Ｅｘ２の配列方向に走査させることができる。これは、この例に限定されず、光学系の途中に配置されたガルバノミラーによって複数のライン照明Ｅｘ１およびＥｘ２がＹ軸方向に走査されてもよい。各ライン照明Ｅｘ１およびＥｘ２由来のデータ（例えば、２次元データ又は３次元データ）は、Ｙ軸について距離Δｙだけ座標がシフトしたデータになるので、予め記憶された距離Δｙ、または、撮像素子３２の出力から計算される距離Δｙの値に基づいて、補正され出力される。

　図３９に示すように、非蛍光観察部７０は、光源７１、ダイクロイックミラー４３、対物レンズ４４、コンデンサレンズ７２、撮像素子７３などにより構成される。非蛍光観察部７０においては、図３９の例では、暗視野照明による観察系を示している。

　光源７１は、ステージ２０に対して対物レンズ４４と対向する側に配置され、ステージ２０上のサンプルＳに対して、ライン照明Ｅｘ１、Ｅｘ２とは反対側から照明光を照射する。暗視野照明の場合、光源７１は、対物レンズ４４のＮＡ（開口数）の外側から照明し、サンプルＳで回折した光（暗視野像）を対物レンズ４４、ダイクロイックミラー４３およびコンデンサレンズ７２を介して撮像素子７３で撮影する。暗視野照明を用いることで、蛍光染色サンプルのような一見透明なサンプルであってもコントラストを付けて観察することができる。

　なお、この暗視野像を蛍光と同時に観察して、リアルタイムのフォーカスに使ってもよい。この場合、照明波長は、蛍光観察に影響のない波長を選択すればよい。非蛍光観察部７０は、暗視野画像を取得する観察系に限られず、明視野画像、位相差画像、位相像、インラインホログラム（In-line　hologram）画像などの非蛍光画像を取得可能な観察系で構成されてもよい。例えば、非蛍光画像の取得方法として、シュリーレン法、位相差コントラスト法、偏光観察法、落射照明法などの種々の観察法が採用可能である。照明用光源の位置もステージ２０の下方に限られず、ステージ２０の上方や対物レンズ４４の周りにあってもよい。また、リアルタイムでフォーカス制御を行う方式だけでなく、予めフォーカス座標（Ｚ座標）を記録しておくプレフォーカスマップ方式等の他の方式が採用されてもよい。

　なお、上述では、励起光としてのライン照明は、ライン照明Ｅｘ１およびＥｘ２の２本で構成されたが、これに限定されず、３本、４本あるいは５本以上であってもよい。またそれぞれのライン照明は、色分離性能がなるべく劣化しないように選択された複数の励起波長を含んでもよい。また、ライン照明が１本であっても、複数の励起波長から構成される励起光源で、かつそれぞれの励起波長と、撮像素子３２で所得されるデータとを紐づけて記録すれば、異軸平行ほどの分離能は得られないが、多色スペクトルを得ることができる。

　以上、本開示に係る技術を蛍光観察装置５００に適用した適用例について説明した。なお、図３８及び図３９を参照して説明した上記の構成はあくまで一例であり、本実施形態に係る蛍光観察装置５００の構成は係る例に限定されない。例えば、蛍光観察装置５００は、図３８及び図３９に示す構成の全てを必ずしも備えなくてもよいし、図３８及び図３９に示されていない構成を備えてもよい。

　＜５．応用例＞
　本開示に係る技術は、例えば、顕微鏡システム等に応用されることができる。以下、図４２から図４４を参照して、応用され得る顕微鏡システム５０００の構成例について説明する。顕微鏡システム５０００の一部である顕微鏡装置５１００は、撮像装置として機能する。

　本開示の顕微鏡システムの構成例を図４２に示す。図４２に示される顕微鏡システム５０００は、顕微鏡装置５１００、制御部５１１０、及び情報処理部５１２０を含む。顕微鏡装置５１００は、光照射部５１０１、光学部５１０２、及び信号取得部５１０３を備えている。顕微鏡装置５１００はさらに、生体由来試料Ｓが配置される試料載置部５１０４を備えていてよい。なお、顕微鏡装置５１００の構成は図４２に示されるものに限定されず、例えば、光照射部５１０１は、顕微鏡装置５１００の外部に存在してもよく、例えば顕微鏡装置５１００に含まれない光源が光照射部５１０１として利用されてもよい。また、光照射部５１０１は、光照射部５１０１と光学部５１０２とによって試料載置部５１０４が挟まれるように配置されていてよく、例えば、光学部５１０２が存在する側に配置されてもよい。顕微鏡装置５１００は、明視野観察、位相差観察、微分干渉観察、偏光観察、蛍光観察、及び暗視野観察のうちの１又は２以上を実行することができるように構成されてよい。

　顕微鏡システム５０００は、いわゆるＷＳＩ（Whole　Slide　Imaging）システム又はデジタルパソロジーイメージングシステムとして構成されてよく、病理診断のために用いられうる。また、顕微鏡システム５０００は、蛍光イメージングシステム、特には多重蛍光イメージングシステムとして構成されてもよい。

　例えば、顕微鏡システム５０００は、術中病理診断又は遠隔病理診断を行うために用いられてよい。当該術中病理診断では、手術が行われている間に、顕微鏡装置５１００が、当該手術の対象者から取得された生体由来試料Ｓのデータを取得し、そして、当該データを情報処理部５１２０へと送信しうる。当該遠隔病理診断では、顕微鏡装置５１００は、取得した生体由来試料Ｓのデータを、顕微鏡装置５１００とは離れた場所（別の部屋又は建物など）に存在する情報処理部５１２０へと送信しうる。そして、これらの診断において、情報処理部５１２０は、当該データを受信し、出力する。出力されたデータに基づき、情報処理部５１２０のユーザが、病理診断を行いうる。

　（生体由来試料）
　生体由来試料Ｓは、生体成分を含む試料であってよい。前記生体成分は、生体の組織、細胞、生体の液状成分（血液や尿等）、培養物、又は生細胞（心筋細胞、神経細胞、及び受精卵など）であってよい。前記生体由来試料は、固形物であってよく、パラフィンなどの固定試薬によって固定された標本又は凍結により形成された固形物であってよい。前記生体由来試料は、当該固形物の切片でありうる。前記生体由来試料の具体的な例として、生検試料の切片を挙げることができる。

　前記生体由来試料は、染色又は標識などの処理が施されたものであってよい。当該処理は、生体成分の形態を示すための又は生体成分が有する物質（表面抗原など）を示すための染色であってよく、ＨＥ（Hematoxylin-Eosin）染色、免疫組織化学（Immunohistochemistry）染色を挙げることができる。前記生体由来試料は、１又は２以上の試薬により前記処理が施されたものであってよく、当該試薬は、蛍光色素、発色試薬、蛍光タンパク質、又は蛍光標識抗体でありうる。

　前記標本は、組織サンプルから病理診断または臨床検査などを目的に作製されたものであってよい。また、前記標本は、人体に限らず、動物、植物、又は他の材料に由来するものであってもよい。前記標本は、使用される組織（例えば臓器または細胞など）の種類、対象となる疾病の種類、対象者の属性（例えば、年齢、性別、血液型、または人種など）、または対象者の生活習慣（例えば、食生活、運動習慣、または喫煙習慣など）などにより性質が異なる。前記標本は、各標本それぞれ識別可能な識別情報（バーコード又はＱＲコード（登録商標）等）を付されて管理されてよい。

　（光照射部）
　光照射部５１０１は、生体由来試料Ｓを照明するための光源、および光源から照射された光を標本に導く光学部である。光源は、可視光、紫外光、若しくは赤外光、又はこれらの組合せを生体由来試料に照射しうる。光源は、ハロゲン光源、レーザ光源、ＬＥＤ光源、水銀光源、及びキセノン光源のうちの１又は２以上であってよい。蛍光観察における光源の種類及び／又は波長は、複数でもよく、当業者により適宜選択されてよい。光照射部５１０１は、透過型、反射型又は落射型（同軸落射型若しくは側射型）の構成を有しうる。

　（光学部）
　光学部５１０２は、生体由来試料Ｓからの光を信号取得部５１０３へと導くように構成される。光学部５１０２は、顕微鏡装置５１００が生体由来試料Ｓを観察又は撮像することを可能とするように構成されうる。光学部５１０２は、対物レンズを含みうる。対物レンズの種類は、観察方式に応じて当業者により適宜選択されてよい。また、光学部５１０２は、対物レンズによって拡大された像を信号取得部５１０３に中継するためのリレーレンズを含んでもよい。光学部５１０２は、前記対物レンズ及び前記リレーレンズ以外の光学部品、接眼レンズ、位相板、及びコンデンサレンズなど、をさらに含みうる。また、光学部５１０２は、生体由来試料Ｓからの光のうちから所定の波長を有する光を分離するように構成された波長分離部をさらに含んでよい。波長分離部は、所定の波長又は波長範囲の光を選択的に信号取得部５１０３に到達させるように構成されうる。波長分離部は、例えば、光を選択的に透過させるフィルタ、偏光板、プリズム（ウォラストンプリズム）、及び回折格子のうちの１又は２以上を含んでよい。波長分離部に含まれる光学部品は、例えば対物レンズから信号取得部５１０３までの光路上に配置されてよい。波長分離部は、蛍光観察が行われる場合、特に励起光照射部を含む場合に、顕微鏡装置５１００内に備えられる。波長分離部は、蛍光同士を互いに分離し又は白色光と蛍光とを分離するように構成されうる。

　（信号取得部）
　信号取得部５１０３は、生体由来試料Ｓからの光を受光し、当該光を電気信号、特にはデジタル電気信号へと変換することができるように構成されうる。信号取得部５１０３は、当該電気信号に基づき、生体由来試料Ｓに関するデータを取得することができるように構成されてよい。信号取得部５１０３は、生体由来試料Ｓの像（画像、特には静止画像、タイムラプス画像、又は動画像）のデータを取得することができるように構成されてよく、特に光学部５１０２によって拡大された画像のデータを取得するように構成されうる。信号取得部５１０３は、１次元又は２次元に並んで配列された複数の画素を備えている１つ又は複数の撮像素子、ＣＭＯＳ又はＣＣＤなど、を含む。信号取得部５１０３は、低解像度画像取得用の撮像素子と高解像度画像取得用の撮像素子とを含んでよく、又は、ＡＦなどのためのセンシング用撮像素子と観察などのための画像出力用撮像素子とを含んでもよい。撮像素子は、前記複数の画素に加え、各画素からの画素信号を用いた信号処理を行う信号処理部（ＣＰＵ、ＤＳＰ、及びメモリのうちの１つ、２以上を含む）、及び、画素信号から生成された画像データ及び信号処理部により生成された処理データの出力の制御を行う出力制御部を含みうる。前記複数の画素、前記信号処理部、及び前記出力制御部を含む撮像素子は、好ましくは１チップの半導体装置として構成されうる。なお、顕微鏡システム５０００は、イベント検出センサをさらに具備してもよい。当該イベント検出センサは、入射光を光電変換する画素を含み、当該画素の輝度変化が所定の閾値を超えたことをイベントとして検出するように構成されうる。当該イベント検出センサは、特には非同期型でありうる。

　（制御部）
　制御部５１１０は、顕微鏡装置５１００による撮像を制御する。制御部５１１０は、撮像制御のために、光学部５１０２及び／又は試料載置部５１０４の移動を駆動して、光学部５１０２と試料載置部５１０４との間の位置関係を調節しうる。制御部５１１０は、光学部５１０２及び／又は試料載置部５１０４を、互いに近づく又は離れる方向（例えば対物レンズの光軸方向）に移動させうる。また、制御部５１１０は、光学部５１０２及び／又は試料載置部５１０４を、前記光軸方向と垂直な面におけるいずれかの方向に移動させてもよい。制御部５１１０は、撮像制御のために、光照射部５１０１及び／又は信号取得部５１０３を制御してもよい。

　（試料載置部）
　試料載置部５１０４は、生体由来試料の試料載置部５１０４上における位置が固定できるように構成されてよく、いわゆるステージであってよい。試料載置部５１０４は、生体由来試料の位置を、対物レンズの光軸方向及び／又は当該光軸方向と垂直な方向に移動させることができるように構成されうる。

　（情報処理部）
　情報処理部５１２０は、顕微鏡装置５１００が取得したデータ（撮像データなど）を、顕微鏡装置５１００から取得しうる。情報処理部５１２０は、撮像データに対する画像処理を実行しうる。当該画像処理は、アンミキシング処理、特にはスペクトラルアンミキシング処理を含んでよい。当該アンミキシング処理は、撮像データから所定の波長又は波長範囲の光成分のデータを抽出して画像データを生成する処理、又は、撮像データから所定の波長又は波長範囲の光成分のデータを除去する処理などを含みうる。また、当該画像処理は、組織切片の自家蛍光成分と色素成分を分離する自家蛍光分離処理や互いに蛍光波長が異なる色素間の波長を分離する蛍光分離処理を含みうる。前記自家蛍光分離処理では、同一ないし性質が類似する前記複数の標本のうち、一方から抽出された自家蛍光シグナルを用いて他方の標本の画像情報から自家蛍光成分を除去する処理を行ってもよい。情報処理部５１２０は、制御部５１１０に撮像制御のためのデータを送信してよく、当該データを受信した制御部５１１０が、当該データに従い顕微鏡装置５１００による撮像を制御してもよい。

　情報処理部５１２０は、汎用のコンピュータなどの情報処理装置として構成されてよく、ＣＰＵ、ＲＡＭ、及びＲＯＭを備えていてよい。情報処理部５１２０は、顕微鏡装置５１００の筐体内に含まれていてよく、又は、当該筐体の外にあってもよい。また、情報処理部５１２０による各種処理又は機能は、ネットワークを介して接続されたサーバコンピュータ又はクラウドにより実現されてもよい。

　顕微鏡装置５１００による生体由来試料Ｓの撮像の方式は、生体由来試料の種類及び撮像の目的などに応じて、当業者により適宜選択されてよい。当該撮像方式の例を以下に説明する。

　撮像方式の一つの例は以下のとおりである。顕微鏡装置５１００は、まず、撮像対象領域を特定しうる。当該撮像対象領域は、生体由来試料が存在する領域全体をカバーするように特定されてよく、又は、生体由来試料のうちの目的部分（目的組織切片、目的細胞、又は目的病変部が存在する部分）をカバーするように特定されてもよい。次に、顕微鏡装置５１００は、当該撮像対象領域を、所定サイズの複数の分割領域へと分割し、顕微鏡装置５１００は各分割領域を順次撮像する。これにより、各分割領域の画像が取得される。

　図４３に示されるように、顕微鏡装置５１００は、生体由来試料Ｓ全体をカバーする撮像対象領域Ｒを特定する。そして、顕微鏡装置５１００は、撮像対象領域Ｒを１６の分割領域へと分割する。そして、顕微鏡装置５１００は分割領域Ｒ１の撮像を行い、そして次に、その分割領域Ｒ１に隣接する領域など、撮像対象領域Ｒに含まれる領域の内いずれか領域を撮像しうる。そして、未撮像の分割領域がなくなるまで、分割領域の撮像が行われる。なお、撮像対象領域Ｒ以外の領域についても、分割領域の撮像画像情報に基づき、撮像しても良い。或る分割領域を撮像した後に次の分割領域を撮像するために、顕微鏡装置５１００と試料載置部５１０４との位置関係が調整される。当該調整は、顕微鏡装置５１００の移動、試料載置部５１０４の移動、又は、これらの両方の移動により行われてよい。この例において、各分割領域の撮像を行う撮像装置は、２次元撮像素子（エリアセンサ）又は１次元撮像素子（ラインセンサ）であってよい。信号取得部５１０３は、光学部５１０２を介して各分割領域を撮像してよい。また、各分割領域の撮像は、顕微鏡装置５１００及び／又は試料載置部５１０４を移動させながら連続的に行われてよく、又は、各分割領域の撮像に際して顕微鏡装置５１００及び／又は試料載置部５１０４の移動が停止されてもよい。各分割領域の一部が重なり合うように、前記撮像対象領域の分割が行われてよく、又は、重なり合わないように前記撮像対象領域の分割が行われてもよい。各分割領域は、焦点距離及び／又は露光時間などの撮像条件を変えて複数回撮像されてもよい。また、情報処理装置は、隣り合う複数の分割領域をスティッチングして、より広い領域の画像データを生成しうる。当該スティッチング処理を、撮像対象領域全体にわたって行うことで、撮像対象領域について、より広い領域の画像を取得することができる。また、分割領域の画像、またはスティッチング処理を行った画像から、より解像度の低い画像データを生成しうる。

　撮像方式の他の例は以下のとおりである。顕微鏡装置５１００は、まず、撮像対象領域を特定しうる。当該撮像対象領域は、生体由来試料が存在する領域全体をカバーするように特定されてよく、又は、生体由来試料のうちの目的部分（目的組織切片又は目的細胞が存在する部分）をカバーするように特定されてもよい。次に、顕微鏡装置５１００は、撮像対象領域の一部の領域（「分割スキャン領域」ともいう）を、光軸と垂直な面内における一つの方向（「スキャン方向」ともいう）へスキャンして撮像する。当該分割スキャン領域のスキャンが完了したら、次に、前記スキャン領域の隣の分割スキャン領域を、スキャンする。これらのスキャン動作が、撮像対象領域全体が撮像されるまで繰り返される。図４４に示されるように、顕微鏡装置５１００は、生体由来試料Ｓのうち、組織切片が存在する領域（グレーの部分）を撮像対象領域Ｓａとして特定する。そして、顕微鏡装置５１００は、撮像対象領域Ｓａのうち、分割スキャン領域Ｒｓを、Ｙ軸方向へスキャンする。顕微鏡装置５１００は、分割スキャン領域Ｒｓのスキャンが完了したら、次に、Ｘ軸方向における隣の分割スキャン領域をスキャンする。撮像対象領域Ｓａの全てについてスキャンが完了するまで、この動作が繰り返しされる。各分割スキャン領域のスキャンのために、及び、或る分割スキャン領域を撮像した後に次の分割スキャン領域を撮像するために、顕微鏡装置５１００と試料載置部５１０４との位置関係が調整される。当該調整は、顕微鏡装置５１００の移動、試料載置部５１０４の移動、又は、これらの両方の移動により行われてよい。この例において、各分割スキャン領域の撮像を行う撮像装置は、１次元撮像素子（ラインセンサ）又は２次元撮像素子（エリアセンサ）であってよい。信号取得部５１０３は、拡大光学系を介して各分割領域を撮像してよい。また、各分割スキャン領域の撮像は、顕微鏡装置５１００及び／又は試料載置部５１０４を移動させながら連続的に行われてよい。各分割スキャン領域の一部が重なり合うように、前記撮像対象領域の分割が行われてよく、又は、重なり合わないように前記撮像対象領域の分割が行われてもよい。各分割スキャン領域は、焦点距離及び／又は露光時間などの撮像条件を変えて複数回撮像されてもよい。また、情報処理装置は、隣り合う複数の分割スキャン領域をスティッチングして、より広い領域の画像データを生成しうる。当該スティッチング処理を、撮像対象領域全体にわたって行うことで、撮像対象領域について、より広い領域の画像を取得することができる。また、分割スキャン領域の画像、またはスティッチング処理を行った画像から、より解像度の低い画像データを生成しうる。

　＜６．ハードウェアの構成例＞
　各実施形態（又は各変形例）に係る情報処理装置１００のハードウェアの構成例について図４５を参照して説明する。図４５は、情報処理装置１００のハードウェアの概略構成の一例を示すブロック図である。情報処理装置１００による各種処理は、例えば、ソフトウェアと、以下に説明するハードウェアとの協働により実現される。

　図４５に示すように、情報処理装置１００は、ＣＰＵ（Central　Processing　Unit）９０１、ＲＯＭ（Read　Only　Memory）９０２、ＲＡＭ（Random　Access　Memory）９０３及びホストバス９０４ａを備える。また、情報処理装置１００は、ブリッジ９０４、外部バス９０４ｂ、インタフェース９０５、入力装置９０６、出力装置９０７、ストレージ装置９０８、ドライブ９０９、接続ポート９１１、通信装置９１３及びセンサ９１５を備える。情報処理装置１００は、ＣＰＵ９０１に代えて、又はこれとともに、ＤＳＰ若しくはＡＳＩＣなどの処理回路を有してもよい。

　ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置１００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。ＣＰＵ９０１は、例えば、情報処理装置１００の少なくとも処理部１３０及び制御部１５０を具現し得る。

　ＣＰＵ９０１、ＲＯＭ９０２及びＲＡＭ９０３は、ＣＰＵバスなどを含むホストバス９０４ａにより相互に接続されている。ホストバス９０４ａは、ブリッジ９０４を介して、ＰＣＩ（Peripheral　Component　Interconnect/Interface）バス等の外部バス９０４ｂに接続されている。なお、必ずしもホストバス９０４ａ、ブリッジ９０４および外部バス９０４ｂを分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。

　入力装置９０６は、例えば、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチ及びレバー等、実施者によって情報が入力される装置によって実現される。また、入力装置９０６は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置１００の操作に対応した携帯電話やＰＤＡ等の外部接続機器であってもよい。さらに、入力装置９０６は、例えば、上記の入力手段を用いて実施者により入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などを含んでいてもよい。実施者は、この入力装置９０６を操作することにより、情報処理装置１００に対して各種のデータを入力したり処理動作を指示したりすることができる。入力装置９０６は、例えば、情報処理装置１００の少なくとも操作部１６０を具現し得る。

　出力装置９０７は、取得した情報を実施者に対して視覚的又は聴覚的に通知することが可能な装置で形成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置及びランプ等の表示装置や、スピーカ及びヘッドホン等の音響出力装置や、プリンタ装置等がある。出力装置９０７は、例えば、情報処理装置１００の少なくとも表示部１４０を具現し得る。

　ストレージ装置９０８は、データ格納用の装置である。ストレージ装置９０８は、例えば、ＨＤＤ等の磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス又は光磁気記憶デバイス等により実現される。ストレージ装置９０８は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。このストレージ装置９０８は、ＣＰＵ９０１が実行するプログラムや各種データ及び外部から取得した各種のデータ等を格納する。ストレージ装置９０８は、例えば、情報処理装置１００の少なくとも保存部１２０を具現し得る。

　ドライブ９０９は、記憶媒体用リーダライタであり、情報処理装置１００に内蔵、あるいは外付けされる。ドライブ９０９は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、ＲＡＭ９０３に出力する。また、ドライブ９０９は、リムーバブル記憶媒体に情報を書き込むこともできる。

　接続ポート９１１は、外部機器と接続されるインタフェースであって、例えばＵＳＢ（Universal　Serial　Bus）などによりデータ伝送可能な外部機器との接続口である。

　通信装置９１３は、例えば、ネットワーク９２０に接続するための通信デバイス等で形成された通信インタフェースである。通信装置９１３は、例えば、有線若しくは無線ＬＡＮ（Local　Area　Network）、ＬＴＥ（Long　Term　Evolution）、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷＵＳＢ（Wireless　USB）用の通信カード等である。また、通信装置９１３は、光通信用のルータ、ＡＤＳＬ（Asymmetric　Digital　Subscriber　Line）用のルータ又は各種通信用のモデム等であってもよい。この通信装置９１３は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。

　センサ９１５は、本実施形態においては、スペクトルを取得可能なセンサ（例えば、撮像素子等）を含むところ、他のセンサ（例えば、加速度センサ、ジャイロセンサ、地磁気センサ、感圧センサ、音センサ、または測距センサ等）を含んでもよい。センサ９１５は、例えば、情報処理装置１００の少なくとも画像取得部１１２を具現し得る。

　なお、ネットワーク９２０は、ネットワーク９２０に接続されている装置から送信される情報の有線、または無線の伝送路である。例えば、ネットワーク９２０は、インターネット、電話回線網、衛星通信網などの公衆回線網や、Ｅｔｈｅｒｎｅｔ（登録商標）を含む各種のＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）などを含んでもよい。また、ネットワーク９２０は、ＩＰ－ＶＰＮ（Internet　Protocol-Virtual　Private　Network）などの専用回線網を含んでもよい。

　以上、情報処理装置１００の機能を実現可能なハードウェア構成例を示した。上記の各構成要素は、汎用的な部材を用いて実現されていてもよいし、各構成要素の機能に特化したハードウェアにより実現されていてもよい。従って、本開示を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。

　なお、上記のような情報処理装置１００の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することができる。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等を含む。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。

　＜７．付記＞
　なお、本技術は以下のような構成も取ることができる。
（１）
　生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、
　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部と、
　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、
を備える情報処理装置。
（２）
　前記相関解析部は、前記複数のバイオマーカに関する情報に対し、ＪＮＭＦ（Joint　Non-negative　Matrix　Factorization）により前記行列分解処理を実行してから、クラスタリング処理を実行する、
　上記（１）に記載の情報処理装置。
（３）
　前記相関解析部は、前記クラスタリング処理のクラスタ数を変えながら、前記ＪＮＭＦの残差平方和を求め、前記残差平方和の変化傾向からクラスタ数を決定する、
　上記（２）に記載の情報処理装置。
（４）
　前記クラスタリング処理のクラスタ数は、ユーザにより設定されている、
　上記（２）に記載の情報処理装置。
（５）
　前記サンプルの所定領域を決定する選定部をさらに備え、
　前記特定部は、前記所定領域の前記蛍光スペクトルから、前記所定領域の前記生体試料の位置情報に紐づけられた前記複数のバイオマーカに関する情報を特定する、
　上記（１）から（４）のいずれか一つに記載の情報処理装置。
（６）
　前記選定部は、複数の前記所定領域を決定する、
　上記（５）に記載の情報処理装置。
（７）
　前記相関解析部は、前記複数のバイオマーカに関する情報に対し、ＪＮＭＦ（Joint　Non-negative　Matrix　Factorization）により前記行列分解処理を実行してから、クラスタリング処理を実行し、
　前記クラスタリング処理のクラスタ数は、前記所定領域の数に応じて設定されている、
　上記（６）に記載の情報処理装置。
（８）
　前記所定領域は、ユーザにより設定されている、
　上記（５）から（７）のいずれか一つに記載の情報処理装置。
（９）
　前記選定部は、複数の前記サンプルの共通位置の前記所定領域を決定し、
　前記取得部は、前記所定領域ごとに前記蛍光スペクトルと前記生体試料の位置情報を取得し、
　前記特定部は、前記所定領域ごとの前記蛍光スペクトルから、前記所定領域ごとの前記生体試料の位置情報に紐づけられた前記所定領域ごとの前記複数のバイオマーカに関する情報を特定し、
　前記相関解析部は、前記所定領域ごとの前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記所定領域ごとの前記複数のバイオマーカに関する情報の相関関係を出力する、
　上記（５）から（８）のいずれか一つに記載の情報処理装置。
（１０）
　前記選定部は、複数の前記サンプルの相違位置の前記所定領域を決定し、
　前記取得部は、前記所定領域ごとに前記蛍光スペクトルと前記生体試料の位置情報を取得し、
　前記特定部は、前記所定領域ごとの前記蛍光スペクトルから、前記所定領域ごとの前記生体試料の位置情報に紐づけられた前記所定領域ごとの前記複数のバイオマーカに関する情報を特定し、
　前記相関解析部は、前記所定領域ごとの前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記所定領域ごとの前記複数のバイオマーカに関する情報の相関関係を出力する、
　上記（５）から（８）のいずれか一つに記載の情報処理装置。
（１１）
　前記複数のサンプルは、異なる複数の標本である、
　上記（１０）に記載の情報処理装置。
（１２）
　前記複数の標本は、患者ごとの標本である、
　上記（１１）に記載の情報処理装置。
（１３）
　前記複数の標本は、患者の部位ごとの標本である、
　上記（１１）に記載の情報処理装置。
（１４）
　前記複数のバイオマーカに関する情報のうち一つのバイオマーカに関する情報に含まれる複数の単位情報の並び順に基づいて、その他のバイオマーカに関する情報に含まれる複数の単位情報の並び順を変えるソート部をさらに備え、
　前記相関解析部は、前記並び順が変えられた前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する、
　上記（１）から（１３）のいずれか一つに記載の情報処理装置。
（１５）
　前記生体試料に関する患者への投与薬剤候補を取得する情報取得部と、
　前記複数のバイオマーカに関する情報の相関関係及び前記患者への投与薬剤候補から、前記投与薬剤候補の前記患者への奏功性を推定する推定部と、
をさらに備える、
　上記（１）から（１４）のいずれか一つに記載の情報処理装置。
（１６）
　前記推定部は、前記複数のバイオマーカに関する情報の相関関係から、共通モジュールのメンバーシップを抽出し、前記共通モジュールのメンバーシップ及び前記患者への投与薬剤候補から、前記投与薬剤候補の前記患者への奏功性を推定する、
　上記（１５）に記載の情報処理装置。
（１７）
　前記バイオマーカに関する情報は、陽性細胞の程度であり、
　上記（１）から（１６）のいずれか一つに記載の情報処理装置。
（１８）
　前記バイオマーカに関する情報は、前記陽性細胞の程度を示す陽性細胞率、陽性細胞数又は輝度値である、
　上記（１７）に記載の情報処理装置。
（１９）
　前記相関解析部は、前記ＪＮＭＦに所定の初期値を与える、
　上記（２）に記載の情報処理装置。
（２０）
　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈをそれぞれ連結し、それぞれ連結した前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して行列Ｗを取得し、取得した行列Ｗを前記所定の初期値として採用する、
　上記（１９）に記載の情報処理装置。
（２１）
　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して前記バイオマーカ毎の行列Ｗを取得し、取得した前記バイオマーカ毎の行列Ｗから、残差が一番小さい行列Ｗを前記所定の初期値として採用する、
　上記（１９）に記載の情報処理装置。
（２２）
　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して前記バイオマーカ毎の行列Ｗを取得し、取得した前記バイオマーカ毎の行列Ｗの平均値を前記所定の初期値として採用する、
　上記（１９）に記載の情報処理装置。
（２３）
　前記所定の初期値は、追加する新規サンプルに関する初期値を含み、
　前記相関解析部は、前記新規サンプルに関する初期値にのみ乱数を採用する、
　上記（１９）に記載の情報処理装置。
（２４）
　前記所定の初期値は、追加する新規サンプルに関する初期値を含み、
　前記相関解析部は、前記クラスタリング処理のクラスタ毎のＷの平均値を前記新規サンプルに関する初期値として採用する、
　上記（１９）に記載の情報処理装置。
（２５）
　生体試料を含むサンプルの標本画像を取得する撮像装置と、
　前記標本画像を処理する情報処理装置と、
を備え、
　前記情報処理装置は、
　前記標本画像から、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、
　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を抽出する特定部と、
　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、
を有する生体試料解析システム。
（２６）
　生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得することと、
　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定することと、
　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力することと、
を含む生体試料解析方法。
（２７）
　上記（１）から（２４）のいずれか一つに記載の情報処理装置を備える生体試料解析システム。
（２８）
　上記（１）から（２４）のいずれか一つに記載の情報処理装置により解析を行う生体試料解析方法。

　１　　　　観察ユニット
　２　　　　処理ユニット
　３　　　　表示部
　１０　　　励起部
　１０Ａ　　蛍光試薬
　１１Ａ　　試薬識別情報
　２０　　　ステージ
　２０Ａ　　標本
　２１　　　記憶部
　２１Ａ　　標本識別情報
　２２　　　データ校正部
　２３　　　画像形成部
　３０　　　分光イメージング部
　３０Ａ　　蛍光染色標本
　４０　　　観察光学系
　５０　　　走査機構
　６０　　　フォーカス機構
　７０　　　非蛍光観察部
　８０　　　制御部
　１００　　情報処理装置
　１１０　　取得部
　１１１　　情報取得部
　１１２　　画像取得部
　１２０　　保存部
　１２１　　情報保存部
　１２２　　画像情報保存部
　１２３　　解析結果保存部
　１３０　　処理部
　１３１　　解析部
　１３２　　画像生成部
　１３３　　空間解析部
　１３３ａ　選定部
　１３３ｂ　特定部
　１３３ｃ　ソート部
　１３３ｄ　相関解析部
　１３３ｅ　推定部
　１４０　　表示部
　１５０　　制御部
　１６０　　操作部
　２００　　データベース
　５００　　蛍光観察装置
　５０００　顕微鏡システム
　５１００　顕微鏡装置
　５１０１　光照射部
　５１０２　光学部
　５１０３　信号取得部
　５１０４　試料載置部
　５１１０　制御部
　５１２０　情報処理部

Claims (26)

1. 　生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、
   　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部と、
   　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、
   を備える情報処理装置。
2. 　前記相関解析部は、前記複数のバイオマーカに関する情報に対し、ＪＮＭＦ（Joint　Non-negative　Matrix　Factorization）により前記行列分解処理を実行してから、クラスタリング処理を実行する、
   　請求項１に記載の情報処理装置。
3. 　前記相関解析部は、前記クラスタリング処理のクラスタ数を変えながら、前記ＪＮＭＦの残差平方和を求め、前記残差平方和の変化傾向からクラスタ数を決定する、
   　請求項２に記載の情報処理装置。
4. 　前記クラスタリング処理のクラスタ数は、ユーザにより設定されている、
   　請求項２に記載の情報処理装置。
5. 　前記サンプルの所定領域を決定する選定部をさらに備え、
   　前記特定部は、前記所定領域の前記蛍光スペクトルから、前記所定領域の前記生体試料の位置情報に紐づけられた前記複数のバイオマーカに関する情報を特定する、
   　請求項１に記載の情報処理装置。
6. 　前記選定部は、複数の前記所定領域を決定する、
   　請求項５に記載の情報処理装置。
7. 　前記相関解析部は、前記複数のバイオマーカに関する情報に対し、ＪＮＭＦ（Joint　Non-negative　Matrix　Factorization）により前記行列分解処理を実行してから、クラスタリング処理を実行し、
   　前記クラスタリング処理のクラスタ数は、前記所定領域の数に応じて設定されている、
   　請求項６に記載の情報処理装置。
8. 　前記所定領域は、ユーザにより設定されている、
   　請求項５に記載の情報処理装置。
9. 　前記選定部は、複数の前記サンプルの共通位置の前記所定領域を決定し、
   　前記取得部は、前記所定領域ごとに前記蛍光スペクトルと前記生体試料の位置情報を取得し、
   　前記特定部は、前記所定領域ごとの前記蛍光スペクトルから、前記所定領域ごとの前記生体試料の位置情報に紐づけられた前記所定領域ごとの前記複数のバイオマーカに関する情報を特定し、
   　前記相関解析部は、前記所定領域ごとの前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記所定領域ごとの前記複数のバイオマーカに関する情報の相関関係を出力する、
   　請求項５に記載の情報処理装置。
10. 　前記選定部は、複数の前記サンプルの相違位置の前記所定領域を決定し、
    　前記取得部は、前記所定領域ごとに前記蛍光スペクトルと前記生体試料の位置情報を取得し、
    　前記特定部は、前記所定領域ごとの前記蛍光スペクトルから、前記所定領域ごとの前記生体試料の位置情報に紐づけられた前記所定領域ごとの前記複数のバイオマーカに関する情報を特定し、
    　前記相関解析部は、前記所定領域ごとの前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記所定領域ごとの前記複数のバイオマーカに関する情報の相関関係を出力する、
    　請求項５に記載の情報処理装置。
11. 　前記複数のサンプルは、異なる複数の標本である、
    　請求項１０に記載の情報処理装置。
12. 　前記複数の標本は、患者ごとの標本である、
    　請求項１１に記載の情報処理装置。
13. 　前記複数の標本は、患者の部位ごとの標本である、
    　請求項１１に記載の情報処理装置。
14. 　前記複数のバイオマーカに関する情報のうち一つのバイオマーカに関する情報に含まれる複数の単位情報の並び順に基づいて、その他のバイオマーカに関する情報に含まれる複数の単位情報の並び順を変えるソート部をさらに備え、
    　前記相関解析部は、前記並び順が変えられた前記複数のバイオマーカに関する情報に対して前記行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する、
    　請求項１に記載の情報処理装置。
15. 　前記生体試料に関する患者への投与薬剤候補を取得する情報取得部と、
    　前記複数のバイオマーカに関する情報の相関関係及び前記患者への投与薬剤候補から、前記投与薬剤候補の前記患者への奏功性を推定する推定部と、
    をさらに備える、
    　請求項１に記載の情報処理装置。
16. 　前記推定部は、前記複数のバイオマーカに関する情報の相関関係から、共通モジュールのメンバーシップを抽出し、前記共通モジュールのメンバーシップ及び前記患者への投与薬剤候補から、前記投与薬剤候補の前記患者への奏功性を推定する、
    　請求項１５に記載の情報処理装置。
17. 　前記バイオマーカに関する情報は、陽性細胞の程度であり、
    　請求項１に記載の情報処理装置。
18. 　前記バイオマーカに関する情報は、前記陽性細胞の程度を示す陽性細胞率、陽性細胞数又は輝度値である、
    　請求項１７に記載の情報処理装置。
19. 　前記相関解析部は、前記ＪＮＭＦに所定の初期値を与える、
    　請求項２に記載の情報処理装置。
20. 　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈをそれぞれ連結し、それぞれ連結した前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して行列Ｗを取得し、取得した行列Ｗを前記所定の初期値として採用する、
    　請求項１９に記載の情報処理装置。
21. 　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して前記バイオマーカ毎の行列Ｗを取得し、取得した前記バイオマーカ毎の行列Ｗから、残差が一番小さい行列Ｗを前記所定の初期値として採用する、
    　請求項１９に記載の情報処理装置。
22. 　前記相関解析部は、前記バイオマーカ毎の行列Ｘ及び行列Ｈで最小二乗法を実施して前記バイオマーカ毎の行列Ｗを取得し、取得した前記バイオマーカ毎の行列Ｗの平均値を前記所定の初期値として採用する、
    　請求項１９に記載の情報処理装置。
23. 　前記所定の初期値は、追加する新規サンプルに関する初期値を含み、
    　前記相関解析部は、前記新規サンプルに関する初期値にのみ乱数を採用する、
    　請求項１９に記載の情報処理装置。
24. 　前記所定の初期値は、追加する新規サンプルに関する初期値を含み、
    　前記相関解析部は、前記クラスタリング処理のクラスタ毎のＷの平均値を前記新規サンプルに関する初期値として採用する、
    　請求項１９に記載の情報処理装置。
25. 　生体試料を含むサンプルの標本画像を取得する撮像装置と、
    　前記標本画像を処理する情報処理装置と、
    を備え、
    　前記情報処理装置は、
    　前記標本画像から、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得する取得部と、
    　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定する特定部と、
    　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力する相関解析部と、
    を有する生体試料解析システム。
26. 　生体試料を含むサンプルから、前記生体試料由来の蛍光スペクトルと前記生体試料の位置情報を取得することと、
    　前記蛍光スペクトルから、前記生体試料の位置情報に紐づけられた前記生体試料の異なる複数のバイオマーカに関する情報を特定することと、
    　前記複数のバイオマーカに関する情報に対し、前記複数のバイオマーカの組み合わせに対応する行列分解処理を行い、前記複数のバイオマーカに関する情報の相関関係を出力することと、
    を含む生体試料解析方法。

Images