[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2009154296A1 - 女性生殖器癌の評価方法 - Google Patents

女性生殖器癌の評価方法 Download PDF

Info

Publication number
WO2009154296A1
WO2009154296A1 PCT/JP2009/061348 JP2009061348W WO2009154296A1 WO 2009154296 A1 WO2009154296 A1 WO 2009154296A1 JP 2009061348 W JP2009061348 W JP 2009061348W WO 2009154296 A1 WO2009154296 A1 WO 2009154296A1
Authority
WO
WIPO (PCT)
Prior art keywords
cancer
discriminant
variables
arg
met
Prior art date
Application number
PCT/JP2009/061348
Other languages
English (en)
French (fr)
Inventor
孝彦 村松
穣 井畑
今泉　明
山本　浩史
悦子 宮城
史樹 平原
Original Assignee
味の素株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 味の素株式会社 filed Critical 味の素株式会社
Priority to KR1020107027587A priority Critical patent/KR101817058B1/ko
Priority to CN200980122467.0A priority patent/CN102057276B/zh
Priority to JP2010518011A priority patent/JP5754136B2/ja
Publication of WO2009154296A1 publication Critical patent/WO2009154296A1/ja
Priority to US12/968,578 priority patent/US20110143444A1/en
Priority to US14/988,986 priority patent/US20160253454A1/en

Links

Images

Classifications

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

Definitions

  • the present invention relates to a method for evaluating female genital cancer including at least one of cervical cancer, endometrial cancer, and ovarian cancer using amino acid concentration in blood (plasma).
  • the number of deaths due to cervical cancer was 2,494 in 2004, the number of deaths due to endometrial cancer was 1,436, and the number of deaths due to ovarian cancer was 4,420.
  • the 5-year survival rate of early (stage I to II) cancers is 80% or more, but the advanced 5-year survival rate is extremely high, about 10% to 20%. To drop. Therefore, early detection is important for the cure of these cancers.
  • Diagnosis of cervical cancer is performed by cytology, histology, colpodiagnosis, and HPV (human papillomavirus) examination. Cytodiagnosis and HPV examination are not definitive diagnoses, but are definitive diagnoses by performing histological examinations and colpo examinations. However, histological examination and colpo examination are highly invasive tests and are not practical for all patients suspected of having cervical cancer.
  • Diagnosis of endometrial cancer is mainly performed by endometrial cytology.
  • Endometrial cytology is not a definitive diagnosis, but a definitive diagnosis is made by performing curettage.
  • curettage is a highly invasive test and is not practical for all patients suspected of having endometrial cancer.
  • Ovarian cancer is diagnosed by ultrasonic tomography, tumor markers (mainly CA125), CT and MRI. These methods are not a definitive diagnosis, but a definitive diagnosis is made by performing a histopathological diagnosis of the ovaries removed by surgery.
  • a definitive diagnosis is made by performing a histopathological diagnosis of the ovaries removed by surgery.
  • van Nagel JR et al. See Non-Patent Document 1 that surgery to remove 11 benign tumors (false positives) was necessary for the discovery of one ovarian cancer (true positive).
  • the positive predictive value of ovarian cancer was as low as 8.3%.
  • Non-Patent Document 2 glutamine is mainly used as an oxidative energy source, arginine is used as a precursor of nitrogen oxides and polyamines, and methionine is activated by activating methionine uptake ability of cancer cells.
  • methionine is activated by activating methionine uptake ability of cancer cells.
  • consumption in cancer cells increases.
  • Wissels et al. See Non-Patent Document 3
  • Park see Non-Patent Document 4
  • Proenza et al. See Non-Patent Document 5
  • Caszino see Non-Patent Document 6
  • Patent Literature 1 and Patent Literature 2 have been disclosed for the method of associating amino acid concentrations with biological states.
  • Patent Document 3 is disclosed for a method for evaluating the state of lung cancer using amino acid concentration.
  • the present invention has been made in view of the above problems, and accurately evaluates the state of female genital cancer using the concentration of amino acids related to the state of female genital cancer among the concentrations of amino acids in blood.
  • An object of the present invention is to provide a method for evaluating female genital cancer that can be performed.
  • the present inventors have identified amino acids useful for discriminating between two groups of female genital cancer and non-female genital cancer, and include the concentration of the identified amino acid as a variable.
  • the present inventors have found that multivariate discriminants (index formulas, correlation formulas) have a significant correlation with the state of female genital cancer, and have completed the present invention. Specifically, as a result of searching for a more specific index formula for female genital cancer, evaluation of the state of female genital cancer than the index formulas disclosed in Patent Document 1, Patent Document 2, Patent Document 3, and the like An index formula suitable for the above can be obtained, and the present invention has been completed.
  • the female genital cancer evaluation method includes a measurement step of measuring amino acid concentration data relating to amino acid concentration values from blood collected from an evaluation target; Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn included in the amino acid concentration data of the evaluation object measured in the measuring step , Lys, and Arg, based on the concentration value of at least one, a concentration value reference evaluation for evaluating the state of female genital cancer including at least one of cervical cancer, endometrial cancer and ovarian cancer for the evaluation object And a step.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the concentration value reference evaluation step is included in the amino acid concentration data of the evaluation object measured in the measurement step. Based on the concentration value of at least one of Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg, Whether the evaluation subject is the female genital cancer or non-female genital cancer, whether the cervical cancer, the endometrial cancer, the ovarian cancer or the non-female genital cancer, the child Whether it is cervical cancer, any of the above uterine cancers, or non-cervical cancer, any of non-uterine cancers, in said cervical cancer or in said non-cervical cancer Whether it is the endometrial cancer or the non-uterine cancer, whether the ovarian cancer or non-ovarian cancer, whether it is a female genital
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the concentration value reference evaluation step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • the concentration value of at least one of Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg, and the amino acid Based on a preset multivariate discriminant with the concentration of And a discriminant value criterion evaluation step for evaluating the state of the female genital cancer for the evaluation object, the multivariate
  • the discriminant has at least one of Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg as the variable. It is characterized by including.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value reference evaluation step is based on the discriminant value calculated in the discriminant value calculating step.
  • the subject of evaluation is whether the female genital cancer or non-female genital cancer, whether the cervical cancer, the uterine body cancer, the ovarian cancer or the non-female genital cancer, the cervical cancer Whether the cancer, any of the uterine cancers or non-cervical cancers, non-uterine cancers, whether the cervical cancers or the non-cervical cancers, the uterine cancers or the Whether it is non-uterine body cancer, whether it is the ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or the cervical cancer, the endometrial cancer, Whether it is any of the above ovarian cancers
  • the apparatus may further include a discriminant value criterion discriminating step of judging.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is one fractional expression or a sum of a plurality of fractional expressions, or a logistic regression equation.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step. Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg, said concentration value, and Thr, Ser, Asn, Gln, Pro , Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg based on the multivariate discriminant including at least one of the variables, and calculating the discriminant value
  • the value criterion determination step is based on the determination value calculated in the determination value calculation step.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA , His, Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly , Val, His, Arg as the variables, the linear discriminant with Gly, a-ABA, Met, His as the variables, Ala, Ile, His, Trp, Arg as the variables.
  • the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA , His, Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly , Val, His, Arg as the variables, the linear discriminant with Gly,
  • the linear discriminant the linear discriminant having Gly, Cit, Met, Phe as the variable, or the His, Leu, Met, Cit, Ile, Tyr
  • the linear discriminant as a number, the logistic regression equation with Val, Leu, His, Arg as the variables, the logistic regression equation with a-ABA, Met, Tyr, His as the variables, Val, Ile, His , Trp, Arg as the variables, the logistic regression equation with Cit, a-ABA, Met, Tyr as the variables, or the logistic regression equation with His, Leu, Met, Cit, Ile, Tyr as the variables. It is a logistic regression equation.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg The concentration value of at least one of the above, and Thr, Ser, Asn, Pro, Gly , Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg based on the multivariate discriminant including at least one of the variables, and calculating the discriminant value
  • the value criterion determination step is based on the determination value calculated in the determination value calculation step.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA , His, Met as the variable or the fractional expression as Ile, His, Cit, Arg as the variable, Gly, Val, His, Arg as linear variables, Gly, Phe, The linear discriminant using His, Arg as the variable, the linear discriminant using Cit, Ile, His, Arg as the variable, or the linear discriminant using His, Leu, Met, Cit, Ile, Tyr as the variable.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step. At least one of the concentration values of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg, and Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg.
  • the discriminant value is calculated based on the multivariate discriminant including at least one as the variable, and the discriminant value criterion determining step is based on the discriminant value calculated in the discriminant value calculating step.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is a fractional expression with a-ABA, His, Val as the variables, a The fractional expression with ABA, Met, Val as the variables or the fractional expression with Met, His, Cit, Arg as the variables, the linear discriminant with Gly, Val, His, Arg as the variables, Gly, The linear discriminant with Val, Met, Lys as the variable, the linear discriminant with Cit, Met, His, Arg as the variable, or the linear with His, Leu, Met, Ile, Tyr, Lys as the variables.
  • the multivariate discriminant is a fractional expression with a-ABA, His, Val as the variables, a The fractional expression with ABA, Met, Val as the variables or the fractional expression with Met, His, Cit, Arg as the variables, the linear discriminant with Gly, Val, His, Arg as the variables, Gly, The linear discriminant with Val, Met, Lys
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA , His, Met as the variable, or the fractional expression as Ile, His, Asn, Cit as the variable, Gln, His, Lys, Arg as the linear discriminant, Gly, Met, The linear discriminant using Phe and His as the variables, the linear discriminant using Cit, Ile, His and Arg as the variables, or the linear discriminant using His, Asn, Val, Pro, Cit and Ile as the variables.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step.
  • Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg said concentration value
  • Ser, Asn, Gln , Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg based on the multivariate discriminant including at least one as the variable
  • the discriminant value criterion discrimination step is based on the discriminant value calculated in the discriminant value calculation step.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression, Gln, Cit with Orn, Cit, Met as the variables.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step. Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg, said concentration value, and Thr, Ser, Asn, Gln, Pro , Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg based on the multivariate discriminant including at least one of the variables, and calculating the discriminant value
  • the value criterion determination step is based on the determination value calculated in the determination value calculation step. For, characterized in that to determine whether the a female genital cancer morbidity risk group or the normal group.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant includes Phe, His, Met, Pro, Lys, and Arg as the variables. It is a linear discriminant or the logistic regression equation using Phe, His, Met, Pro, Lys, and Arg as the variables.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step is included in the amino acid concentration data of the evaluation object measured in the measurement step. At least one of the concentration values of Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg, And at least one of Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg.
  • the discriminant value is calculated based on the multivariate discriminant included as The step determines whether the evaluation target is any of the cervical cancer, the uterine body cancer, and the ovarian cancer based on the determination value calculated in the determination value calculation step.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is Cit, Met, Lys, Asn, Ala, Thr, Gln, a-ABA. Or an expression created by the Mahalanobis distance method using His, Leu, Ser, Thr, Glu, Gln, Ala, Lys as the variable. And
  • the female genital cancer evaluation apparatus comprises a control means and a storage means, and evaluates the state of female genital cancer including at least one of cervical cancer, endometrial cancer and ovarian cancer for an evaluation object.
  • the apparatus for evaluating female genital cancer wherein the control means includes Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val included in the amino acid concentration data of the evaluation target acquired in advance concerning the amino acid concentration value.
  • a discriminant value criterion evaluating means for evaluating the state of the female genital cancer for the evaluation object, wherein the multivariate discriminant is Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, It includes at least one of Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as the variable.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value criterion-evaluating means is based on the discriminant value calculated by the discriminant value calculating means.
  • the discriminant value criterion-evaluating means is based on the discriminant value calculated by the discriminant value calculating means.
  • the cervical cancer Whether it is any of the uterine cancer, non-cervical cancer, non-uterine cancer, whether the cervical cancer or non-cervical cancer, the uterine cancer or non-uterus Whether it is a body cancer, whether it is the ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or the cervical cancer, the endometrial cancer, the ovary Determine if it is any of cancer And further comprising a separate value criterion-discriminating means.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is one fractional expression or a sum of a plurality of the fractional expressions, or a logistic regression equation, linear Discriminant, multiple regression, formula created by support vector machine, formula created by Mahalanobis distance method, formula created by canonical discriminant analysis, formula created by decision tree It is characterized by.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the concentration value of at least one of Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg, and Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile , Leu, Tyr, Phe, His, Trp, Orn, Arg based on the multivariate discriminant including at least one of the variables, and the discriminant value criterion discriminating means Based on the discriminant value calculated by the value calculating means, the cervical cancer, the uterine body cancer, the egg for the evaluation object Wherein the discrimination between any or the non-gynecological cancers of cancer.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA, His. , Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly, Val , His, Arg as the variables, the linear discriminant using Gly, a-ABA, Met, His as the variables, and the linear discriminants using Ala, Ile, His, Trp, Arg as the variables.
  • the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA, His. , Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly, Val , His, Arg as the variables, the
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Pro, and the like included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA, His.
  • the logistic regression equation, the logistic regression equation with Cit, Ile, His, and Arg as the variables, or the logistic regression equation with His, Leu, Met, Cit, Ile, and Tyr as the variables. .
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Asn, Val, Met, Leu, and the like included in the amino acid concentration data to be evaluated. Including at least one of the concentration values of Phe, His, Trp, Orn, Lys, and Arg and at least one of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, and Arg as the variables Based on the multivariate discriminant, the discriminant value is calculated, and the discriminant value criterion discriminating unit is configured to determine whether the cervical cancer or the It is characterized by determining whether it is non-cervical cancer.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the fractional expression with a-ABA, His, Val as the variables, a-ABA , Met, Val as the variable or the fractional expression as Met, His, Cit, Arg as the variable, Gly, Val, His, Arg as linear variables, Gly, Val, The linear discriminant using Met, Lys as the variable, the linear discriminant using Cit, Met, His, Arg as the variable, or the linear discriminant using His, Leu, Met, Ile, Tyr, Lys as the variables. Or the logistic regression equation with Val, Leu, His, and Arg as the variables, and Met, His, Orn, and Arg as the variables. The logistic regression equation, the logistic regression equation with Val, Tyr, His, Arg as the variables, or the logistic regression equation with His, Leu, Met, Ile, Tyr, Lys as the variables. .
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Pro, and the like included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA, His.
  • the logistic regression equation is Gln, Ile, His, the logistic regression equation or His and said Arg variables, Asn, Val, Pro, Cit, wherein a logistic regression equation and said Ile variable.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the fractional expression, Gln, Cit, Tyr with Orn, Cit, Met as the variables. Or the linear discriminant with Ser, Cit, Orn, Trp as the variable, Ser, Cit, Ile, Orn with the fractional expression with Orn, His, Phe, Trp as the variable.
  • the linear discriminant using the variable the linear discriminant using Phe, Trp, Orn, Lys as the variable, or the linear discriminant using His, Trp, Glu, Cit, Ile, Orn as the variable, or Ser
  • the logistic regression equation with Cit, Trp, Orn as the variables, before Gln, Cit, Ile, Tyr as the variables Logistic regression equation to Asn, Phe, His, the logistic regression equation or His and Trp, and the variables, Trp, Glu, Cit, Ile, characterized in that the said logistic regression equation and the variables Orn.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant is the linear discrimination using Phe, His, Met, Pro, Lys, and Arg as the variables. It is the above-mentioned logistic regression equation using Phe, His, Met, Pro, Lys, and Arg as the variables.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the discriminant value calculating means includes Thr, Ser, Asn, Glu, and the like included in the amino acid concentration data to be evaluated.
  • the discriminant value calculating means includes Thr, Ser, Asn, Glu, and the like included in the amino acid concentration data to be evaluated.
  • the discriminant value is calculated based on the discriminant value, and the discriminant value reference discriminating unit is calculated by the discriminant value calculating unit. And, based on the discriminant value, per the evaluation, the cervical cancer, the uterine body cancer, characterized in that to determine whether either of the ovarian cancer.
  • the female genital cancer evaluation apparatus according to the present invention is the female genital cancer evaluation apparatus described above, wherein the multivariate discriminant includes Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA.
  • the female genital cancer evaluation apparatus is the female genital cancer evaluation apparatus described above, wherein the control means is a female genital cancer state index relating to the amino acid concentration data and an index representing the state of the female genital cancer.
  • Multivariate discriminant creation means for creating the multivariate discriminant stored in the storage means based on the female genital cancer state information stored in the storage means including data, and the multivariate discriminant creation means
  • a candidate multivariate discriminant creating means for creating a candidate multivariate discriminant that is a candidate for the multivariate discriminant based on a predetermined formula creation method from the female genital cancer state information
  • candidate multivariate discriminant Candidate multivariate discriminant verification means for verifying the candidate multivariate discriminant created by the creation means based on a predetermined verification method, and verification by the candidate multivariate discriminant verification means By selecting a variable of the candidate multivariate discriminant based on a predetermined variable selection method from the result, the amino acid concentration data included in the female genital
  • the female genital cancer evaluation method includes at least one of cervical cancer, endometrial cancer, and ovarian cancer per evaluation object that is executed by an information processing apparatus including a control unit and a storage unit.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value reference evaluation step is based on the discriminant value calculated in the discriminant value calculation step.
  • the discriminant value reference evaluation step is based on the discriminant value calculated in the discriminant value calculation step.
  • the cervical cancer Whether it is any of the uterine cancer, non-cervical cancer, non-uterine cancer, whether the cervical cancer or non-cervical cancer, the uterine cancer or non-uterus Whether it is a body cancer, whether it is the ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or the cervical cancer, the endometrial cancer, the ovary Whether it ’s cancer or not. And further comprising another discriminating value criterion discriminating step.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is one fractional expression or a sum of a plurality of fractional expressions, or a logistic regression equation, linear Discriminant, multiple regression, formula created by support vector machine, formula created by Mahalanobis distance method, formula created by canonical discriminant analysis, formula created by decision tree It is characterized by.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the discriminant value criterion discriminating step comprises calculating the discriminant value Based on the discriminant value calculated in the value calculating step, the cervical cancer, the uterus for the evaluation object Cancer, and discriminates whether either or the a non-female genital cancer of the ovarian cancer.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA, His. , Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly, Val , His, Arg as the variables, the linear discriminant using Gly, a-ABA, Met, His as the variables, and the linear discrimination using Ala, Ile, His, Trp, Arg as the variables.
  • the multivariate discriminant is the fractional expression with Gln, His, Arg as the variables, a-ABA, His. , Met as the variable, the fractional expression with Ile, His, Cit, Arg, Tyr, Trp as the variable, or the fractional expression with a-ABA, Cit, Met as the variable, Gly, Val , His, Arg as the variables, the
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Pro, and the like included in the amino acid concentration data to be evaluated.
  • the discriminant value criterion discriminating step comprises calculating the discriminant value Based on the discriminant value calculated in the value calculating step, the cervical cancer, the uterus for the evaluation object Wherein the determining either or the non-cervical cancer, whether the is either non-endometrial cancer.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA, His.
  • the linear discriminant using Arg as the variable, the linear discriminant using Cit, Ile, His, Arg as the variable, or the linear discriminant using His, Leu, Met, Cit, Ile, Tyr as the variable, or Logistic regression equation with Val, His, Lys, Arg as the variables, Thr, a-ABA, Met, His are the variables.
  • the logistic regression equation, the logistic regression equation with Cit, Ile, His, and Arg as the variables, or the logistic regression equation with His, Leu, Met, Cit, Ile, and Tyr as the variables. .
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Asn, Val, Met, Leu, and the like included in the amino acid concentration data of the evaluation target. Including at least one of the concentration values of Phe, His, Trp, Orn, Lys, and Arg and at least one of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, and Arg as the variables Based on the multivariate discriminant, the discriminant value is calculated, and the discriminant value criterion discriminating step is based on the discriminant value calculated in the discriminant value calculating step. It is characterized by determining whether it is non-cervical cancer.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with a-ABA, His, Val as the variables, a-ABA , Met, Val as the variable or the fractional expression as Met, His, Cit, Arg as the variable, Gly, Val, His, Arg as linear variables, Gly, Val, The linear discriminant using Met, Lys as the variable, the linear discriminant using Cit, Met, His, Arg as the variable, or the linear discriminant using His, Leu, Met, Ile, Tyr, Lys as the variables. Or the logistic regression equation with Val, Leu, His, and Arg as the variables, and Met, His, Orn, and Arg as the variables. The logistic regression equation, the logistic regression equation with Val, Tyr, His, Arg as the variables, or the logistic regression equation with His, Leu, Met, Ile, Tyr, Lys as the variables. .
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Pro, and the like included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression with Lys, His, Arg as the variables, a-ABA, His. , Met as the variable, or Ile, His, Asn, Cit as the variable, the linear discriminant as Gln, His, Lys, Arg as the variable, Gly, Met, Phe, The linear discriminant with His as the variable, the linear discriminant with Cit, Ile, His, Arg as the variable or the linear discriminant with His, Asn, Val, Pro, Cit, Ile as the variable, or The logistic regression equation with Gln, Gly, His, and Arg as the variables, and Gln, Phe, His, and Arg as the variables.
  • the logistic regression equation is Gln, Ile, His, the logistic regression equation or His and said Arg variables, Asn, Val, Pro, Cit, wherein a logistic regression equation and said Ile variable.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the fractional expression, Gln, Cit, Tyr with Orn, Cit, Met as the variables. Or the linear discriminant with Ser, Cit, Orn, Trp as the variable, Ser, Cit, Ile, Orn with the fractional expression with Orn, His, Phe, Trp as the variable.
  • the linear discriminant using the variable the linear discriminant using Phe, Trp, Orn, Lys as the variable, or the linear discriminant using His, Trp, Glu, Cit, Ile, Orn as the variable, or Ser
  • the logistic regression equation with Cit, Trp, Orn as the variables, before Gln, Cit, Ile, Tyr as the variables Logistic regression equation to Asn, Phe, His, the logistic regression equation or His and Trp, and the variables, Trp, Glu, Cit, Ile, characterized in that the said logistic regression equation and the variables Orn.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Gln, included in the amino acid concentration data to be evaluated.
  • the discriminant value criterion discriminating step comprises calculating the discriminant value Based on the discriminant value calculated in the value calculating step, for the evaluation object, the female genital cancer affected risk Wherein the discrimination between click group or the normal group.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is the linear discrimination using Phe, His, Met, Pro, Lys, and Arg as the variables. It is the above-mentioned logistic regression equation using Phe, His, Met, Pro, Lys, and Arg as the variables.
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the discriminant value calculating step includes Thr, Ser, Asn, Glu, and the like included in the amino acid concentration data to be evaluated.
  • the discriminant value is calculated based on the discriminant value reference discriminating step. Tsu, based on the discriminant value calculated in flop, per the evaluation, the cervical cancer, the uterine body cancer, characterized in that to determine whether either of the ovarian cancer.
  • the female genital cancer evaluation method according to the present invention is the female genital cancer evaluation method described above, wherein the multivariate discriminant is Cit, Met, Lys, Asn, Ala, Thr, Gln, a-ABA. It is an expression created by the Mahalanobis distance method using the Mahalanobis distance method as variables, or an expression created by the Mahalanobis distance method using His, Leu, Ser, Thr, Glu, Gln, Ala, Lys as the variables. .
  • the female genital cancer evaluation method is the female genital cancer evaluation method described above, wherein the control means is the female genital cancer state index relating to the amino acid concentration data and the index representing the state of the female genital cancer.
  • a multivariate discriminant creating step for creating the multivariate discriminant stored in the storage unit based on the female genital cancer state information stored in the storage unit including data, and creating the multivariate discriminant
  • a candidate multivariate discriminant creating step for creating a candidate multivariate discriminant that is a candidate for the multivariate discriminant based on a predetermined formula creating method from the female genital cancer state information; and the candidate multivariate discriminant step
  • a candidate multivariate discriminant verification step for verifying the candidate multivariate discriminant created in the formula creation step based on a predetermined verification method; and the candidate multivariate
  • the female genital cancer evaluation system comprises a control means and a storage means, and evaluates the state of female genital cancer including at least one of cervical cancer, endometrial cancer and ovarian cancer for an evaluation object.
  • a female genital cancer evaluation system configured to connect a female genital cancer evaluation device and an information communication terminal device that provides the amino acid concentration data of the evaluation target regarding amino acid concentration values through a network.
  • the information communication terminal device transmits the amino acid concentration data to be evaluated to the female genital cancer evaluation device, and the state of the female genital cancer transmitted from the female genital cancer evaluation device.
  • An evaluation result receiving means for receiving the evaluation result of the evaluation object related to, the control means of the female genital cancer evaluation apparatus, Amino acid concentration data receiving means for receiving the evaluation target amino acid concentration data transmitted from the information communication terminal device, and Thr, Ser included in the evaluation target amino acid concentration data received by the amino acid concentration data receiving means , Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg Based on the multivariate discriminant stored in the storage unit, a discriminant value calculating unit that calculates a discriminant value that is a value of the multivariate discriminant, and based on the discriminant value calculated by the discriminant value calculating unit A discriminant value criterion-evaluating means for evaluating the state of the female genital cancer for the evaluation object; Evaluation result transmitting means for transmitting the evaluation result of the evaluation target to the information communication terminal device, wherein the multivariate discriminant is Thr, Ser, Asn, Gl
  • the female genital cancer evaluation program includes at least one of cervical cancer, endometrial cancer, and ovarian cancer for each evaluation target to be executed by an information processing apparatus including a control unit and a storage unit.
  • a discriminant value calculating step of calculating a discriminant value which is a value of the multivariate discriminant based on the multivariate discriminant Based on the discriminant value calculated in the discriminant value calculating step, a discriminant value criterion evaluation step for evaluating the state of the female genital cancer is performed for the evaluation object, and the multivariate discriminant is represented by Thr, Ser, It includes at least one of Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as the variable.
  • a recording medium according to the present invention is a computer-readable recording medium, and is characterized by recording the female genital cancer evaluation program described above.
  • amino acid concentration data relating to amino acid concentration values is measured from blood collected from an evaluation object, and Thr, Ser, Asn, Gln, Pro, Gly, Ala, included in the measured amino acid concentration data of the evaluation object Based on the concentration value of at least one of Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg, cervical cancer, endometrial cancer and ovarian cancer Since the status of female genital cancer including at least one is evaluated, the amino acid concentration in the blood that is related to the status of female genital cancer is used to accurately evaluate the status of female genital cancer. There is an effect that can be.
  • subjects who are likely to have female genital cancer can be narrowed down to a single sample in a short time, resulting in less time, physical and financial burden on the subjects There is an effect that can be done.
  • Orn, Lys, Arg based on the concentration value of at least one of female genital cancer, non-female genital cancer, cervical cancer, endometrial cancer, ovarian cancer or non- Whether it is female genital cancer, whether it is cervical cancer, endometrial cancer or non-cervical cancer, non-uterine cancer, whether it is cervical cancer or non-cervical cancer Whether it is endometrial cancer or non-uterine cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a risk group or a healthy group of female genital cancer, or cervical cancer, uterus Body cancer, ovarian cancer Since it is discriminated whether it is either of the two groups of blood amino acid concentrations, female genital cancer and non-female genital cancer
  • Orn, Lys, Arg at least one concentration value, and a preset multivariate discriminant having the amino acid concentration as a variable, Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val,
  • a discriminant value which is the value of the multivariate discriminant, is calculated based on a variable including at least one of Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg.
  • the evaluation subject is whether it is female genital cancer or non-female genital cancer, cervical cancer, endometrial cancer, ovarian cancer or non-female. Whether it is genital cancer, whether it is cervical cancer, endometrial cancer or non-cervical cancer, non-uterine cancer, whether it is cervical cancer or non-cervical cancer , Whether it is endometrial cancer or non-uterine body cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or cervical cancer, uterine body Since it is discriminated whether it is cancer or ovarian cancer, two-group discrimination between female genital cancer and non-female genital cancer and cervical cancer, endometrial cancer, ovarian cancer and non-female genital cancer Judgment of discrimination between cervical cancer and endometrial cancer and non-cervical cancer and non-uterine body cancer
  • the multivariate discriminant can be one fractional expression or a sum of a plurality of fractional expressions, or a logistic regression formula, a linear discriminant formula, a multiple regression formula, a formula created with a support vector machine, a Mahalanobis distance Since it is one of the formula created by the law, the formula created by the canonical discriminant analysis, or the formula created by the decision tree, two-group discrimination between female genital cancer and non-female genital cancer and cervical cancer Distinguishing between uterine body cancer and ovarian cancer and non-female genital cancer, cervical cancer, distinguishing between uterine body cancer and non-cervical cancer, non-uterine cancer, cervical cancer and non-cervical cancer 2-group discrimination between cancer, 2-group discrimination between endometrial cancer and non-uterine body cancer, 2-group discrimination between ovarian cancer and non-ovarian cancer, 2-group discrimination between female genital cancer risk group and healthy group, cervix Discriminant
  • Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg included in the measured amino acid concentration data to be evaluated At least one concentration value of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg
  • the discriminant value is calculated. Based on the calculated discriminant value, whether the subject is cervical cancer, endometrial cancer, ovarian cancer or non-female genital cancer is determined.
  • the multivariate discriminant is a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, A fractional expression with Trp as a variable or a fractional expression with a-ABA, Cit, and Met as variables, a linear discriminant with Gly, Val, His, and Arg as variables, and Gly, a-ABA, Met, and His as variables.
  • Linear discriminant, linear discriminant using Ala, Ile, His, Trp, and Arg as variables linear discriminant using Gly, Cit, Met, Phe as variables, or His, Leu, Met, Cit, Ile, Tyr as variables
  • Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg included in the measured amino acid concentration data to be evaluated And at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, and Arg as variables.
  • the discriminant value is calculated, and based on the calculated discriminant value, the evaluation target is either cervical cancer or uterine body cancer or non-cervical cancer or non-uterine body cancer
  • the evaluation target is either cervical cancer or uterine body cancer or non-cervical cancer or non-uterine body cancer
  • a discriminant value that is, an effect that the discrimination can be performed with a higher precision.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Cit, and Arg as variables.
  • a multivariate discriminant including at least one as a variable
  • the multivariate discriminant is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg.
  • a linear discriminant using His, Leu, Met, Ile, Tyr, and Lys as variables, or a logistic regression equation using Val, Leu, His, and Arg as variables, and a logistic regression equation using Met, His, Orn, and Arg as variables.
  • Discrimination based on one concentration value and a multivariate discriminant including at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Arg as a variable The value is calculated, and based on the calculated discriminant value, it is determined whether the cancer is endometrial cancer or non-uterine body cancer for the evaluation target.
  • the multivariate discriminant includes a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Asn, and Cit as variables.
  • a linear discriminant with Gln, His, Lys, Arg as variables a linear discriminant with Gly, Met, Phe, His as variables, a linear discriminant with Cit, Ile, His, Arg as variables, or His , Asn, Val, Pro, Cit, Ile as variables, linear discriminant with Gln, Gly, His, Arg as variables, Logistic regression with Gln, Phe, His, Arg as variables, Logistic regression equation with Gln, Gln , Ile, His, Arg as logistic regression equations or His, Asn, Val, Pro, Cit, I Since it is a logistic regression equation with e as a variable, the discrimination value obtained by the multivariate discriminant particularly useful for the 2-group discrimination between endometrial cancer and non-uterine body cancer is used, and the 2-group discrimination is further accurate. There is an effect that it can be performed well.
  • the discriminant value is calculated, and based on the calculated discriminant value, it is determined whether the subject is ovarian cancer or non-ovarian cancer, so ovarian cancer and non-ovarian cancer Using the discriminant value obtained with the multivariate discriminant that is particularly useful for the 2-group discrimination from cancer, the 2-group discrimination can be performed more accurately.
  • the multivariate discriminant is a fractional expression with Orn, Cit, and Met as variables, a fractional expression with Gln, Cit, and Tyr as variables, or a fraction with Orn, His, Phe, and Trp as variables.
  • linear discriminant with Ser, Cit, Orn, Trp as variables, linear discriminant with Ser, Cit, Ile, Orn as variables, linear discriminant with variables as Phe, Trp, Orn, Lys, or His, Trp , Glu, Cit, Ile, Orn as variables, linear discriminant with Ser, Cit, Trp, Orn as variables, Logistic regression with Gln, Cit, Ile, Tyr as variables, Asn, Phe , His, Trp as logistic regression equations or His, Trp, Glu, Cit, Ile, Orn Since it is a logistic regression equation as a variable, it is possible to perform the two-group discrimination more accurately by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between ovarian cancer and non-ovarian cancer. There is an effect that can be done.
  • Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg included in the measured amino acid concentration data to be evaluated And at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg as a variable
  • the discriminant value is calculated, and based on the calculated discriminant value, it is discriminated whether the evaluation target is a female genital cancer afflicted risk group or a healthy group.
  • the two-group discrimination is performed with higher accuracy. There is an effect that it is possible.
  • the multivariate discriminant is a linear discriminant having Phe, His, Met, Pro, Lys, and Arg as variables, or a logistic having Phe, His, Met, Pro, Lys, and Arg as variables. Since it is a regression equation, the two-group discrimination can be performed more accurately by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer risk group and the healthy group. There is an effect.
  • the multivariate discriminant is an expression created by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser. , Thr, Glu, Gln, Ala, Lys is a formula created by the Mahalanobis distance method, and can be obtained with a multivariate discriminant that is particularly useful for discriminating between cervical cancer, endometrial cancer, and ovarian cancer There is an effect that the discrimination can be performed more accurately by using the discrimination value.
  • the storage means including the amino acid concentration data and the female genital cancer state index data relating to the index representing the state of female genital cancer
  • multiple data stored in the storage means are stored. Create a variable discriminant. Specifically, (1) A candidate multivariate discriminant is created from female genital cancer state information based on a predetermined formula creation method, and (2) the created candidate multivariate discriminant is verified based on a predetermined verification method.
  • the computer since the female genital cancer evaluation program recorded in the recording medium is read and executed by the computer, the computer executes the female genital cancer evaluation program. The effect that can be obtained is obtained.
  • the present invention when evaluating the state of female genital cancer, in addition to the amino acid concentration, other metabolite concentrations, gene expression levels, protein expression levels, subject age / sex, smoking presence, electrocardiogram It is also possible to use a numerical version of the above waveform. In addition, when assessing the state of female genital cancer, the present invention uses other metabolite concentrations, gene expression levels, protein expression levels, subject age as variables in the multivariate discriminant. ⁇ You may also use gender, smoking status, or a numerical ECG waveform.
  • FIG. 1 is a principle configuration diagram showing the basic principle of the present invention.
  • FIG. 2 is a flowchart illustrating an example of the female genital cancer evaluation method according to the first embodiment.
  • FIG. 3 is a principle configuration diagram showing the basic principle of the present invention.
  • FIG. 4 is a diagram illustrating an example of the overall configuration of the present system.
  • FIG. 5 is a diagram showing another example of the overall configuration of the present system.
  • FIG. 6 is a block diagram showing an example of the configuration of the female genital cancer-evaluating apparatus 100 of this system.
  • FIG. 7 is a diagram illustrating an example of information stored in the user information file 106a.
  • FIG. 8 is a diagram showing an example of information stored in the amino acid concentration data file 106b.
  • FIG. 9 is a diagram showing an example of information stored in the female genital cancer state information file 106c.
  • FIG. 10 is a diagram showing an example of information stored in the designated female genital cancer state information file 106d.
  • FIG. 11 is a diagram illustrating an example of information stored in the candidate multivariate discriminant file 106e1.
  • FIG. 12 is a diagram illustrating an example of information stored in the verification result file 106e2.
  • FIG. 13 is a diagram showing an example of information stored in the selected female genital cancer state information file 106e3.
  • FIG. 14 is a diagram illustrating an example of information stored in the multivariate discriminant file 106e4.
  • FIG. 15 is a diagram illustrating an example of information stored in the discrimination value file 106f.
  • FIG. 16 is a diagram illustrating an example of information stored in the evaluation result file 106g.
  • FIG. 17 is a block diagram showing a configuration of the multivariate discriminant-preparing part 102h.
  • FIG. 18 is a block diagram illustrating a configuration of the discriminant value criterion-evaluating unit 102j.
  • FIG. 19 is a block diagram illustrating an example of the configuration of the client apparatus 200 of the present system.
  • FIG. 20 is a block diagram showing an example of the configuration of the database apparatus 400 of this system.
  • FIG. 21 is a flowchart showing an example of female genital cancer evaluation service processing performed by the present system.
  • FIG. 22 is a flowchart showing an example of multivariate discriminant creation processing performed by the female genital cancer-evaluating apparatus 100 of the present system.
  • FIG. 23 is a box-and-whisker diagram regarding the distribution of amino acid variables in a cancer patient group, a benign disease group, and a healthy group.
  • FIG. 24 is a box-and-whisker diagram regarding the distribution of amino acid variables in the cervical cancer group, endometrial cancer group, ovarian cancer group, benign disease group, and healthy group.
  • FIG. 25 is a diagram showing the area under the ROC curve of each amino acid variable in the two-group discrimination between each group.
  • FIG. 26 is a diagram showing the index formulas 1 to 12 and the area under the ROC curve, the cutoff value, the sensitivity, the specificity, the positive predictive value, the negative predictive value, and the correct answer rate for each index formula.
  • FIG. 27 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 1.
  • FIG. 28 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 2.
  • FIG. 29 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 3.
  • FIG. 30 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 3.
  • FIG. 31 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 4.
  • FIG. 32 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 5.
  • FIG. 33 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 6.
  • FIG. 34 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 6.
  • FIG. 35 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 7.
  • FIG. 36 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 8.
  • FIG. 37 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 9.
  • FIG. 38 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 9.
  • FIG. 39 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 10.
  • FIG. 40 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 11.
  • FIG. 41 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 12.
  • FIG. 42 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 12.
  • FIG. 43 is a diagram showing index formulas 13 to 21 and the area under the ROC curve, the cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate for each index formula.
  • FIG. 40 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 11.
  • FIG. 41 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 12.
  • FIG. 42 is a diagram showing a list of index formulas
  • FIG. 44 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 13.
  • FIG. 45 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 14.
  • FIG. 46 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 15.
  • FIG. 47 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 15.
  • FIG. 48 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 16.
  • FIG. 49 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 17.
  • FIG. 50 is a diagram illustrating a list of index formulas having a discrimination performance equivalent to that of the index formula 18.
  • FIG. 51 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 18;
  • FIG. 52 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 19.
  • FIG. 53 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 20.
  • FIG. 54 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 21.
  • FIG. 55 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 21.
  • FIG. 56 is a diagram showing the index formulas 22 to 30, and the area under the ROC curve, the cutoff value, the sensitivity, the specificity, the positive predictive value, the negative predictive value, and the correct answer rate for each index formula.
  • FIG. 57 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 22.
  • FIG. 58 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 23.
  • FIG. 59 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 24.
  • FIG. 60 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 24.
  • FIG. 61 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 25.
  • FIG. 62 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 26.
  • FIG. 63 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 27.
  • FIG. 64 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 27.
  • FIG. 65 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 28.
  • FIG. 66 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 29.
  • FIG. 67 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 30.
  • FIG. 68 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 30.
  • FIG. FIG. 69 is a diagram showing index formulas 31 to 39 and the area under the ROC curve, the cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate for each index formula.
  • FIG. 70 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 31.
  • 71 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 32.
  • FIG. 72 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 33.
  • FIG. FIG. 73 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 33.
  • FIG. 74 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 34.
  • FIG. 75 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 35.
  • FIG. 76 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 36.
  • FIG. 77 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 36.
  • FIG. 78 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 37.
  • FIG. 79 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 38.
  • FIG. 80 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 39.
  • FIG. 81 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 39.
  • FIG. 82 is a diagram showing the index formulas 40 to 48 and the area under the ROC curve, the cutoff value, the sensitivity, the specificity, the positive predictive value, the negative predictive value, and the correct answer rate for each index formula.
  • FIG. 82 is a diagram showing the index formulas 40 to 48 and the area under the ROC curve, the cutoff value, the sensitivity, the specificity, the positive predictive value, the negative predictive value, and the correct answer rate for each index formula.
  • FIG. 83 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 40.
  • FIG. 84 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 41.
  • FIG. 85 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 42.
  • FIG. 86 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 42.
  • 87 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 43.
  • FIG. FIG. 88 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 44.
  • FIG. 89 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 45.
  • FIG. 90 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 45.
  • FIG. 91 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 46.
  • FIG. 92 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 47.
  • FIG. 93 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 48.
  • FIG. 94 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 48.
  • FIG. 95 is a diagram showing index formulas 49 and 50 and the Spearman correlation coefficient and the area under the ROC curve for each index formula.
  • FIG. 96 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 49.
  • FIG. 97 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 49.
  • FIG. 98 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 50.
  • FIG. FIG. 99 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 50.
  • FIG. FIG. 100 is a diagram showing the correct answer rate of cervical cancer, endometrial cancer, and ovarian cancer.
  • FIG. 101 is a diagram showing a list of combinations of amino acid variable groups that have the same discrimination performance as variable group 1.
  • FIG. 102 is a diagram showing a list of combinations of amino acid variable groups that have the same discrimination performance as variable group 1.
  • FIG. 103 is a diagram showing a list of combinations of amino acid variable groups that have the same discrimination performance as variable group 1.
  • FIG. 104 is a diagram showing a discriminant group consisting of amino acid variables Asn, Pro, Cit, ABA, Val, Ile, Tyr, Phe, Trp, Orn, Lys and a constant term as index formula group 1.
  • FIG. 105 is a diagram showing the correct answer rates for cervical cancer, endometrial cancer, and ovarian cancer.
  • FIG. 105 is a diagram showing the correct answer rates for cervical cancer, endometrial cancer, and ovarian cancer.
  • FIG. 106 is a diagram showing a list of combinations of amino acid variable groups that have the same discrimination performance as that of index formula group 1.
  • FIG. 107 is a diagram showing a list of combinations of amino acid variable groups that have the same discrimination performance as that of the index formula group 1.
  • FIG. 108 is a diagram showing the area under the ROC curve in each two-group discrimination for each index formula.
  • FIG. 109 is a box plot relating to the distribution of amino acid variables in the cancer patient group and the non-cancer group.
  • FIG. 110 is a box-and-whisker diagram regarding the distribution of amino acid variables in the uterine cancer patient group and the non-uterine cancer group.
  • FIG. 111 is a box-and-whisker diagram regarding the distribution of amino acid variables in the endometrial cancer patient group and the non-uterine body cancer group.
  • FIG. 112 is a boxplot of the distribution of amino acid variables in the cervical cancer patient group and the non-cervical cancer group.
  • FIG. 113 is a boxplot of the distribution of amino acid variables in the ovarian cancer patient group and the non-ovarian cancer group.
  • FIG. 114 is a box-and-whisker diagram regarding the distribution of amino acid variables in the female genital cancer risk group and the healthy group.
  • FIG. 115 is a diagram showing an ROC curve related to the index formula 51.
  • FIG. 116 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 51.
  • FIG. 117 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 51.
  • FIG. 118 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 51.
  • FIG. 119 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 51.
  • 120 is a diagram showing an ROC curve related to the index formula 52.
  • FIG. FIG. 121 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 52.
  • FIG. 122 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 52.
  • FIG. FIG. 123 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 52.
  • FIG. 124 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 52.
  • FIG. 125 is a diagram showing a list of appearance frequencies of amino acids.
  • 126 is a diagram showing an ROC curve related to the index formula 53.
  • FIG. 127 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 53.
  • FIG. 128 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 53.
  • FIG. FIG. FIG. 123 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 52.
  • FIG. 124 is a diagram showing a list of index formula
  • FIG. 129 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 53.
  • FIG. 130 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 53.
  • FIG. 131 is a diagram showing an ROC curve related to the index formula 54.
  • FIG. 132 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 54.
  • FIG. 133 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 54.
  • FIG. 134 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 54.
  • FIG. 135 is a diagram showing a list of index formulas having a discrimination performance equivalent to the index formula 54.
  • FIG. 136 is a diagram showing a list of appearance frequencies of amino acids.
  • FIG. 137 is a diagram showing an ROC curve related to the index formula 55.
  • FIG. 138 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 55.
  • FIG. 139 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 55.
  • FIG. 140 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 55.
  • FIG. FIG. 141 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 55.
  • FIG. 142 is a diagram showing an ROC curve related to the index formula 56.
  • FIG. FIG. 143 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 56.
  • FIG. 144 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 56.
  • FIG. 145 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 56.
  • FIG. 146 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 56.
  • FIG. 147 is a diagram showing a list of appearance frequencies of amino acids.
  • FIG. 148 is a diagram showing an ROC curve related to the index formula 57.
  • FIG. 149 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 57.
  • FIG. 150 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 57.
  • FIG. 151 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 57.
  • FIG. 152 is a diagram showing a list of index formulas having discrimination performance equivalent to that of the index formula 57.
  • FIG. 153 is a diagram showing an ROC curve related to the index formula 58.
  • FIG. 154 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 58.
  • FIG. 155 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 58.
  • FIG. 156 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 58.
  • FIG. 157 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 58.
  • FIG. 158 is a diagram showing a list of appearance frequencies of amino acids.
  • FIG. 159 is a diagram showing an ROC curve related to the index formula 59.
  • FIG. 160 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 59.
  • FIG. 161 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 59.
  • FIG. FIG. 162 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 59.
  • FIG. FIG. 163 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 59.
  • FIG. 164 is a diagram showing an ROC curve related to the index formula 60.
  • FIG. FIG. 165 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 60.
  • FIG. 166 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 60.
  • FIG. 167 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 60.
  • FIG. 168 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 60.
  • FIG. 169 is a diagram showing a list of appearance frequencies of amino acids.
  • FIG. 170 is a diagram showing an ROC curve related to the index formula 61.
  • FIG. 171 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 61.
  • FIG. 172 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 61.
  • FIG. 173 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 61.
  • FIG. 174 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 61.
  • FIG. 175 is a diagram showing an ROC curve related to the index formula 62.
  • FIG. 176 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 62.
  • FIG. 177 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 62.
  • FIG. 178 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 62.
  • FIG. 179 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 62.
  • FIG. 180 is a diagram showing a list of appearance frequencies of amino acids.
  • FIG. 181 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 63.
  • FIG. 182 is a diagram showing a list of index formulas having a discrimination performance equivalent to that of the index formula 63.
  • FIG. 183 is a diagram showing combinations of amino acid variable groups having discrimination performance equivalent to that of variable group 1.
  • FIG. 184 is a diagram showing combinations of amino acid variable groups having discrimination performance equivalent to that of variable group 1.
  • FIG. 185 is a diagram showing combinations of amino acid variable groups constituting a linear discriminant group having a discrimination performance equivalent to that of the linear discriminant group 1.
  • FIG. 186 is a diagram showing combinations of amino acid variable groups that constitute a linear discriminant group having a discrimination performance equivalent to that of the linear discriminant group 1.
  • Embodiments of female genital cancer evaluation method according to the present invention (first embodiment) and female genital cancer evaluation device, female genital cancer evaluation method, female genital cancer evaluation system, female genital cancer evaluation
  • An embodiment (second embodiment) of a program and a recording medium will be described in detail with reference to the drawings.
  • this invention is not limited by this Embodiment.
  • FIG. 1 is a principle configuration diagram showing the basic principle of the present invention.
  • amino acid concentration data relating to amino acid concentration values is measured from blood collected from an evaluation target (eg, an individual such as an animal or a human) (step S-11).
  • the blood amino acid concentration was analyzed as follows. The collected blood sample was collected in a heparinized tube, and the collected blood sample was centrifuged to separate plasma from the blood. All plasma samples were stored frozen at -70 ° C. until measurement of amino acid concentration.
  • sulfosalicylic acid was added and protein removal treatment was performed by adjusting the concentration to 3%, and an amino acid analyzer based on the principle of high performance liquid chromatography (HPLC) using a ninhydrin reaction in a post column was used for the measurement.
  • the unit of amino acid concentration may be obtained by adding / subtracting / dividing an arbitrary constant to / from these concentrations, for example, molar concentration or weight concentration.
  • the state of female genital cancer including at least one of cervical cancer, endometrial cancer, and ovarian cancer is evaluated for each subject to be evaluated (Step S-12).
  • amino acid concentration data relating to amino acid concentration values is measured from blood collected from an evaluation object, and Thr, Ser, Asn, Gln, Pro, Gly, Based on the concentration value of at least one of Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg, the state of female genital cancer is evaluated for each evaluation object. This makes it possible to accurately evaluate the state of female genital cancer using the concentration of amino acids related to the state of female genital cancer among the concentrations of amino acids in blood.
  • subjects who are likely to have female genital cancer can be narrowed down to a single sample in a short time, resulting in less time, physical and financial burden on the subjects can do.
  • step S-12 data such as missing values and outliers may be removed from the amino acid concentration data to be evaluated measured in step S-11. Thereby, the state of female genital cancer can be more accurately evaluated.
  • step S-12 Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, and the like included in the amino acid concentration data to be evaluated measured in step S-11.
  • step S-12 Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, and the like included in the amino acid concentration data to be evaluated measured in step S-11.
  • It is a preset multivariate discriminant having at least one concentration value of Phe, His, Trp, Orn, Lys, Arg and the concentration of amino acid as a variable, Thr, Ser, Asn, Gln, Pro, Gly, Ala , Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable, the discriminant value that is the value of the multivariate discriminant is determined.
  • the status of female genital cancer may be evaluated for each evaluation object based on the calculated discriminant value.
  • This makes it possible to accurately evaluate the state of female genital cancer using the discriminant value obtained with a multivariate discriminant that has a significant correlation with the state of female genital cancer. Specifically, subjects who are likely to have female genital cancer can be narrowed down to a single sample in a short time, resulting in less time, physical and financial burden on the subjects can do.
  • a discriminant having a concentration of a plurality of amino acids or a concentration of the amino acid as a variable, it is possible to accurately evaluate whether or not a certain specimen develops female genital cancer. Inspection efficiency and accuracy can be improved.
  • step S-12 based on the calculated discriminant value, whether or not the subject is female genital cancer or non-female genital cancer, cervical cancer, endometrial cancer, ovarian cancer or non-female Whether it is genital cancer, whether it is cervical cancer, endometrial cancer or non-cervical cancer, non-uterine cancer, whether it is cervical cancer or non-cervical cancer , Whether it is endometrial cancer or non-uterine body cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a risk group or a healthy group of female genital cancer, or cervical cancer, uterine body Whether the cancer is ovarian cancer or not may be determined.
  • the discriminant value by comparing the discriminant value with a preset threshold value (cut-off value), whether or not the subject is female genital cancer or non-female genital cancer, cervical cancer, endometrial cancer Ovarian cancer or non-female genital cancer, cervical cancer, uterine body cancer or non-cervical cancer, non-uterine body cancer, cervical cancer or Whether it is non-cervical cancer, whether it is endometrial cancer or non-uterine body cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a risk group for female genital cancer, or whether it is a healthy group Alternatively, it may be determined whether the cancer is any of cervical cancer, endometrial cancer, and ovarian cancer.
  • the multivariate discriminant can be one fractional expression or the sum of multiple fractional expressions, or a logistic regression formula, linear discriminant formula, multiple regression formula, formula created with support vector machine, formula created with Mahalanobis distance method Any one of an expression created by canonical discriminant analysis and an expression created by a decision tree may be used.
  • step S-12 Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, His, included in the amino acid concentration data to be evaluated measured in step S-11.
  • Concentration value of at least one of Trp, Orn, Arg and at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg Based on a multivariate discriminant that includes, as a variable, the discriminant value is calculated, and based on the calculated discriminant value, the evaluation target is either cervical cancer, endometrial cancer, ovarian cancer or non-female genital cancer It may be determined whether or not.
  • the multivariate discriminant used in this case is a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, and Trp.
  • linear discriminant using Ala, Ile, His, Trp, Arg as variables linear discriminant using Gly, Cit, Met, Phe as variables, or linear using His, Leu, Met, Cit, Ile, Tyr as variables Discriminant or logistic regression equation with Val, Leu, His, and Arg as variables, a-ABA, Met, Tyr, and His with variables as variables Stick regression equation
  • Logistic regression equation with variables Val, Ile, His, Trp, Arg Logistic regression equation with variables Cit, a-ABA, Met, Tyr or His, Leu, Met, Cit, Ile, Tyr
  • a logistic regression equation may be used as a variable. This makes it possible to perform the discrimination more accurately by using the discriminant value obtained with a multivariate discriminant that is particularly useful for discrimin
  • step S-12 Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, included in the amino acid concentration data to be evaluated measured in step S-11.
  • Concentration value of at least one of Orn, Lys, Arg, and at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg Based on a multivariate discriminant that includes as a variable, the discriminant value is calculated, and based on the calculated discriminant value, either cervical cancer or endometrial cancer or non-cervical cancer, non-uterine cancer It may be determined whether or not any of the above.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Cit, and Arg as variables.
  • linear discriminant using Gly, Val, His, and Arg as variables
  • linear discriminant using Gly, Phe, His, and Arg as variables
  • linear discriminant using Cit, Ile, His, and Arg as variables, or His, Leu , Met, Cit, Ile, Tyr as linear variables
  • Logistic regression equation with Val, His, Lys, Arg as variables
  • Logistic regression equation with Thr a-ABA
  • Met, His as variables, Cit , Ile, His, Arg, or logistic regression equation with His, Leu, Met, Cit, Ile Tyr may be a logistic regression equation as a variable. This makes it possible to use the discriminant value obtained with a multivariate discriminant that is particularly useful for discriminating between cervical cancer and uterine body cancer and non-cervical cancer and non-uterine body cancer, to make the discrimination more accurate. Can be done well.
  • step S-12 at least one concentration value among Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, and Arg included in the amino acid concentration data to be evaluated measured in step S-11.
  • a multivariate discriminant including at least one of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg as a variable, and based on the calculated discriminant value
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cervical cancer.
  • the multivariate discriminant used in this case is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cer
  • step S-12 Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, and the like contained in the amino acid concentration data to be evaluated measured in step S-11.
  • Multivariate discriminant including at least one concentration value of Arg and at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Arg as a variable
  • the discriminant value may be calculated based on the above, and based on the calculated discriminant value, it may be determined whether the subject is an endometrial cancer or a non-uterine body cancer.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between endometrial cancer and non-uterine body cancer.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Asn, and Cit as variables.
  • linear discriminant with variables Gln, His, Lys, Arg linear discriminant with variables Gly, Met, Phe, His, linear discriminant with variables Cit, Ile, His, Arg or His, Asn , Val, Pro, Cit, Ile as variables, linear discriminant with Gln, Gly, His, Arg as variables, logistic regression with Gln, Phe, His, Arg as variables, Gln, Ile , His, Arg as logistic regression equations or His, Asn, Val, Pro, Cit, I e may be the logistic regression equation as a variable.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between endometrial cancer and non-uterine body cancer.
  • step S-12 Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, His, included in the amino acid concentration data to be evaluated measured in step S-11.
  • a discriminant value is calculated based on a multivariate discriminant including at least one of them as a variable, and whether the subject is an ovarian cancer or a non-ovarian cancer is evaluated based on the calculated discriminant value Good.
  • the multivariate discriminant used in this case is a fractional expression with Orn, Cit, Met as variables, a fractional expression with Gln, Cit, Tyr as variables, or a fractional expression with Orn, His, Phe, Trp as variables, Linear discriminant with Ser, Cit, Orn, Trp as variables, linear discriminant with Ser, Cit, Ile, Orn as variables, linear discriminant with Phe, Trp, Orn, Lys as variables, or His, Trp, Glu , Cit, Ile, Orn as variables, linear discriminant, Ser, Cit, Trp, Orn as variables, Logistic regression equation, Gln, Cit, Ile, Tyr as variables, Logistic regression equation, Asn, Phe, His , Logistic regression equation with Trp as a variable or His, Trp, Glu, Cit, Ile
  • step S-12 Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, His, included in the amino acid concentration data to be evaluated measured in step S-11.
  • At least one concentration value of Trp, Orn, Arg, and at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg May be calculated based on a multivariate discriminant including a variable, and based on the calculated discriminant, whether the evaluation target is a female genital cancer risk group or a healthy group may be determined. .
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • the multivariate discriminant used in this case is a linear discriminant using Phe, His, Met, Pro, Lys, and Arg as variables, or a logistic regression equation using Phe, His, Met, Pro, Lys, and Arg as variables. But you can. Thereby, the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • step S-12 Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, included in the amino acid concentration data to be evaluated measured in step S-11.
  • a discriminant value is calculated based on a multivariate discriminant including at least one of Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable, and based on the calculated discriminant value, It may be determined whether the cancer is cervical cancer, endometrial cancer, or ovarian cancer.
  • the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant used in this case is an expression created by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser, Thr. , Glu, Gln, Ala, Lys may be used as an expression created by the Mahalanobis distance method.
  • the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant mentioned above is the method described in International Publication No. 2004/052191 which is an international application by the present applicant, or the method described in International Publication No. 2006/098192 which is an international application by the present applicant. (Multivariate discriminant creation processing described in the second embodiment to be described later). If the multivariate discriminant obtained by these methods is used, it is preferable to use the multivariate discriminant for evaluating the state of female genital cancer regardless of the unit of amino acid concentration in the amino acid concentration data as input data. it can.
  • the multivariate discriminant means the form of the formula generally used in multivariate analysis, such as fractional formula, multiple regression formula, multiple logistic regression formula, linear discriminant function, Mahalanobis distance, canonical discriminant function, support Includes vector machines, decision trees, etc. Also included are expressions as indicated by the sum of different forms of multivariate discriminants.
  • a coefficient and a constant term are added to each variable.
  • the coefficient and the constant term are preferably real numbers, more preferably data.
  • each coefficient and its confidence interval may be obtained by multiplying it by a real number
  • the value of the constant term and its confidence interval may be obtained by adding / subtracting / multiplying / dividing an arbitrary real constant thereto.
  • the fractional expression is the sum of amino acids A, B, C,... And the denominator of the fractional expression is the sum of amino acids a, b, c,. It is represented.
  • the fractional expression includes a sum of fractional expressions ⁇ , ⁇ , ⁇ ,.
  • the fractional expression also includes a divided fractional expression.
  • An appropriate coefficient may be added to each amino acid used in the numerator and denominator.
  • amino acids used in the numerator and denominator may overlap.
  • an appropriate coefficient may be attached to each fractional expression.
  • the value of the coefficient of each variable and the value of the constant term may be real numbers.
  • the combination of the numerator variable and the denominator variable is generally reversed in the sign of the correlation with the objective variable, but since the correlation is maintained, it can be considered equivalent in discriminability. Combinations of swapping numerator and denominator variables are also included.
  • the present invention when evaluating the state of female genital cancer, in addition to the amino acid concentration, other metabolite concentrations, gene expression levels, protein expression levels, subject age / sex, smoking presence, electrocardiogram It is also possible to use a numerical version of the above waveform. In addition, when assessing the state of female genital cancer, the present invention uses other metabolite concentrations, gene expression levels, protein expression levels, subject age as variables in the multivariate discriminant. ⁇ You may also use gender, smoking status, or a numerical ECG waveform.
  • FIG. 2 is a flowchart showing an example of a method for evaluating the state of female genital cancer according to the first embodiment.
  • amino acid concentration data relating to amino acid concentration values is measured from blood collected from individuals such as animals and humans (step SA-11).
  • the amino acid concentration value is measured by the method described above.
  • step SA-12 data such as missing values and outliers are removed from the amino acid concentration data of the individual measured in step SA-11 (step SA-12).
  • the amino acid concentration data of the individual from which data such as missing values and outliers have been removed in step SA-12, or a preset multivariate discriminant using the amino acid concentration as a variable is 1
  • the multivariate discriminant is 1
  • One of the formulas and formulas created by the decision tree. One of the determinations shown in FIG. 4 is performed (step SA-13).
  • One concentration value and Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, V The discriminant value is calculated based on a multivariate discriminant including at least one of al, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable.
  • a preset threshold value cut-off value
  • a discriminant value is calculated, and by comparing the calculated discriminant value with a preset threshold value (cut-off value), uterine body cancer or Determine whether the cancer is non-uterine body cancer.
  • amino acid concentration data is measured from blood collected from an individual, and (2) the measured amino acid concentration of the individual. Data such as missing values and outliers are removed from the data. (3) Amino acid concentration data of individuals from which data such as missing values and outliers have been removed, and preset multivariate discriminants using amino acid concentrations as variables. Based on the above, 11. ⁇ 18. One of the determinations shown in FIG.
  • two-group discrimination between female genital cancer and non-female genital cancer discrimination between cervical cancer, endometrial cancer, and ovarian cancer and non-female genital cancer, cervical cancer, uterine cancer and non-cervical cancer Discrimination between cancer and non-uterine cancer, 2-group discrimination between cervical cancer and non-cervical cancer, 2-group discrimination between endometrial cancer and non-uterine cancer, 2 groups of ovarian cancer and non-ovarian cancer
  • 2-group discrimination between female genital cancer risk group and healthy group 2-group discrimination between female genital cancer risk group and healthy group, cervical cancer, endometrial cancer and ovarian cancer.
  • the two-group discrimination and these discriminations can be performed with higher accuracy.
  • the multivariate discriminant includes a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, and Trp.
  • step SA-13 the above 13.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Cit, and Arg as variables.
  • step SA-13 the above 14.
  • the multivariate discriminant is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • a linear discriminant with Gly, Val, His, Arg as variables, a linear discriminant with Gly, Val, Met, Lys as variables, a linear discriminant with Cit, Met, His, Arg as variables, or A linear discriminant using His, Leu, Met, Ile, Tyr, Lys as variables, or a logistic regression equation using Val, Leu, His, Arg as variables, a logistic regression equation using Met, His, Orn, Arg as variables, Logistic regression equation with variables Val, Tyr, His, Arg or His, Leu, Met, Ile, Tyr Lys may be a logistic regression equation as a variable.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cervical cancer.
  • step SA-13 the above 15.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Asn, and Cit as variables.
  • the multivariate discriminant is a fractional expression with Orn, Cit, Met as variables, a fractional expression with Gln, Cit, Tyr as variables, or a fractional expression with Orn, His, Phe, Trp as variables.
  • step SA-13 the above 17.
  • the multivariate discriminant is expressed by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser, It may be an expression created by the Mahalanobis distance method with Thr, Glu, Gln, Ala, and Lys as variables. Thereby, the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant is a linear discriminant using Phe, His, Met, Pro, Lys, and Arg as variables, or logistic regression using Phe, His, Met, Pro, Lys, and Arg as variables. It may be an expression.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • the multivariate discriminant mentioned above is the method described in International Publication No. 2004/052191 which is an international application by the present applicant, or the method described in International Publication No. 2006/098192 which is an international application by the present applicant. (Multivariate discriminant creation processing described in the second embodiment to be described later). If the multivariate discriminant obtained by these methods is used, it is preferable to use the multivariate discriminant for evaluating the state of female genital cancer regardless of the unit of amino acid concentration in the amino acid concentration data as input data. it can.
  • FIG. 3 is a principle configuration diagram showing the basic principle of the present invention.
  • the control unit includes Arg, Asn, Cit, Gly, His, Leu, Met, and Lys included in the amino acid concentration data of an evaluation object (for example, an individual such as an animal or a human) acquired in advance regarding the amino acid concentration value.
  • Phe, Thr, Trp, Tyr, Val at least one concentration value, and a multivariate discriminant stored in the storage unit with the amino acid concentration as a variable, Arg, Asn, Cit, Gly, His, Leu,
  • a discriminant value which is the value of the multivariate discriminant, is calculated based on what includes at least one of Met, Lys, Phe, Thr, Trp, Tyr, and Val as a variable (step S-21).
  • the state of female genital cancer including at least one of cervical cancer, uterine body cancer, and ovarian cancer is evaluated for the evaluation object based on the discriminant value calculated in step S-21 by the control unit. Is evaluated (step S-22).
  • Thr, Ser, Asn, Gln, Pro It is the value of the multivariate discriminant based on what contains at least one of Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg as a variable.
  • a discriminant value is calculated, and the state of female genital cancer is evaluated for each evaluation object based on the calculated discriminant value. This makes it possible to accurately evaluate the state of female genital cancer using the discriminant value obtained with a multivariate discriminant that has a significant correlation with the state of female genital cancer. Specifically, subjects who are likely to have female genital cancer can be narrowed down to a single sample in a short time, resulting in less time, physical and financial burden on the subjects can do. In addition, specifically, by using a discriminant having a concentration of a plurality of amino acids or a concentration of the amino acid as a variable, it is possible to accurately evaluate whether or not a certain specimen develops female genital cancer. Inspection efficiency and accuracy can be improved.
  • step S-22 based on the discriminant value calculated in step S-21, whether or not the subject is female genital cancer or non-female genital cancer, cervical cancer, endometrial cancer, ovarian cancer Or whether it is non-female genital cancer, cervical cancer, uterine body cancer or non-cervical cancer, non-uterine body cancer, cervical cancer or non-cervical cancer Whether it is cancer, whether it is endometrial cancer or non-uterine cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or It may be determined whether the cancer is cervical cancer, endometrial cancer, or ovarian cancer.
  • Multivariate discriminants are one fractional expression or the sum of multiple fractional expressions, or logistic regression, linear discriminant, multiple regression, formulas created with support vector machines, formulas created with Mahalanobis distance method Any one of an expression created by canonical discriminant analysis and an expression created by a decision tree may be used.
  • step S-21 at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, and Arg included in the amino acid concentration data.
  • the multivariate discriminant including at least one of the concentration value and Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg as a variable.
  • step S-22 based on the calculated discriminant value, it is determined whether the subject of evaluation is cervical cancer, endometrial cancer, ovarian cancer or non-female genital cancer. May be.
  • the multivariate discriminant used in this case is a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, and Trp.
  • linear discriminant using Ala, Ile, His, Trp, Arg as variables linear discriminant using Gly, Cit, Met, Phe as variables, or linear using His, Leu, Met, Cit, Ile, Tyr as variables Discriminant or logistic regression equation with Val, Leu, His, and Arg as variables, a-ABA, Met, Tyr, and His with variables as variables Stick regression equation
  • Logistic regression equation with variables Val, Ile, His, Trp, Arg Logistic regression equation with variables Cit, a-ABA, Met, Tyr or His, Leu, Met, Cit, Ile, Tyr
  • a logistic regression equation may be used as a variable. This makes it possible to perform the discrimination more accurately by using the discriminant value obtained with a multivariate discriminant that is particularly useful for discrimin
  • step S-21 at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, and Arg included in the amino acid concentration data.
  • the multivariate discriminant including at least one of the concentration value and Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg as a variable.
  • the evaluation target is either cervical cancer or uterine body cancer or non-cervical cancer or non-uterine body cancer. It may be determined whether or not.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Cit, and Arg as variables.
  • step S-21 at least one concentration value of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg included in the amino acid concentration data and Asn, Val, Met, Leu, Phe are included. , His, Trp, Orn, Lys, Arg based on a multivariate discriminant including at least one as a variable, a discriminant value is calculated in step S-22 based on the calculated discriminant value. Whether the cancer is cervical cancer or non-cervical cancer may be determined. Thereby, the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cervical cancer.
  • the multivariate discriminant used in this case is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cer
  • step S-21 at least one concentration value of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, and Arg included in the amino acid concentration data and Thr , Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Arg based on a multivariate discriminant including at least one variable, and calculating a discriminant value, In S-22, based on the calculated discriminant value, it may be discriminated whether the evaluation target is endometrial cancer or non-uterine body cancer.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between endometrial cancer and non-uterine body cancer.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Asn, and Cit as variables.
  • linear discriminant with variables Gln, His, Lys, Arg linear discriminant with variables Gly, Met, Phe, His, linear discriminant with variables Cit, Ile, His, Arg or His, Asn , Val, Pro, Cit, Ile as variables, linear discriminant with Gln, Gly, His, Arg as variables, logistic regression with Gln, Phe, His, Arg as variables, Gln, Ile , His, Arg as logistic regression equations or His, Asn, Val, Pro, Cit, I e may be the logistic regression equation as a variable.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between endometrial cancer and non-uterine body cancer.
  • step S-21 at least one of Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg included in the amino acid concentration data.
  • Multivariate discrimination including one concentration value and at least one of Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg as a variable
  • a discriminant value may be calculated based on the formula, and in step S-22, it may be discriminated whether the subject is an ovarian cancer or a non-ovarian cancer based on the calculated discriminant value.
  • the multivariate discriminant used in this case is a fractional expression with Orn, Cit, Met as variables, a fractional expression with Gln, Cit, Tyr as variables, or a fractional expression with Orn, His, Phe, Trp as variables, Linear discriminant with Ser, Cit, Orn, Trp as variables, linear discriminant with Ser, Cit, Ile, Orn as variables, linear discriminant with Phe, Trp, Orn, Lys as variables, or His, Trp, Glu , Cit, Ile, Orn as variables, linear discriminant, Ser, Cit, Trp, Orn as variables, Logistic regression equation, Gln, Cit, Ile, Tyr as variables, Logistic regression equation, Asn, Phe, His , Logistic regression equation with Trp as a variable or His, Trp, Glu, Cit, Ile
  • step S-21 at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, and Arg included in the amino acid concentration data.
  • concentration value and multivariate discriminant including at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg as a variable
  • a discriminant value may be calculated, and in step S-22, it may be discriminated whether the evaluation target is a female genital cancer afflicted risk group or a healthy group based on the calculated discriminant value.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • the multivariate discriminant used in this case is the linear discriminant having Phe, His, Met, Pro, Lys, and Arg as the variables, or Phe, His, Met, Pro, Lys, and Arg as the variables.
  • the logistic regression equation may be used. Thereby, the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • step S-21 Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Concentration value of at least one of Orn, Lys, Arg and Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn , Lys, Arg, based on a multivariate discriminant including at least one of them as a variable, a discriminant value is calculated.
  • step S-22 based on the calculated discriminant value, cervical cancer, It may be determined whether the body cancer or ovarian cancer.
  • the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant used in this case is an expression created by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser, Thr. , Glu, Gln, Ala, Lys may be used as an expression created by the Mahalanobis distance method.
  • the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant mentioned above is the method described in International Publication No. 2004/052191 which is an international application by the present applicant, or the method described in International Publication No. 2006/098192 which is an international application by the present applicant. (Multivariate discriminant creation processing described later). If the multivariate discriminant obtained by these methods is used, it is preferable to use the multivariate discriminant for evaluating the state of female genital cancer regardless of the unit of amino acid concentration in the amino acid concentration data as input data. it can.
  • the multivariate discriminant means the form of the formula generally used in multivariate analysis, such as fractional formula, multiple regression formula, multiple logistic regression formula, linear discriminant function, Mahalanobis distance, canonical discriminant function, support Includes vector machines, decision trees, etc. Also included are expressions as indicated by the sum of different forms of multivariate discriminants.
  • a coefficient and a constant term are added to each variable.
  • the coefficient and the constant term are preferably real numbers, more preferably data.
  • each coefficient and its confidence interval may be obtained by multiplying it by a real number
  • the value of the constant term and its confidence interval may be obtained by adding / subtracting / multiplying / dividing an arbitrary real constant thereto.
  • the fractional expression is the sum of amino acids A, B, C,... And the denominator of the fractional expression is the sum of amino acids a, b, c,. It is represented.
  • the fractional expression includes a sum of fractional expressions ⁇ , ⁇ , ⁇ ,.
  • the fractional expression also includes a divided fractional expression.
  • An appropriate coefficient may be added to each amino acid used in the numerator and denominator.
  • amino acids used in the numerator and denominator may overlap.
  • an appropriate coefficient may be attached to each fractional expression.
  • the value of the coefficient of each variable and the value of the constant term may be real numbers.
  • the combination of the numerator variable and the denominator variable is generally reversed in the sign of the correlation with the objective variable, but since the correlation is maintained, it can be considered equivalent in discriminability. Combinations of swapping numerator and denominator variables are also included.
  • the present invention when evaluating the state of female genital cancer, in addition to the amino acid concentration, other metabolite concentrations, gene expression levels, protein expression levels, subject age / sex, smoking presence, electrocardiogram It is also possible to use a numerical version of the above waveform. In addition, when assessing the state of female genital cancer, the present invention uses other metabolite concentrations, gene expression levels, protein expression levels, subject age as variables in the multivariate discriminant. ⁇ You may also use gender, smoking status, or a numerical ECG waveform.
  • step 1 to step 4 the outline of the multivariate discriminant creation process (step 1 to step 4) will be described in detail.
  • the present invention is based on a predetermined formula creation method from female genital cancer state information stored in a storage unit including amino acid concentration data and female genital cancer state index data relating to an index representing the state of female genital cancer in the control unit.
  • data having missing values, outliers, and the like may be removed from female genital cancer state information in advance.
  • Step 1 a plurality of different formula creation methods (principal component analysis, discriminant analysis, support vector machine, multiple regression analysis, logistic regression analysis, k-means method, cluster analysis, decision tree, etc.) from female genital cancer status information
  • a plurality of candidate multivariate discriminants may be created in combination.
  • female genital cancer status information which is multivariate data composed of amino acid concentration data and female genital cancer status index data obtained by analyzing blood obtained from many healthy subjects and female genital cancer patients
  • a plurality of candidate multivariate discriminants may be created simultaneously using a plurality of different algorithms.
  • two different candidate multivariate discriminants may be created by performing discriminant analysis and logistic regression analysis simultaneously using different algorithms.
  • the candidate multivariate discriminant created by performing principal component analysis is used to convert female genital cancer state information, and by performing discriminant analysis on the converted female genital cancer state information, the candidate multivariate discriminant is obtained. You may create it. Thereby, finally, an appropriate multivariate discriminant suitable for the diagnosis condition can be created.
  • the candidate multivariate discriminant created using principal component analysis is a linear expression composed of amino acid variables that maximizes the variance of all amino acid concentration data.
  • the candidate multivariate discriminant created using discriminant analysis is a high-order formula (index or index) consisting of amino acid variables that minimizes the ratio of the sum of variances within each group to the variance of all amino acid concentration data. Including logarithm).
  • the candidate multivariate discriminant created using the support vector machine is a higher-order formula (including a kernel function) made up of amino acid variables that maximizes the boundary between groups.
  • the candidate multivariate discriminant created using multiple regression analysis is a higher-order expression composed of amino acid variables that minimizes the sum of distances from all amino acid concentration data.
  • a candidate multivariate discriminant created using logistic regression analysis is a fractional expression having a natural logarithm as a term, which is a linear expression composed of amino acid variables that maximize the likelihood.
  • the k-means method searches k neighborhoods of each amino acid concentration data, defines the largest group among the groups to which the neighboring points belong as the group to which the data belongs, This is a method of selecting an amino acid variable that best matches the group to which the group belongs.
  • Cluster analysis is a method of clustering (grouping) points that are closest to each other in all amino acid concentration data. Further, the decision tree is a technique for predicting a group of amino acid concentration data from patterns that can be taken by amino acid variables having higher ranks by adding ranks to amino acid variables.
  • the present invention verifies (mutually verifies) the candidate multivariate discriminant created in step 1 based on a predetermined verification method in the control unit (step 2).
  • the candidate multivariate discriminant is verified for each candidate multivariate discriminant created in step 1.
  • step 2 at least one of the discrimination rate, sensitivity, specificity, information criterion, etc. of the candidate multivariate discriminant based on at least one of the bootstrap method, holdout method, leave one out method, etc. May be verified.
  • a candidate multivariate discriminant with high predictability or robustness in consideration of female genital cancer state information and diagnosis conditions can be created.
  • the discrimination rate is the correct proportion of the state of female genital cancer evaluated in the present invention among all input data.
  • Sensitivity is the correct proportion of the female genital cancer condition evaluated in the present invention among the female genital cancer conditions described in the input data.
  • the specificity is the correct proportion of the female genital cancer state evaluated in the present invention among the healthy female genital cancer states described in the input data.
  • the information criterion is the difference between the number of amino acid variables in the candidate multivariate discriminant prepared in Step 1 and the state of female genital cancer evaluated in the present invention and the state of female genital cancer described in the input data. , Are added together.
  • the predictability is an average of the discrimination rate, sensitivity, and specificity obtained by repeating the verification of the candidate multivariate discriminant.
  • Robustness is the variance of discrimination rate, sensitivity, and specificity obtained by repeating verification of candidate multivariate discriminants.
  • the present invention selects a candidate multivariate discriminant variable by selecting a variable of the candidate multivariate discriminant based on a predetermined variable selection method from the verification result in step 2 in the control unit.
  • a combination of amino acid concentration data included in the female genital cancer state information used when creating the discriminant is selected (step 3).
  • Amino acid variables are selected for each candidate multivariate discriminant created in step 1. Thereby, the amino acid variable of a candidate multivariate discriminant can be selected appropriately.
  • Step 1 is performed again using the female genital cancer state information including the amino acid concentration data selected in Step 3.
  • step 3 the amino acid variable of the candidate multivariate discriminant may be selected from the verification result in step 2 based on at least one of the stepwise method, the best path method, the neighborhood search method, and the genetic algorithm. .
  • the best path method is a method of selecting amino acid variables by sequentially reducing amino acid variables included in the candidate multivariate discriminant one by one and optimizing the evaluation index given by the candidate multivariate discriminant. is there.
  • a multivariate discriminant is created by selecting candidate multivariate discriminants to be adopted as multivariate discriminants from the formula (step 4).
  • selecting candidate multivariate discriminants for example, selecting the optimal one from among candidate multivariate discriminants created by the same formula creation method, and selecting the most suitable from all candidate multivariate discriminants There is a case to choose one.
  • the multivariate discriminant creation process relates to the creation of a candidate multivariate discriminant, the verification of the candidate multivariate discriminant, and the selection of variables of the candidate multivariate discriminant based on the female genital cancer state information.
  • systematized systematized
  • FIG. 4 is a diagram showing an example of the overall configuration of the present system.
  • FIG. 5 is a diagram showing another example of the overall configuration of the present system.
  • this system is a female genital cancer evaluation apparatus 100 that evaluates the state of female genital cancer for each evaluation object, and an information communication terminal apparatus that provides amino acid concentration data of the evaluation object relating to amino acid concentration values.
  • the client apparatus 200 is configured to be communicably connected via the network 300.
  • the present system uses female genital cancer state information used when creating a multivariate discriminant in the female genital cancer evaluation apparatus 100.
  • a database apparatus 400 storing a multivariate discriminant used for evaluating the state of female genital cancer may be configured to be communicably connected via the network 300.
  • the information regarding the state of female genital cancer is information regarding the values measured for specific items regarding the state of human female genital cancer.
  • information on the state of female genital cancer is generated by the female genital cancer evaluation apparatus 100, the client apparatus 200, and other apparatuses (for example, various measuring apparatuses) and is mainly stored in the database apparatus 400.
  • FIG. 6 is a block diagram showing an example of the configuration of the female genital cancer-evaluating apparatus 100 of this system, and conceptually shows only the portion related to the present invention in the configuration.
  • the female genital cancer evaluation apparatus 100 includes a control unit 102 such as a CPU that comprehensively controls the female genital cancer evaluation apparatus, a communication device such as a router, and a wired or wireless communication line such as a dedicated line.
  • a communication interface unit 104 that connects the cancer evaluation apparatus to the network 300 in a communicable manner, a storage unit 106 that stores various databases, tables, files, and the like, and an input / output interface unit 108 that connects to the input device 112 and the output device 114 These units are connected to be communicable via an arbitrary communication path.
  • the female genital cancer-evaluating apparatus 100 may be configured in the same casing as various analytical apparatuses (for example, an amino acid analyzer).
  • dispersion / integration of the female genital cancer evaluation apparatus 100 is not limited to that shown in the figure, and all or a part thereof is functionally or physically distributed in arbitrary units according to various loads. -You may integrate and comprise. For example, a part of the processing may be realized using CGI (Common Gateway Interface).
  • CGI Common Gateway Interface
  • the storage unit 106 is a storage means, and for example, a memory device such as a RAM / ROM, a fixed disk device such as a hard disk, a flexible disk, an optical disk, or the like can be used.
  • the storage unit 106 stores a computer program for giving instructions to the CPU and performing various processes in cooperation with an OS (Operating System).
  • the storage unit 106 includes a user information file 106a, an amino acid concentration data file 106b, a female genital cancer state information file 106c, a designated female genital cancer state information file 106d, and a multivariate discriminant-related information database 106e.
  • the discriminant value file 106f and the evaluation result file 106g are stored.
  • the user information file 106a stores user information related to users.
  • FIG. 7 is a diagram illustrating an example of information stored in the user information file 106a.
  • the information stored in the user information file 106a includes a user ID for uniquely identifying a user and authentication for whether or not the user is a valid person.
  • the amino acid concentration data file 106b stores amino acid concentration data relating to amino acid concentration values.
  • FIG. 8 is a diagram showing an example of information stored in the amino acid concentration data file 106b.
  • the information stored in the amino acid concentration data file 106b is configured by associating an individual number for uniquely identifying an individual (sample) to be evaluated with amino acid concentration data. Yes.
  • amino acid concentration data is treated as a numerical value, that is, a continuous scale, but the amino acid concentration data may be a nominal scale or an order scale. In the case of a nominal scale or an order scale, analysis may be performed by giving an arbitrary numerical value to each state.
  • amino acid concentration data includes other biological information (concentrations of other metabolites other than amino acids, gene expression levels, protein expression levels, subject age / sex, smoking status, and ECG waveform) Etc.) may be combined.
  • the female genital cancer state information file 106 c stores female genital cancer state information used when creating a multivariate discriminant.
  • FIG. 9 is a diagram showing an example of information stored in the female genital cancer state information file 106c. As shown in FIG. 9, the information stored in the female genital cancer state information file 106c relates to an individual number and an index (index T 1 , index T 2 , index T 3 ...) Representing the state of female genital cancer. Female genital cancer state index data (T) and amino acid concentration data are associated with each other.
  • T Female genital cancer state index data
  • amino acid concentration data are associated with each other.
  • the female genital cancer state index data and the amino acid concentration data are treated as numerical values (that is, a continuous scale), but the female genital cancer state index data and the amino acid concentration data may be a nominal scale or an order scale. In the case of a nominal scale or an order scale, analysis may be performed by giving an arbitrary numerical value to each state.
  • the female genital cancer state index data is a known single state index serving as a marker of the state of female genital cancer, and numerical data may be used.
  • the designated female genital cancer state information file 106d stores the female genital cancer state information designated by the female genital cancer state information designation unit 102g described later.
  • FIG. 10 is a diagram showing an example of information stored in the designated female genital cancer state information file 106d. As shown in FIG. 10, the information stored in the designated female genital cancer state information file 106d is configured by associating an individual number, designated female genital cancer state index data, and designated amino acid concentration data with each other. ing.
  • the multivariate discriminant-related information database 106e includes a candidate multivariate discriminant file 106e1 for storing the candidate multivariate discriminant created by the candidate multivariate discriminant-preparing part 102h1 described below, and a candidate multivariate discriminant file 106e1 described later.
  • a selected female genital cancer state information file 106e3 that stores female genital cancer state information including a combination of a verification result file 106e2 that stores a verification result in the discriminant verification unit 102h2 and an amino acid concentration data selected by a variable selection unit 102h3 described later.
  • a multivariate discriminant file 106e4 for storing the multivariate discriminant created by the multivariate discriminant-preparing part 102h described later.
  • the candidate multivariate discriminant file 106e1 stores the candidate multivariate discriminant created by the candidate multivariate discriminant creation unit 102h1 described later.
  • FIG. 11 is a diagram illustrating an example of information stored in the candidate multivariate discriminant file 106e1.
  • information stored in the candidate multivariate discriminant file 106e1 includes the rank, the candidate multivariate discriminant (in FIG. 11, F 1 (Gly, Leu, Phe,%)) And F 2. (Gly, Leu, Phe,%), F 3 (Gly, Leu, Phe,%) And the like are associated with each other.
  • FIG. 12 is a diagram illustrating an example of information stored in the verification result file 106e2.
  • the information stored in the verification result file 106e2 includes rank, candidate multivariate discriminant (in FIG. 12, F k (Gly, Leu, Phe,%) And F m (Gly, Leu, Phe,%), F.sub.l (Gly, Leu, Phe,. They are related to each other.
  • the selected female genital cancer state information file 106e3 stores female genital cancer state information including a combination of amino acid concentration data corresponding to variables selected by the variable selection unit 102h3 described later.
  • FIG. 13 is a diagram showing an example of information stored in the selected female genital cancer state information file 106e3. As shown in FIG. 13, information stored in the selected female genital cancer state information file 106e3 includes an individual number, female genital cancer state index data specified by a female genital cancer state information specifying unit 102g described later, and variables described later. The amino acid concentration data selected by the selection unit 102h3 is associated with each other.
  • the multivariate discriminant file 106e4 stores the multivariate discriminant created by the multivariate discriminant-preparing part 102h described later.
  • FIG. 14 is a diagram illustrating an example of information stored in the multivariate discriminant file 106e4.
  • the information stored in the multivariate discriminant file 106e4 includes the rank, the multivariate discriminant (in FIG. 14, F p (Phe,%) And F p (Gly, Leu, Phe). ), F k (Gly, Leu, Phe,...)), A threshold corresponding to each formula creation method, a verification result of each multivariate discriminant (for example, an evaluation value of each multivariate discriminant), Are related to each other.
  • the discriminant value file 106f stores the discriminant value calculated by the discriminant value calculator 102i described later.
  • FIG. 15 is a diagram illustrating an example of information stored in the discrimination value file 106f. As shown in FIG. 15, information stored in the discriminant value file 106f includes an individual number for uniquely identifying an individual (sample) to be evaluated and a rank (for uniquely identifying a multivariate discriminant). Number) and the discrimination value are associated with each other.
  • the evaluation result file 106g stores an evaluation result in a discriminant value criterion-evaluating unit 102j described later (specifically, a discrimination result in a discriminant value criterion-discriminating unit 102j1 described later).
  • FIG. 16 is a diagram illustrating an example of information stored in the evaluation result file 106g.
  • Information stored in the evaluation result file 106g includes an individual number for uniquely identifying an individual (sample) to be evaluated, amino acid concentration data of the evaluation target acquired in advance, and a discriminant value calculated by a multivariate discriminant. And the evaluation results relating to the state of female genital cancer.
  • the storage unit 106 stores various types of Web data for providing the Web site to the client device 200, a CGI program, and the like as other information in addition to the information described above.
  • the Web data includes data for displaying various Web pages, which will be described later, and the data is formed as a text file described in, for example, HTML or XML.
  • a part file, a work file, and other temporary files for creating Web data are also stored in the storage unit 106.
  • the storage unit 106 stores audio for transmission to the client device 200 as an audio file such as WAVE format or AIFF format, and stores still images and moving images as image files such as JPEG format or MPEG2 format as necessary. Or can be stored.
  • the communication interface unit 104 mediates communication between the female genital cancer evaluation device 100 and the network 300 (or a communication device such as a router). That is, the communication interface unit 104 has a function of communicating data with other terminals via a communication line.
  • the input / output interface unit 108 is connected to the input device 112 and the output device 114.
  • a monitor including a home television
  • a speaker or a printer can be used as the output device 114 (hereinafter, the output device 114 may be described as the monitor 114).
  • the input device 112 a monitor that realizes a pointing device function in cooperation with a mouse can be used in addition to a keyboard, a mouse, and a microphone.
  • the control unit 102 has an internal memory for storing a control program such as an OS (Operating System), a program that defines various processing procedures, and necessary data, and performs various information processing based on these programs. Execute. As shown in the figure, the control unit 102 is roughly divided into a request interpretation unit 102a, a browsing processing unit 102b, an authentication processing unit 102c, an email generation unit 102d, a Web page generation unit 102e, a reception unit 102f, and a female genital cancer state information designation unit.
  • OS Operating System
  • the control unit 102 removes data with missing values, removes data with many outliers, and missing values with respect to female genital cancer state information transmitted from the database device 400 and amino acid concentration data transmitted from the client device 200. Data processing such as removal of variables with a lot of data is also performed.
  • the request interpretation unit 102a interprets the request content from the client device 200 or the database device 400, and passes the processing to each unit of the control unit 102 according to the interpretation result.
  • the browsing processing unit 102b Upon receiving browsing requests for various screens from the client device 200, the browsing processing unit 102b generates and transmits Web data for these screens.
  • the authentication processing unit 102c makes an authentication determination.
  • the e-mail generation unit 102d generates an e-mail including various types of information.
  • the web page generation unit 102e generates a web page that the user browses on the client device 200.
  • the receiving unit 102 f receives information (specifically, amino acid concentration data, female genital cancer state information, multivariate discriminant, etc.) transmitted from the client device 200 or the database device 400 via the network 300.
  • the female genital cancer state information specifying unit 102g specifies target female genital cancer state index data and amino acid concentration data when creating a multivariate discriminant.
  • the multivariate discriminant creating unit 102h creates a multivariate discriminant based on the female genital cancer state information received by the receiving unit 102f and the female genital cancer state information specified by the female genital cancer state information specifying unit 102g. Specifically, the multivariate discriminant-preparing part 102h accumulates by repeatedly executing the candidate multivariate discriminant-preparing part 102h1, the candidate multivariate discriminant-verifying part 102h2, and the variable selecting part 102h3 from the female genital cancer state information. A multivariate discriminant is created by selecting a candidate multivariate discriminant to be adopted as a multivariate discriminant from among a plurality of candidate multivariate discriminants based on the verified results.
  • the multivariate discriminant-preparing unit 102h selects a desired multivariate discriminant from the storage unit 106, A multivariate discriminant may be created.
  • the multivariate discriminant creation unit 102h creates a multivariate discriminant by selecting and downloading a desired multivariate discriminant from another computer device (for example, the database device 400) that stores the multivariate discriminant in advance. May be.
  • FIG. 17 is a block diagram showing the configuration of the multivariate discriminant-preparing part 102h, and conceptually shows only the part related to the present invention.
  • the multivariate discriminant creation unit 102h further includes a candidate multivariate discriminant creation unit 102h1, a candidate multivariate discriminant verification unit 102h2, and a variable selection unit 102h3.
  • the candidate multivariate discriminant-preparing part 102h1 creates a candidate multivariate discriminant that is a candidate for the multivariate discriminant from the female genital cancer state information based on a predetermined formula creation method.
  • the candidate multivariate discriminant-preparing part 102h1 may create a plurality of candidate multivariate discriminants from the female genital cancer state information by using a plurality of different formula creation methods.
  • the candidate multivariate discriminant verification unit 102h2 verifies the candidate multivariate discriminant created by the candidate multivariate discriminant creation unit 102h1 based on a predetermined verification method. It should be noted that the candidate multivariate discriminant verification unit 102h2 is based on at least one of the bootstrap method, the holdout method, and the leave one-out method. At least one of them may be verified.
  • variable selection unit 102h3 creates a candidate multivariate discriminant by selecting a variable of the candidate multivariate discriminant based on a predetermined variable selection method from the verification result in the candidate multivariate discriminant verification unit 102h2. Select a combination of amino acid concentration data included in female genital cancer status information to be used. Note that the variable selection unit 102h3 may select a variable of the candidate multivariate discriminant from the verification result based on at least one of the stepwise method, the best path method, the neighborhood search method, and the genetic algorithm.
  • the discriminant value calculation unit 102 i includes Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu included in the evaluation target amino acid concentration data.
  • Tyr, Phe, His, Trp, Orn, Lys, Arg are multivariate discriminants created by the multivariate discriminant creation unit 102h, and Thr, Ser, Asn, Gln, Pro, Gly , Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable, a discrimination that is the value of the multivariate discriminant Calculate the value.
  • the multivariate discriminant is the sum of one fractional formula or multiple fractional formulas, or a logistic regression formula, linear discriminant formula, multiple regression formula, formula created with support vector machine, Mahalanobis distance formula Any one of an expression, an expression created by canonical discriminant analysis, and an expression created by a decision tree may be used.
  • the discrimination value calculation unit 102i is received by the reception unit 102f.
  • the discriminant value may be calculated based on the multivariate discriminant.
  • the multivariate discriminant used in this case is a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, and Trp.
  • a fractional expression with variables or a fractional expression with a-ABA, Cit, and Met as variables, a linear discriminant with Gly, Val, His, and Arg as variables, and a linear discrimination with Gly, a-ABA, Met, and His as variables Formula, linear discriminant using Ala, Ile, His, Trp, Arg as variables, linear discriminant using Gly, Cit, Met, Phe as variables, or linear using His, Leu, Met, Cit, Ile, Tyr as variables Discriminant or logistic regression equation with Val, Leu, His, and Arg as variables, a-ABA, Met, Tyr, and His with variables as variables Stick regression equation, Logistic regression equation with variables Val, Ile, His, Trp, Arg, Logistic regression equation with variables Cit,
  • the discrimination value calculation unit 102i Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg included in the amino acid concentration data to be evaluated received by the receiving unit 102f At least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg created by one concentration value and multivariate discriminant creation unit 102h
  • the discriminant value may be calculated based on a multivariate discriminant including one as a variable.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Cit, and Arg as variables.
  • linear discriminant using Gly, Val, His, and Arg as variables
  • linear discriminant using Gly, Phe, His, and Arg as variables
  • linear discriminant using Cit, Ile, His, and Arg as variables, or His, Leu , Met, Cit, Ile, Tyr as linear variables
  • Logistic regression equation with Val, His, Lys, Arg as variables
  • Logistic regression equation with Thr a-ABA
  • Met, His as variables, Cit , Ile, His, Arg, or logistic regression equation with His, Leu, Met, Cit, Ile Tyr may be a logistic regression equation as a variable.
  • the discrimination value calculation unit 102i is included in the amino acid concentration data to be evaluated received by the reception unit 102f. Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg Asn, Val, Met, Leu, Phe, His,
  • the discriminant value may be calculated based on a multivariate discriminant including at least one of Trp, Orn, Lys, and Arg as a variable.
  • the multivariate discriminant used in this case is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • the discrimination value calculation unit 102i is included in the amino acid concentration data to be evaluated received by the reception unit 102f. Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Arg, Thr, Ser, created by the multivariate discriminant creation unit 102h
  • the discriminant value may be calculated based on a multivariate discriminant including at least one of Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, and Arg as a variable.
  • the multivariate discriminant used in this case is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fraction with Ile, His, Asn, and Cit as variables.
  • the discrimination value calculation unit 102i includes the Thr included in the evaluation target amino acid concentration data received by the reception unit 102f.
  • the multivariate discriminant used in this case is a fractional expression with Orn, Cit, Met as variables, a fractional expression with Gln, Cit, Tyr as variables, or a fractional expression with Orn, His, Phe, Trp as variables, Linear discriminant with Ser, Cit, Orn, Trp as variables, linear discriminant with Ser, Cit, Ile, Orn as variables, linear discriminant with Phe, Trp, Orn, Lys as variables, or His, Trp, Glu , Cit, Ile, Orn as variables, linear discriminant, Ser, Cit, Trp, Orn as variables, Logistic regression equation, Gln, Cit, Ile, Tyr as variables, Logistic regression equation, Asn, Phe, His , Logistic regression equation with Trp as a variable or His, Trp, Glu, Cit, Ile, Orn It may be the logistic regression equation as a variable.
  • the discrimination value calculation unit 102i uses the amino acid concentration data to be evaluated received by the reception unit 102f.
  • Thr Contained in at least one concentration value and multivariate discriminant creation unit 102h among Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg Discrimination based on a multivariate discriminant including at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg as a variable A value may be calculated.
  • the multivariate discriminant used in this case is a linear discriminant using Phe, His, Met, Pro, Lys, and Arg as variables, or a logistic regression equation using Phe, His, Met, Pro, Lys, and Arg as variables. But you can.
  • the discrimination value calculation unit 102i receives the evaluation target received by the reception unit 102f. At least among Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg included in the amino acid concentration data
  • One concentration value and Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp created by the multivariate discriminant creation unit 102h , Orn, Lys, Arg is calculated based on a multivariate discriminant including at least one as a variable It may be.
  • the multivariate discriminant used in this case is an expression created by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser, Thr. , Glu, Gln, Ala, Lys may be used as an expression created by the Mahalanobis distance method.
  • the discriminant value criterion-evaluating part 102j evaluates the state of female genital cancer for each evaluation object based on the discriminant value calculated by the discriminant value calculating part 102i.
  • the discriminant value criterion-evaluating unit 102j further includes a discriminant value criterion-discriminating unit 102j1.
  • FIG. 18 is a block diagram showing the configuration of the discriminant value criterion-evaluating unit 102j, and conceptually shows only the portion related to the present invention.
  • the discriminant value criterion discriminator 102j1 determines whether the subject is female genital cancer or non-female genital cancer, cervical cancer, endometrial cancer, ovarian cancer Or whether it is non-female genital cancer, cervical cancer, uterine body cancer or non-cervical cancer, non-uterine body cancer, cervical cancer or non-cervical cancer Whether it is cancer, whether it is endometrial cancer or non-uterine cancer, whether it is ovarian cancer or non-ovarian cancer, whether it is a female genital cancer risk group or a healthy group, or It is determined whether the cancer is cervical cancer, endometrial cancer or ovarian cancer.
  • the result output unit 102k displays the processing results in the respective processing units of the control unit 102 (evaluation results in the discrimination value criterion evaluation unit 102j (specifically, discrimination results in the discrimination value criterion discrimination unit 102j1)). Output) to the output device 114.
  • the transmission unit 102m transmits the evaluation result to the client apparatus 200 that is the transmission source of the amino acid concentration data to be evaluated, or the multivariate discriminant or evaluation created by the female genital cancer evaluation apparatus 100 to the database apparatus 400. Or send results.
  • FIG. 19 is a block diagram showing an example of the configuration of the client device 200 of the present system, and conceptually shows only the portion related to the present invention in the configuration.
  • the client device 200 includes a control unit 210, a ROM 220, an HD 230, a RAM 240, an input device 250, an output device 260, an input / output IF 270, and a communication IF 280. These units are communicably connected via an arbitrary communication path. Has been.
  • the control unit 210 includes a web browser 211, an electronic mailer 212, a reception unit 213, and a transmission unit 214.
  • the web browser 211 interprets the web data and performs a browsing process for displaying the interpreted web data on a monitor 261 described later. Note that the web browser 211 may be plugged in with various software such as a stream player having a function of receiving, displaying, and feedbacking the stream video.
  • the electronic mailer 212 transmits and receives electronic mail according to a predetermined communication protocol (for example, SMTP (Simple Mail Transfer Protocol), POP3 (Post Office Protocol version 3), etc.).
  • the receiving unit 213 receives various information such as the evaluation result transmitted from the female genital cancer evaluation apparatus 100 via the communication IF 280.
  • the transmission unit 214 transmits various information such as amino acid concentration data to be evaluated to the female genital cancer evaluation apparatus 100 via the communication IF 280.
  • the input device 250 is a keyboard, a mouse, a microphone, or the like.
  • a monitor 261 which will be described later, also realizes a pointing device function in cooperation with the mouse.
  • the output device 260 is an output unit that outputs information received via the communication IF 280, and includes a monitor (including a home television) 261 and a printer 262. In addition, the output device 260 may be provided with a speaker or the like.
  • the input / output IF 270 is connected to the input device 250 and the output device 260.
  • the communication IF 280 connects the client device 200 and the network 300 (or a communication device such as a router) so that they can communicate with each other.
  • the client device 200 is connected to the network 300 via a communication device such as a modem, TA, or router and a telephone line, or via a dedicated line.
  • the client apparatus 200 can access the female genital cancer evaluation apparatus 100 according to a predetermined communication protocol.
  • an information processing device for example, a known personal computer, workstation, home game device, Internet TV, PHS terminal, portable terminal, mobile body
  • peripheral devices such as a printer, a monitor, and an image scanner as necessary.
  • the client apparatus 200 may be realized by mounting software (including programs, data, and the like) that realizes a Web data browsing function and an electronic mail function in a communication terminal / information processing terminal such as a PDA.
  • control unit 210 of the client device 200 may be realized by a CPU and a program that is interpreted and executed by the CPU and all or any part of the processing performed by the control unit 210.
  • the ROM 220 or the HD 230 stores computer programs for giving instructions to the CPU in cooperation with an OS (Operating System) and performing various processes.
  • the computer program is executed by being loaded into the RAM 240, and constitutes the control unit 210 in cooperation with the CPU.
  • the computer program may be recorded in an application program server connected to the client apparatus 200 via an arbitrary network, and the client apparatus 200 may download all or a part thereof as necessary. .
  • all or any part of the processing performed by the control unit 210 may be realized by hardware such as wired logic.
  • the network 300 has a function of connecting the female genital cancer evaluation apparatus 100, the client apparatus 200, and the database apparatus 400 so that they can communicate with each other, such as the Internet, an intranet, or a LAN (including both wired and wireless).
  • the network 300 includes a VAN, a personal computer communication network, a public telephone network (including both analog / digital), a dedicated line network (including both analog / digital), a CATV network, and a mobile line switching network.
  • a portable packet switching network including IMT2000, GSM, or PDC / PDC-P
  • a wireless paging network including IMT2000, GSM, or PDC / PDC-P
  • a local wireless network such as Bluetooth (registered trademark)
  • a PHS network such as a satellite communication network (CS , BS, ISDB, etc.).
  • FIG. 20 is a block diagram showing an example of the configuration of the database apparatus 400 of this system, and conceptually shows only the portion related to the present invention in the configuration.
  • the database device 400 is the female genital cancer evaluation apparatus 100 or the female genital cancer state information used when creating the multivariate discriminant in the database apparatus 400, the multivariate discriminant created by the female genital cancer evaluation apparatus 100, the female genital organ It has a function of storing evaluation results and the like in the cancer evaluation apparatus 100.
  • the database device 400 includes a control unit 402 such as a CPU that controls the database device 400 in an integrated manner, a communication device such as a router, and a wired or wireless communication circuit such as a dedicated line.
  • a communication interface unit 404 that connects the database device to the network 300 to be communicable, a storage unit 406 that stores various databases, tables, files (for example, Web page files), and the like, and an input device 412 and an output device 414 are connected.
  • the input / output interface unit 408 is configured to be communicable via an arbitrary communication path.
  • the storage unit 406 is a storage means, and for example, a memory device such as a RAM / ROM, a fixed disk device such as a hard disk, a flexible disk, an optical disk, or the like can be used.
  • the storage unit 406 stores various programs used for various processes.
  • the communication interface unit 404 mediates communication between the database device 400 and the network 300 (or a communication device such as a router). That is, the communication interface unit 404 has a function of communicating data with other terminals via a communication line.
  • the input / output interface unit 408 is connected to the input device 412 and the output device 414.
  • the output device 414 in addition to a monitor (including a home television), a speaker or a printer can be used as the output device 414 (hereinafter, the output device 414 may be described as the monitor 414).
  • the input device 412 can be a monitor that realizes a pointing device function in cooperation with the mouse.
  • the control unit 402 has an internal memory for storing a control program such as an OS (Operating System), a program that defines various processing procedures, and necessary data, and performs various information processing based on these programs. Execute. As shown in the figure, the control unit 402 is roughly divided into a request interpreting unit 402a, a browsing processing unit 402b, an authentication processing unit 402c, an e-mail generating unit 402d, a Web page generating unit 402e, and a transmitting unit 402f.
  • a control program such as an OS (Operating System)
  • OS Operating System
  • the request interpretation unit 402a interprets the request content from the female genital cancer evaluation apparatus 100, and passes the processing to each unit of the control unit 402 according to the interpretation result.
  • the browsing processing unit 402b Upon receiving browsing requests for various screens from the female genital cancer evaluation apparatus 100, the browsing processing unit 402b generates and transmits Web data for these screens.
  • the authentication processing unit 402c receives an authentication request from the female genital cancer evaluation apparatus 100 and makes an authentication determination.
  • the e-mail generation unit 402d generates an e-mail including various types of information.
  • the web page generation unit 402e generates a web page that the user browses on the client device 200.
  • the transmission unit 402f transmits various information such as female genital cancer state information and multivariate discriminant to the female genital cancer evaluation apparatus 100.
  • FIG. 21 is a flowchart illustrating an example of female genital cancer evaluation service processing.
  • the amino acid concentration data used in this process relates to the amino acid concentration value obtained by analyzing blood collected in advance from an individual.
  • a method for analyzing amino acids in blood will be briefly described. First, a collected blood sample is collected in a heparinized tube, and then the plasma is separated by centrifuging the tube. All separated plasma samples are stored frozen at -70 ° C. until the measurement of amino acid concentration. Then, at the time of measuring the amino acid concentration, sulfosalicylic acid is added to the plasma sample, and protein removal treatment is performed by adjusting the concentration by 3%.
  • the amino acid concentration was measured using an amino acid analyzer based on the principle of high performance liquid chromatography (HPLC) using a ninhydrin reaction in a post column.
  • HPLC high performance liquid chromatography
  • the client apparatus 200 displays the female genital cancer evaluation apparatus. 100 is accessed. Specifically, when the user instructs to update the screen of the web browser 211 of the client device 200, the web browser 211 uses the predetermined communication protocol to evaluate the female genital cancer evaluation according to a predetermined communication protocol. By transmitting to the apparatus 100, a transmission request for a Web page corresponding to the amino acid concentration data transmission screen is made to the female genital cancer evaluation apparatus 100 by routing based on the address.
  • an address such as URL
  • the female genital cancer-evaluating apparatus 100 receives the transmission from the client apparatus 200 at the request interpretation unit 102a, analyzes the content of the transmission, and moves the processing to each unit of the control unit 102 according to the analysis result.
  • the female genital cancer evaluation apparatus 100 is a predetermined storage area of the storage unit 106 mainly in the browsing processing unit 102b. Web data for displaying the Web page stored in is acquired, and the acquired Web data is transmitted to the client apparatus 200.
  • the female genital cancer evaluation apparatus 100 when there is a web page transmission request corresponding to the amino acid concentration data transmission screen from the user, the female genital cancer evaluation apparatus 100 first uses the control unit 102 to check the user ID and the user password. Ask the user for input. Then, when the user ID and password are input, the female genital cancer evaluation apparatus 100 causes the authentication processing unit 102c to input the input user ID and password and the user ID and password stored in the user information file 106a. Make authentication with user password. Then, the female genital cancer-evaluating apparatus 100 transmits Web data for displaying a Web page corresponding to the amino acid concentration data transmission screen to the client apparatus 200 by the browsing processing unit 102b only when authentication is possible.
  • the client device 200 is identified by the IP address transmitted from the client device 200 together with the transmission request.
  • the client apparatus 200 receives the Web data (for displaying a Web page corresponding to the amino acid concentration data transmission screen) transmitted from the female genital cancer evaluation apparatus 100 by the receiving unit 213, and receives the received Web data. Is interpreted by the Web browser 211, and the amino acid concentration data transmission screen is displayed on the monitor 261.
  • step SA-21 when the user inputs / selects individual amino acid concentration data or the like via the input device 250 on the amino acid concentration data transmission screen displayed on the monitor 261, the client device 200 uses the transmission unit 214 to input information and By transmitting an identifier for specifying the selection item to the female genital cancer evaluation apparatus 100, the amino acid concentration data of the individual to be evaluated is transmitted to the female genital cancer evaluation apparatus 100 (step SA-21).
  • the transmission of amino acid concentration data in step SA-21 may be realized by an existing file transfer technique such as FTP.
  • the female genital cancer-evaluating apparatus 100 interprets the request contents of the client device 200 by interpreting the identifier transmitted from the client device 200 by the request interpreting unit 102a, and the female genital cancer-evaluating device 100a A transmission request for the variable discriminant is made to the database apparatus 400.
  • the database device 400 interprets the transmission request from the female genital cancer evaluation device 100 by the request interpreting unit 402a and stores the Thr, Ser, Asn, Gln, Pro, and the like stored in a predetermined storage area of the storage unit 406.
  • a multivariate discriminant including at least one of Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable (for example, updated latest one.
  • a multivariate discriminant can be one fractional expression or the sum of multiple fractional expressions, or a logistic regression, linear discriminant, multiple regression, formula created with support vector machines, formula created with Mahalanobis distance method, positive One of the formula created by the semi-discriminant analysis and the formula created by the decision tree)) to the female genital cancer evaluation apparatus 100 (Step SA-22).
  • the multivariate discriminant transmitted to the female genital cancer-evaluating apparatus 100 in step SA-22 is any one of cervical cancer, uterine body cancer, ovarian cancer or non-female genital cancer in step SA-26 described later.
  • it includes at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg as a variable. It may be a thing.
  • the multivariate discriminant is a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, and Ile, His, Cit, Arg, Tyr, and Trp as variables.
  • the multivariate discriminant transmitted to the female genital cancer-evaluating apparatus 100 in step SA-22 is either cervical cancer or uterine body cancer or non-cervical cancer or non-uterine body cancer in step SA-26 described later.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fractional expression with Ile, His, Cit, and Arg as variables.
  • the multivariate discriminant transmitted to the female genital cancer evaluation apparatus 100 in step SA-22 is Asn when it is determined in step SA-26 described later whether the cancer is cervical cancer or non-cervical cancer.
  • Val, Met, Leu, Phe, His, Trp, Orn, Lys, Arg may be included as a variable.
  • the multivariate discriminant is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • the multivariate discriminant transmitted to the female genital cancer-evaluating apparatus 100 in step SA-22 is Thr when it is determined in step SA-26, which will be described later, whether uterine cancer or non-uterine cancer.
  • Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, and Arg may be included as a variable.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or a fractional expression with Ile, His, Asn, and Cit as variables.
  • Gln, His, Lys, Arg as variables, linear discriminant with Gly, Met, Phe, His as variables, linear discriminants with Cit, Ile, His, Arg as variables, or His, Asn, Linear discriminant with Val, Pro, Cit, Ile as variables, or logistic regression with Gln, Gly, His, Arg as variables, logistic regression with Gln, Phe, His, Arg as variables, Gln, Ile, Logistic regression equation with His and Arg as variables or His, Asn, Val, Pro, Cit and Ile as variables It may be the logistic regression equation to be.
  • the multivariate discriminant transmitted to the female genital cancer-evaluating apparatus 100 in step SA-22 is the Thr, Ser when determining whether the cancer is ovarian cancer or non-ovarian cancer in step SA-26 described later.
  • Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg may be included as a variable.
  • the multivariate discriminant is a fractional expression with Orn, Cit, and Met as variables, a fractional expression with Gln, Cit, and Tyr as variables, or a fractional expression with Orn, His, Phe, and Trp as variables, Ser , Cit, Orn, Trp as a variable, linear discriminant with Ser, Cit, Ile, Orn as variables, Phe, Trp, Orn, Lys as linear variables, or His, Trp, Glu, Linear discriminant with Cit, Ile, Orn as variables, Logistic regression with Ser, Cit, Trp, Orn as variables, Logistic regression with Gln, Cit, Ile, Tyr as variables, Asn, Phe, His, Logistic regression equation with Trp as a variable or His, Trp, Glu, Cit, Ile, Orn as variables It may be the logistic regression equation.
  • the multivariate discriminant transmitted to the female genital cancer evaluation apparatus 100 in step SA-22 is used to determine whether it is a female genital cancer affected risk group or a healthy group in step SA-26 described later. It may include at least one of Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, and Arg as a variable.
  • the multivariate discriminant can be a linear discriminant having Phe, His, Met, Pro, Lys, and Arg as variables, or a logistic regression equation having Phe, His, Met, Pro, Lys, and Arg as variables. Good.
  • the multivariate discriminant transmitted to the female genital cancer evaluation apparatus 100 in step SA-22 determines whether it is any of cervical cancer, uterine body cancer, and ovarian cancer in step SA-26 described later.
  • at least one of Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg May be included as a variable.
  • the multivariate discriminant is an expression created by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, a-ABA as variables, or His, Leu, Ser, Thr, An expression created by the Mahalanobis distance method using Glu, Gln, Ala, and Lys as variables may be used.
  • the female genital cancer-evaluating apparatus 100 receives and receives the individual amino acid concentration data transmitted from the client apparatus 200 and the multivariate discriminant transmitted from the database apparatus 400 by the receiving unit 102f.
  • the amino acid concentration data is stored in a predetermined storage area of the amino acid concentration data file 106b, and the received multivariate discriminant is stored in a predetermined storage area of the multivariate discriminant file 106e4 (step SA-23).
  • control unit 102 removes data such as missing values and outliers from the individual amino acid concentration data received in step SA-23 (step SA-24).
  • the female genital cancer-evaluating apparatus 100 uses the discriminant value calculation unit 102i to determine the amino acid concentration data of the individual from which data such as missing values and outliers have been removed in step SA-24 and the multivariate received in step SA-23. Based on the discriminant, a discriminant value that is the value of the multivariate discriminant is calculated (step SA-25), and the discriminant value calculated in step SA-25 and a preset threshold value are determined by the discriminant value criterion discriminator 102j1. (Cutoff value) and the following 21. 28. One of the determinations shown in FIG. 1 is performed, and the determination result is stored in a predetermined storage area of the evaluation result file 106g (step SA-26).
  • Step SA-25 Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, and Ile included in the individual amino acid concentration data are determined. , Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg and at least one concentration value and Thr, Ser, Asn, Gln, Pro, Gly, Ala, Cit, Val, Met, Ile, Leu, Tyr, A discriminant value is calculated based on a multivariate discriminant including at least one of Phe, His, Trp, Orn, Lys, and Arg as a variable.
  • step SA-26 the calculated discriminant value and a preset threshold value are calculated. (Cutoff value) to determine whether the individual has female or non-female genital cancer Is determined.
  • step SA-25 Determination of whether cervical cancer, endometrial cancer, ovarian cancer or non-female genital cancer
  • step SA-25 Thr, Ser, Asn, Gln, Pro, Ala included in the amino acid concentration data of the individual , Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Arg, and Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr , Phe, His, Trp, Orn, Arg are calculated based on a multivariate discriminant including at least one of them as a variable.
  • step SA-26 the calculated discriminant and a preset threshold value ( Cut-off value) to determine whether the individual has cervical cancer, endometrial cancer, ovarian cancer or non-female genital cancer Determine whether or not.
  • step SA-25 Determination of whether cervical cancer, endometrial cancer or non-cervical cancer, non-endometrial cancer
  • step SA-25 Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Orn, Lys, Arg, and Thr, Ser, Asn, Pro, Gly, Cit, Val, Met
  • a discriminant value is calculated based on a multivariate discriminant including at least one of Ile, Leu, Phe, His, Trp, Orn, Lys, and Arg as a variable.
  • step SA-26 the calculated discriminant value and By comparing with the set threshold value (cutoff value), cervical cancer, uterine body cancer or non-cervical cancer, non-uterine body per individual Determine whether it is any of cancer.
  • step SA-25 it is determined whether or not cervical cancer or non-cervical cancer is selected from Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, and Arg included in the amino acid concentration data of the individual. Calculating a discriminant value based on at least one concentration value and a multivariate discriminant including at least one of Asn, Val, Met, Leu, Phe, His, Trp, Orn, Lys, and Arg as a variable;
  • SA-26 it is determined whether the individual has cervical cancer or non-cervical cancer by comparing the calculated determination value with a preset threshold value (cut-off value).
  • step SA-25 whether Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe included in the individual amino acid concentration data is determined. , His, Trp, Arg, and at least one of Thr, Ser, Asn, Pro, Gly, Cit, Val, Met, Ile, Leu, Phe, His, Trp, Arg Based on the multivariate discriminant including, the discriminant value is calculated, and in step SA-26, the calculated discriminant value is compared with a preset threshold value (cut-off value), so Determine whether the cancer is non-uterine body cancer.
  • a preset threshold value cut-off value
  • step SA-25 whether Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe included in the individual amino acid concentration data is determined. , His, Trp, Orn, Lys, Arg, and Thr, Ser, Asn, Gln, Ala, Cit, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys , A discriminant value is calculated based on a multivariate discriminant including at least one of Arg as a variable, and in step SA-26, the calculated discriminant value is compared with a preset threshold value (cutoff value). Thus, it is determined whether or not each individual has ovarian cancer or non-ovarian cancer.
  • step SA-25 whether Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala, or the like contained in the individual amino acid concentration data is determined. At least one concentration value of Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, Arg, and Thr, Ser, Asn, Glu, Gln, Pro, Gly, Ala,
  • a discriminant value is calculated based on a multivariate discriminant including at least one of Cit, ABA, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Lys, and Arg as a variable.
  • -26 compares the calculated discriminant value with a preset threshold value (cut-off value), so It is determined whether the cancer is cervical cancer, endometrial cancer, or ovarian cancer.
  • step SA-25 it is determined whether or not the female genital cancer risk group or the healthy group is Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, which are included in the amino acid concentration data of the individual. At least one concentration value of Tyr, Phe, His, Trp, Orn, Arg, and Thr, Ser, Asn, Gln, Pro, Ala, Val, Met, Ile, Leu, Tyr, Phe, His, Trp, Orn, Based on a multivariate discriminant including at least one of Arg as a variable, a discriminant value is calculated.
  • step SA-26 a female genital cancer risk group or a healthy subject is evaluated based on the calculated discriminant value. It is determined whether or not it is a group.
  • the female genital cancer-evaluating apparatus 100 transmits the discrimination result obtained in step SA-26 to the client apparatus 200 and the database apparatus 400 that are the transmission source of amino acid concentration data in the transmitting unit 102m ( Step SA-27). Specifically, first, the female genital cancer-evaluating apparatus 100 creates a web page for displaying the discrimination result in the web page generation unit 102e, and stores the web data corresponding to the created web page in the storage unit 106. Stored in the storage area. Next, after the user inputs a predetermined URL to the Web browser 211 of the client device 200 via the input device 250 and performs the above-described authentication, the client device 200 issues a request for browsing the Web page to the female genital cancer evaluation device 100.
  • the browsing processing unit 102b interprets the browsing request transmitted from the client device 200, and stores Web data corresponding to the Web page for displaying the determination result in the storage unit 106. Read from storage area. Then, the female genital cancer-evaluating apparatus 100 transmits the read Web data to the client apparatus 200 and transmits the Web data or the determination result to the database apparatus 400 by the transmission unit 102m.
  • the female genital cancer-evaluating apparatus 100 may notify the user client apparatus 200 of the determination result by e-mail at the control unit 102. Specifically, first, the female genital cancer-evaluating apparatus 100 refers to the user information stored in the user information file 106a based on the user ID or the like in the email generation unit 102d according to the transmission timing, Get the user's email address. Next, the female genital cancer-evaluating apparatus 100 uses the e-mail generation unit 102d to generate data related to e-mail including the user's name and discrimination result with the acquired e-mail address as the destination. Next, the female genital cancer-evaluating apparatus 100 transmits the generated data to the client apparatus 200 of the user by the transmission unit 102m.
  • the female genital cancer-evaluating apparatus 100 may transmit the determination result to the user client apparatus 200 using an existing file transfer technology such as FTP.
  • control unit 402 receives the discrimination result or Web data transmitted from the female genital cancer evaluation device 100, and stores the received discrimination result or Web data in a predetermined unit of the storage unit 406. Save (accumulate) in the storage area (step SA-28).
  • the client device 200 receives the Web data transmitted from the female genital cancer evaluation device 100 by the receiving unit 213, interprets the received Web data by the Web browser 211, and a Web page on which the individual determination result is written. Is displayed on the monitor 261 (step SA-29).
  • the client apparatus 200 arbitrarily selects the e-mail transmitted from the female genital cancer evaluation apparatus 100 by a known function of the e-mailer 212.
  • the received e-mail is displayed on the monitor 261.
  • the user can check the individual discrimination result regarding the female genital cancer by browsing the Web page displayed on the monitor 261.
  • the user may print the display content of the Web page displayed on the monitor 261 with the printer 262.
  • the user confirms the individual discrimination result regarding the female genital cancer by browsing the e-mail displayed on the monitor 261. can do.
  • the user may print the content of the e-mail displayed on the monitor 261 with the printer 262.
  • the client device 200 transmits the individual amino acid concentration data to the female genital cancer evaluation device 100, and the database device 400 receives the data from the female genital cancer evaluation device 100.
  • a multivariate discriminant for discriminating female genital cancer is transmitted to female genital cancer evaluation apparatus 100.
  • the female genital cancer evaluation apparatus 100 (1) receives the amino acid concentration data from the client device 200 and receives the multivariate discriminant from the database device 400, and (2) converts the received amino acid concentration data and the multivariate discriminant into the multivariate discriminant.
  • the discriminant value is calculated on the basis of (3) the calculated discriminant value is compared with a preset threshold value, and the individual 21. 28. (4) This determination result is transmitted to the client device 200 and the database device 400.
  • the client device 200 receives and displays the discrimination result transmitted from the female genital cancer evaluation device 100
  • the database device 400 receives and stores the discrimination result transmitted from the female genital cancer evaluation device 100.
  • the multivariate discriminant includes a fractional expression with Gln, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, Ile, His, Cit, Arg, Tyr, and Trp.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Cit, and Arg as variables.
  • step SA-26 the above 24.
  • the multivariate discriminant is a fractional expression with a-ABA, His, Val as variables, a fractional expression with a-ABA, Met, Val as variables, or Met, His, Cit, Arg as variables.
  • a linear discriminant with Gly, Val, His, Arg as variables, a linear discriminant with Gly, Val, Met, Lys as variables, a linear discriminant with Cit, Met, His, Arg as variables, or A linear discriminant using His, Leu, Met, Ile, Tyr, Lys as variables, or a logistic regression equation using Val, Leu, His, Arg as variables, a logistic regression equation using Met, His, Orn, Arg as variables, Logistic regression equation with variables Val, Tyr, His, Arg or His, Leu, Met, Ile, Tyr Lys may be a logistic regression equation as a variable.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between cervical cancer and non-cervical cancer.
  • step SA-26 the above 25.
  • the multivariate discriminant is a fractional expression with Lys, His, and Arg as variables, a fractional expression with a-ABA, His, and Met as variables, or Ile, His, Asn, and Cit as variables.
  • the multivariate discriminant is a fractional expression with Orn, Cit, Met as variables, a fractional expression with Gln, Cit, Tyr as variables, or a fractional expression with Orn, His, Phe, Trp as variables.
  • the multivariate discriminant is expressed by the Mahalanobis distance method using Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA as variables, or His, Leu, Ser, It may be an expression created by the Mahalanobis distance method with Thr, Glu, Gln, Ala, and Lys as variables. Thereby, the discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for discrimination between cervical cancer, endometrial cancer and ovarian cancer.
  • the multivariate discriminant is a linear discriminant using Phe, His, Met, Pro, Lys, and Arg as variables, or logistic regression using Phe, His, Met, Pro, Lys, and Arg as variables. It may be an expression.
  • the two-group discrimination can be performed with higher accuracy by using the discriminant value obtained by the multivariate discriminant particularly useful for the two-group discrimination between the female genital cancer afflicted risk group and the healthy group.
  • the multivariate discriminant mentioned above is the method described in International Publication No. 2004/052191 which is an international application by the present applicant, or the method described in International Publication No. 2006/098192 which is an international application by the present applicant. (Multivariate discriminant creation processing described later). If the multivariate discriminant obtained by these methods is used, it is preferable to use the multivariate discriminant for evaluating the state of female genital cancer regardless of the unit of amino acid concentration in the amino acid concentration data as input data. it can.
  • the present invention may be implemented in various different embodiments within the scope of the technical idea described in the claims.
  • all or part of the processes described as being performed automatically can be performed manually, or the processes described as being performed manually. All or a part of the above can be automatically performed by a known method.
  • each illustrated component is functionally conceptual and does not necessarily need to be physically configured as illustrated.
  • each part of the female genital cancer evaluation apparatus 100 or a processing function provided in each apparatus is a CPU (Central Processing Unit) and a program interpreted and executed by the CPU.
  • CPU Central Processing Unit
  • all or any part thereof can be realized, and can also be realized as hardware by wired logic.
  • program is a data processing method described in an arbitrary language or description method, and may be in any form such as source code or binary code.
  • the “program” is not necessarily limited to a single configuration, but is distributed in the form of a plurality of modules and libraries, or in cooperation with a separate program typified by an OS (Operating System). Includes those that achieve that function.
  • the program is recorded on a recording medium and mechanically read by the female genital cancer evaluation apparatus 100 as necessary.
  • a reading procedure, an installation procedure after reading, and the like a well-known configuration and procedure can be used.
  • “recording medium” includes any “portable physical medium”, any “fixed physical medium”, and “communication medium”.
  • the “portable physical medium” is a flexible disk, magneto-optical disk, ROM, EPROM, EEPROM, CD-ROM, MO, DVD, or the like.
  • the “fixed physical medium” is a ROM, RAM, HD or the like built in various computer systems.
  • a “communication medium” is a program that holds a program in a short period of time, such as a communication line or a carrier wave in the case of transmitting a program via a network such as a LAN, WAN, or the Internet.
  • FIG. 22 is a flowchart illustrating an example of multivariate discriminant creation processing.
  • the multivariate discriminant creation process may be performed by the database apparatus 400 that manages female genital cancer state information.
  • the female genital cancer evaluation apparatus 100 stores the female genital cancer state information acquired in advance from the database apparatus 400 in a predetermined storage area of the female genital cancer state information file 106c.
  • the female genital cancer evaluation apparatus 100 receives the female genital cancer status information including the female genital cancer status index data and the amino acid concentration data specified in advance by the female genital cancer status information specifying unit 102g, and the designated female genital cancer status information file 106d. Are stored in a predetermined storage area.
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1 that creates a predetermined formula from the female genital cancer state information stored in a predetermined storage area of the designated female genital cancer state information file 106d.
  • the candidate multivariate discriminant is created based on the above, and the created candidate multivariate discriminant is stored in a predetermined storage area of the candidate multivariate discriminant file 106e1 (step SB-21).
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1, and a plurality of different formula creation methods (principal component analysis, discriminant analysis, support vector machine, multiple regression analysis, logistic regression) Analysis, k-means method, cluster analysis, decision tree, etc. related to multivariate analysis.) Select a desired one from among them, and create candidate multivariate discrimination based on the selected formula creation method Determine the form of the expression (form of the expression).
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-preparing part 102h1 that performs various calculations (for example, average and variance) corresponding to the selected formula selection method based on the female genital cancer state information.
  • the multivariate discriminant-preparing part 102h determines the calculation result and parameters of the determined candidate multivariate discriminant-expression in the candidate multivariate discriminant-preparing part 102h1. Thereby, a candidate multivariate discriminant is created based on the selected formula creation method.
  • a candidate multivariate discriminant is created simultaneously and in parallel (in parallel) by using a plurality of different formula creation techniques, the above-described processing may be executed in parallel for each selected formula creation technique.
  • a candidate multivariate discriminant is created in series using a combination of different formula creation methods, for example, female genital cancer state information using a candidate multivariate discriminant created by performing principal component analysis And a candidate multivariate discriminant may be created by performing discriminant analysis on the converted female genital cancer state information.
  • the multivariate discriminant-preparing part 102h uses the candidate multivariate discriminant-verifying part 102h2 to verify (mutually verify) the candidate multivariate discriminant created in step SB-21 based on a predetermined verification method.
  • the result is stored in a predetermined storage area of the verification result file 106e2 (step SB-22).
  • the multivariate discriminant-preparing part 102h is a candidate multivariate discriminant-verifying part 102h2 based on the female genital cancer state information stored in a predetermined storage area of the designated female genital cancer state information file 106d.
  • the verification data used when verifying the candidate multivariate discriminant is created, and the candidate multivariate discriminant is verified based on the created verification data.
  • the multivariate discriminant-preparing unit 102h is a candidate multivariate discriminant-verifying unit 102h2.
  • Each candidate multivariate discriminant corresponding to the formula creation method is verified based on a predetermined verification method.
  • step SB-22 among the discrimination rate, sensitivity, specificity, information criterion, etc. of the candidate multivariate discriminant based on at least one of the bootstrap method, holdout method, leave one out method, etc. You may verify about at least one. Thereby, a candidate index formula having high predictability or robustness in consideration of female genital cancer state information and diagnosis conditions can be selected.
  • the multivariate discriminant-preparing part 102h selects a candidate multivariate discriminant variable from the verification result in step SB-22 based on a predetermined variable selection method in the variable selection part 102h3, A combination of amino acid concentration data included in female genital cancer state information used when creating a multivariate discriminant is selected, and a female genital cancer state information including the selected combination of amino acid concentration data is selected.
  • Female genital cancer state information file 106e3 In a predetermined storage area (step SB-23).
  • step SB-21 a plurality of candidate multivariate discriminants are created in combination with a plurality of different formula creation methods.
  • a predetermined verification method is used for each candidate multivariate discriminant corresponding to each formula creation method.
  • the multivariate discriminant-preparing part 102h uses the variable selection part 102h3 for each candidate multivariate discriminant corresponding to the verification result in step SB-22. Select a variable for the candidate multivariate discriminant based on the variable selection technique.
  • the variable of the candidate multivariate discriminant may be selected from the verification result based on at least one of the stepwise method, the best path method, the neighborhood search method, and the genetic algorithm.
  • the best path method is a method of selecting variables by sequentially reducing the variables included in the candidate multivariate discriminant one by one and optimizing the evaluation index given by the candidate multivariate discriminant.
  • the multivariate discriminant-preparing part 102h uses the variable selection part 102h3 to select amino acids based on the female genital cancer state information stored in the predetermined storage area of the designated female genital cancer state information file 106d. A combination of density data may be selected.
  • the multivariate discriminant-preparing part 102h determines whether or not all combinations of amino acid concentration data included in the female genital cancer state information stored in the predetermined storage area of the designated female genital cancer state information file 106d have been completed. If the determination result is “end” (step SB-24: Yes), the process proceeds to the next step (step SB-25), and if the determination result is not “end” (step SB In -24: No), the process returns to Step SB-21.
  • the multivariate discriminant-preparing part 102h determines whether or not the preset number of times has ended, and if the determination result is “end” (step SB-24: Yes), the next step (step The process proceeds to SB-25), and if the determination result is not “end” (step SB-24: No), the process may return to step SB-21.
  • the multivariate discriminant-preparing part 102h includes the combination of the amino acid concentration data selected in step SB-23 in the female genital cancer state information stored in the predetermined storage area of the designated female genital cancer state information file 106d. If the determination result is “same” (step SB-24: Yes).
  • step SB-25 May advance to the next step (step SB-25), and if the determination result is not “same” (step SB-24: No), the process may return to step SB-21.
  • the verification result is specifically an evaluation value related to each candidate multivariate discriminant
  • the multivariate discriminant creation unit 102h compares the evaluation value with a predetermined threshold corresponding to each formula creation method. Based on the result, it may be determined whether to proceed to Step SB-25 or to return to Step SB-21.
  • the multivariate discriminant-preparing part 102h selects a multivariate discriminant by selecting a candidate multivariate discriminant to be adopted as a multivariate discriminant from a plurality of candidate multivariate discriminants based on the verification result.
  • the determined multivariate discriminant (selected candidate multivariate discriminant) is stored in a predetermined storage area of the multivariate discriminant file 106e4 (step SB-25).
  • step SB-25 for example, selecting the optimum one from candidate multivariate discriminants created by the same formula creation method and selecting the optimum one from all candidate multivariate discriminants There is a case to do.
  • Blood samples from patients with cervical cancer, uterine cancer, ovarian cancer with a definitive diagnosis of cervical cancer, uterine body cancer, ovarian cancer and non-cervical cancer, non-uterine body cancer, non-ovarian cancer group The blood amino acid concentration was measured from the blood sample by the amino acid analysis method described above.
  • the patient group of cervical cancer, uterine body cancer, and ovarian cancer is collectively referred to as a cancer patient group, and non-cervical cancer, non-uterine body cancer, non-ovary A cancer group may be referred to as a non-cancer group.
  • a group suffering from a benign disease such as uterine fibroids may be referred to as a benign disease group, and other groups may be referred to as healthy groups.
  • a group of benign disease group and cancer patient group may be referred to as a female genital cancer risk group.
  • FIG. 23 shows a boxplot of the distribution of amino acid variables in the cancer patient group, benign disease group, and healthy group. A box plot is shown in FIG.
  • FIG. 25 shows the result of calculating the area under the ROC curve of each amino acid variable for the two-group discrimination between the groups.
  • 2-group discrimination between a non-cancer group, a benign disease group or a healthy group and a cancer patient group and 2-group discrimination between a healthy group and a female genital cancer risk group, Asn, Val, Met, Leu, His, Trp , Arg is always within the top 12 with the highest ROC_AUC values.
  • Gly, Val, Leu, Phe, His, Lys, and Arg are always within the top 12 with the high ROC_AUC value.
  • Example 1 The sample data used in Example 1 was used.
  • an index that maximizes the two-group discrimination performance between the cancer patient group and the non-cancer group is shown in International Publication No.
  • the intensive search was carried out using the method described in No. 052191.
  • index formula 1 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between the cancer patient group and the non-cancer group is a linear discriminant analysis (variable coverage method based on AIC minimum criteria). ).
  • index formula 2 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between the cancer patient group and the non-cancer group is a logistic regression analysis (variable coverage method based on AIC minimum criteria).
  • index formula 3 (see FIG. 26) is obtained among a plurality of index formulas having equivalent performance.
  • each coefficient in the formulas shown in the index formula 1, the index formula 2, and the index formula 3 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it.
  • an index that maximizes the two-group discrimination performance between the cancer patient group and the healthy group is shown in International Publication No. WO 2004/052191, which is an international application by the present applicant.
  • the method described in issue No. 1 was eagerly searched.
  • index formula 4 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between the cancer patient group and the healthy group is a linear discriminant analysis (variable coverage method based on AIC minimum criteria). Searched by.
  • index formula 5 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the discrimination performance between the cancer patient group and the healthy group is a logistic regression analysis (variable coverage method based on AIC minimum criteria). Searched by.
  • index formula 6 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 4, the index formula 5 and the index formula 6 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • index formula 7 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • index formula 8 is obtained among a plurality of index formulas (see FIG.
  • index formula 9 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 7, the index formula 8, and the index formula 9 may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding / subtracting / dividing any real constant to it. .
  • an index that maximizes the 2-group discrimination performance between the healthy group and the female genital cancer risk group is an international application filed by the present applicant.
  • the intensive search was carried out using the method described in 2004/052191.
  • index formula 10 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance of the healthy group and the female genital cancer risk group is expressed by linear discriminant analysis (variable based on the AIC minimum criterion). We searched by the coverage method.
  • index formula 11 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between the healthy group and the female genital cancer risk group is a logistic regression analysis (variable based on AIC minimum criteria). We searched by the coverage method.
  • index formula 12 (see FIG. 26) is obtained among the index formulas having equivalent performance.
  • each coefficient in the formulas shown in the index formula 10, the index formula 11, and the index formula 12 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it.
  • the 2-group discrimination between the cancer patient group and the non-cancer group was evaluated by the ROC curve.
  • diagnostic performance as shown in FIG. 26 was obtained, and it was found that these visual index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • the ROC curve As a result, diagnostic performance as shown in FIG. 26 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • the 2-group discrimination between the cancer patient group and the benign disease group was evaluated by the ROC curve.
  • diagnostic performance as shown in FIG. 26 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • the two-group discrimination between healthy group and female genital cancer risk group is evaluated by ROC curve It was.
  • diagnostic performance as shown in FIG. 26 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • index formulas 1 to 12 For each of the index formulas 1 to 12, as shown in order from FIG. 27 to FIG. 42, a plurality of index formulas having equivalent discrimination performance were obtained.
  • the values of the coefficients in the equations shown in FIG. 27 to FIG. 42 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / subtracting an arbitrary real constant thereto.
  • Example 1 the data of the cervical cancer group, the endometrial cancer group, and the non-cancer group were used.
  • an index that maximizes the ability to discriminate between cervical cancer group and uterine cancer group and non-cancer group is an international application filed by the present applicant.
  • An eager search was performed using the method described in International Publication No. 2004/052191.
  • index formula 13 is obtained among the index formulas having equivalent performance.
  • linear discriminant analysis is used as an index for maximizing 2-group discrimination performance between cervical cancer group and endometrial cancer group and non-cancer group.
  • the search was performed by the variable coverage method based on the minimum criterion.
  • index formula 14 is obtained among the index formulas having equivalent performance.
  • an index that maximizes the two-group discrimination performance of the cervical cancer group and the uterine cancer group and the non-cancer group is a logistic regression analysis (AIC).
  • index formula 15 (see FIG. 43) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 13, the index formula 14, and the index formula 15 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • an index that maximizes the discrimination performance between cervical cancer group and uterine body cancer group and healthy group is an international application by the present applicant.
  • the eager search was carried out using the method described in International Publication No. 2004/052191.
  • index formula 16 is obtained among the index formulas having equivalent performance.
  • an index that maximizes the two-group discrimination performance between the cervical cancer group and the endometrial cancer group and the healthy group is linear discriminant analysis (AIC minimum).
  • AIC minimum linear discriminant analysis
  • index formula 17 (see FIG. 43) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the discrimination performance between cervical cancer group and uterine body cancer group and healthy group is logistic regression analysis (AIC minimum)
  • the search was carried out by the variable coverage method based on criteria.
  • index formula 18 (see FIG. 43) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 16, the index formula 17, and the index formula 18 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it. .
  • an index that maximizes the ability to discriminate between cervical cancer group and endometrial cancer group and benign disease group is an international application filed by the present applicant.
  • An eager search was performed using the method described in International Publication No. 2004/052191.
  • index formula 19 is obtained among the index formulas having equivalent performance.
  • linear discriminant analysis AIC is used as an index for maximizing 2-group discrimination performance between cervical cancer group and endometrial cancer group and benign disease group. The search was performed by the variable coverage method based on the minimum criterion.
  • index formula 20 (see FIG. 43) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the two-group discrimination performance of the cervical cancer group and the endometrial cancer group and the benign disease group is a logistic regression analysis (AIC). The search was performed by the variable coverage method based on the minimum criterion. As a result, index formula 21 (see FIG. 43) is obtained among the index formulas having equivalent performance.
  • each coefficient in the formulas shown in the index formula 19, the index formula 20, and the index formula 21 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it.
  • the two-group discrimination between the cervical cancer group and the uterine body cancer group and the non-cancer group is evaluated by the ROC curve. It was. As a result, diagnostic performance as shown in FIG. 43 was obtained, and it was found that these index formulas are useful with high diagnostic performance. Further, as shown in FIG. 43, the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate for the data used were obtained for these index formulas.
  • the ROC curve was evaluated for the 2-group discrimination between the cervical cancer group and the uterine body cancer group and the healthy group. .
  • diagnostic performance as shown in FIG. 43 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate for the data used were obtained for these index formulas.
  • index formulas 19 to 21 In order to verify the diagnostic performance of index formulas 19 to 21 in distinguishing between cervical cancer group and uterine body cancer group, two-group discrimination between cervical cancer group and uterine body cancer group and benign disease group is evaluated by ROC curve. It was. As a result, diagnostic performance as shown in FIG. 43 was obtained, and it was found that these index formulas are useful with high diagnostic performance. Further, as shown in FIG. 43, the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate for the data used were obtained for these index formulas.
  • a plurality of index formulas having equivalent discrimination performance were obtained as shown in order in FIGS. 44 to 55.
  • the values of the coefficients in the equations shown in FIGS. 44 to 55 may be values obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto.
  • Example 1 data of the cervical cancer group and the non-cancer group were used.
  • an index that maximizes the two-group discrimination performance between the cervical cancer group and the non-cancer group is an international application filed by the present applicant. / 052191 was eagerly searched using the method described in US Pat. As a result, index formula 22 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between cervical cancer group and non-cancer group is linear discriminant analysis (variable coverage by AIC minimum criteria).
  • index formula 23 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • index formula 24 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 22, the index formula 23, and the index formula 24 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • index formula 25 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • index formula 26 (see FIG. 26).
  • index formula 27 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • index formula 27 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 25, the index formula 26, and the index formula 27 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • an index that maximizes the two-group discrimination performance of the cervical cancer group and the benign disease group is an international application filed by the present applicant. / 052191 was eagerly searched using the method described in US Pat. As a result, index formula 28 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the discrimination performance of cervical cancer group and benign disease group is a linear discriminant analysis (variable coverage by AIC minimum criteria). Search). As a result, index formula 29 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • index formula 30 (see FIG. 56) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 28, the index formula 29, and the index formula 30 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • the 2-group discrimination between the cervical cancer group and the non-cancer group was evaluated by the ROC curve.
  • diagnostic performance as shown in FIG. 56 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • the 2-group discrimination between the cervical cancer group and the healthy group was evaluated by the ROC curve.
  • diagnostic performance as shown in FIG. 56 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • the 2-group discrimination between the cervical cancer group and the benign disease group was evaluated by the ROC curve.
  • diagnostic performance as shown in FIG. 56 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cutoff value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • index formulas 22 to 30 For each of the index formulas 22 to 30, a plurality of index formulas having equivalent discrimination performance were obtained as shown in order in FIGS. It should be noted that the values of the coefficients in the equations shown in FIGS. 57 to 68 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto.
  • Example 1 Among the sample data used in Example 1, data of the endometrial cancer group and the non-cancer group were used. Regarding the discrimination between the cervical cancer group, the endometrial cancer group, and the ovarian cancer group, an index for maximizing the two-group discrimination performance between the endometrial cancer group and the non-cancer group is disclosed in International Publication No. WO 2004/2004. / 052191 was eagerly searched using the method described in US Pat. As a result, index formula 31 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between endometrial cancer group and non-cancer group is linear discriminant analysis (variable coverage by AIC minimum criteria). Search).
  • index formula 32 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between endometrial cancer group and non-cancer group is logistic regression analysis (variable coverage by AIC minimum criteria) Search).
  • index formula 33 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • each coefficient in the formulas shown in the index formula 31, the index formula 32, and the index formula 33 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it.
  • index formula 34 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • index formula 35 (see FIG. 69) is expressed by linear discriminant analysis (variable coverage method based on AIC minimum criteria). ).
  • index formula 35 (see FIG. 69).
  • index formula 36 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • index formula 36 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 34, the index formula 35, and the index formula 36 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • index formula 37 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • index formula 38 (see FIG. 69) is a linear discriminant analysis (variable coverage by AIC minimum criteria). Search).
  • index formula 38 (see FIG.
  • index formula 39 (see FIG. 69) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 37, the index formula 38, and the index formula 39 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it. .
  • index formulas 31 to 33 In order to verify the diagnostic performance of index formulas 31 to 33 in the discrimination of endometrial cancer groups, the two-group discrimination between endometrial cancer group and non-cancer group was evaluated by ROC curve. As a result, diagnostic performance as shown in FIG. 69 was obtained, and it was found that these index formulas are useful with high diagnostic performance. In addition, as shown in FIG. 69, for these index formulas, the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • the ROC curve was evaluated for the 2-group discrimination between the endometrial cancer group and the healthy group.
  • diagnostic performance as shown in FIG. 69 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • the 2-group discrimination between endometrial cancer group and benign disease group was evaluated by ROC curve.
  • diagnostic performance as shown in FIG. 69 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the used data were obtained.
  • index formulas 31 to 39 For each of the index formulas 31 to 39, a plurality of index formulas having equivalent discrimination performance were obtained as shown in order in FIGS. It should be noted that the values of the coefficients in the equations shown in FIGS. 70 to 81 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / subtracting an arbitrary real constant thereto.
  • Example 1 the data of the ovarian cancer group and the non-cancer group were used.
  • an index that maximizes the two-group discrimination performance of the ovarian cancer group and the non-cancer group is shown in International Publication No.
  • An eager search was performed using the method described in No. 052191.
  • index formula 40 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the 2-group discrimination performance between the ovarian cancer group and the non-cancer group is a linear discriminant analysis (variable coverage method based on AIC minimum criteria). ).
  • index formula 41 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the two-group discrimination performance of ovarian cancer group and non-cancer group is a logistic regression analysis (variable coverage method based on AIC minimum criteria). ).
  • index formula 42 see FIG.
  • the value of each coefficient in the formulas shown in the index formula 40, the index formula 41, and the index formula 42 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • an index that maximizes the two-group discrimination performance between the ovarian cancer group and the healthy group is disclosed in International Publication No. 2004/052191, which is an international application by the present applicant. The method described in issue No. 1 was eagerly searched. As a result, index formula 43 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the performance of 2-group discrimination between ovarian cancer group and healthy group is linear discriminant analysis (variable coverage method based on AIC minimum criteria). Searched by.
  • index formula 44 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the discrimination performance between the ovarian cancer group and the healthy group is a logistic regression analysis (variable coverage method based on AIC minimum criteria). Searched by.
  • index formula 45 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • each coefficient in the formulas shown in the index formula 43, the index formula 44, and the index formula 45 may be obtained by multiplying it by a real number
  • the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it.
  • index formula 46 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • index formula 47 (see FIG. 82) is a linear discriminant analysis (variable coverage method based on AIC minimum criteria). ).
  • index formula 47 (see FIG. 82
  • index formula 48 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • index formula 48 (see FIG. 82) is obtained among the index formulas having equivalent performance.
  • the value of each coefficient in the formulas shown in the index formula 46, the index formula 47, and the index formula 48 may be obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / dividing any real constant to it. .
  • the ROC curve was evaluated for the 2-group discrimination between the ovarian cancer group and the non-cancer group.
  • diagnostic performance as shown in FIG. 82 was obtained, and it was found that these index formulas are useful with high diagnostic performance.
  • the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • index formulas 43 to 45 In order to verify the diagnostic performance of the index formulas 43 to 45 in the discrimination of the ovarian cancer group, two-group discrimination between the ovarian cancer group and the healthy group was evaluated by the ROC curve. As a result, diagnostic performance as shown in FIG. 82 was obtained, and it was found that these index formulas are useful with high diagnostic performance. Further, as shown in FIG. 82, the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • index formulas 46 to 48 In order to verify the diagnostic performance of the index formulas 46 to 48 in the discrimination of the ovarian cancer group, two-group discrimination between the ovarian cancer group and the benign disease group was evaluated by the ROC curve. As a result, diagnostic performance as shown in FIG. 82 was obtained, and it was found that these index formulas are useful with high diagnostic performance. Further, as shown in FIG. 82, the optimum cut-off value, sensitivity, specificity, positive predictive value, negative predictive value, and correct answer rate in the data used were obtained for these index formulas.
  • index formulas 40 to 48 For each of the index formulas 40 to 48, as shown in order in FIGS. 83 to 94, a plurality of index formulas having equivalent discrimination performance were obtained. Note that the values of the coefficients in the equations shown in FIGS. 83 to 94 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / subtracting an arbitrary real constant thereto.
  • Example 1 The sample data used in Example 1 was used.
  • An international application filed by the present applicant for an index that maximizes the Spearman rank correlation coefficient among the three groups of cancer patient group, benign disease group, and healthy group for discrimination between cervical cancer group, endometrial cancer group, and ovarian cancer group The method described in International Publication No. 2004/052191, which was a diligent search.
  • index formula 49 (see FIG. 95) is obtained among the index formulas having equivalent performance.
  • an index that maximizes the Spearman correlation coefficient among the three groups of the cancer patient group, the benign disease group, and the healthy group is a multiple regression analysis (AIC).
  • index formula 50 (see FIG. 95) is obtained among the index formulas having equivalent performance. It should be noted that the values of the coefficients in the formulas shown in the index formula 49 and the index formula 50 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto.
  • index formulas 49 and 50 For each of the index formulas 49 and 50, a plurality of index formulas having equivalent discrimination performance were obtained as shown in order in FIGS. 96 to 99.
  • the values of the coefficients in the equations shown in FIGS. 96 to 99 may be obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto.
  • Example 1 data of the cervical cancer group, the endometrial cancer group, and the ovarian cancer group were used.
  • an index that maximizes the discrimination performance of cervical cancer group, uterine body cancer group, and ovarian cancer group is the Mahalanobis distance by stepwise variable selection method.
  • Cit, Met, Lys, Asn, Ala, Thr, Gln, and a-ABA were obtained as variable group 1.
  • the diagnostic performance of cervical cancer group, endometrial cancer group, and ovarian cancer group by variable group 1 was evaluated by the correct answer rate of the discrimination results.
  • the correct answer rate for cervical cancer is 90.0%
  • the correct answer rate for endometrial cancer is 90.2%
  • the correct answer rate for ovarian cancer is 81.0%
  • the overall correct answer rate is
  • the discriminant performance was as high as 87.1%.
  • variable group 1 As shown in FIGS. 101 to 103, a plurality of combinations of amino acid variable groups having a discrimination performance equivalent to that of variable group 1 was obtained.
  • the index that maximizes the discrimination performance of cervical cancer group, uterine body cancer group, and ovarian cancer group is a linear discrimination by stepwise variable selection method. Searched by analysis. As a result, a discriminant group consisting of amino acid variables Asn, Pro, Cit, ABA, Val, Ile, Tyr, Phe, Trp, Orn, Lys, and a constant term (see FIG. 104) was obtained as index formula group 1.
  • the value of each coefficient in the index formula group 1 may be a value obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying / subtracting an arbitrary real constant thereto.
  • the diagnostic performance of the cervical cancer group, endometrial cancer group, and ovarian cancer group by the index formula group 1 was evaluated by the correct answer rate of the discrimination results.
  • the correct answer rate for cervical cancer is 55.0%
  • the correct answer rate for endometrial cancer is 58.5%
  • the correct answer rate for ovarian cancer is 81.0%
  • the overall correct answer rate is
  • the discrimination performance was as high as 63.4%.
  • Example 1 The sample data used in Example 1 was used.
  • Example 2 As a comparative example with respect to Example 2 described above, regarding the discrimination between the cervical cancer group, the endometrial cancer group, and the ovarian cancer group, the cancer patient group and the non-cancer group, the healthy group and the benign disease group, the cancer patient group and the healthy group, benign Two groups discrimination performance of disease group and cancer patient group, female genital cancer morbidity risk group and healthy group, index formula 1,10,11, described in International Publication No. 2006/098192 which is an international application by the present applicant 13 was verified. As a result, as shown in FIG. 108, the value of ROC_AUC exceeding the ROC_AUC obtained in Example 2 described above was not obtained by using any formula for each two-group discrimination.
  • the multivariate discriminant in the present invention is more suitable for the cervical cancer group, the endometrial cancer group, and the ovarian cancer group than the index formula group described in International Publication No. 2006/098192 which is an international application by the present applicant. It was confirmed that the discrimination performance is high.
  • Blood samples from cervical cancer, uterine cancer, ovarian cancer patients with a confirmed diagnosis of cervical cancer, uterine cancer, ovarian cancer, and blood from non-cervical cancer, non-uterine cancer, non-ovarian cancer group From the sample, the blood amino acid concentration was measured by the amino acid analysis described above.
  • the unit of amino acid concentration is nmol / ml.
  • the patient group of cervical cancer, endometrial cancer, and ovarian cancer is collectively referred to as a cancer patient group, and non-cervical cancer, non-uterine body cancer, non-ovary.
  • a cancer group may be referred to as a non-cancer group.
  • patient groups of cervical cancer and endometrial cancer may be collectively referred to as uterine cancer patient groups.
  • a group suffering from a benign disease such as uterine fibroids may be referred to as a benign disease group, and other groups may be referred to as healthy groups.
  • a group of benign disease group and cancer patient group may be referred to as a female genital cancer risk group.
  • FIG. 109 shows a box plot for the distribution of amino acid variables in the cancer patient group and the non-cancer group.
  • the horizontal axis represents a non-cancer group (Control) and a cancer patient group (Cancer), and ABA and Cys in the figure represent ⁇ -ABA ( ⁇ -aminobutyric acid) and Cystine, respectively.
  • FIG. 110 shows a box plot of the distribution of amino acid variables in the uterine cancer patient group and the non-uterine cancer group.
  • the horizontal axis represents a non-uterine cancer group (Control) and a uterine cancer patient group (Cancer), and ABA and Cys in the figure represent ⁇ -ABA ( ⁇ -aminobutyric acid) and Cystine, respectively.
  • FIG. 111 shows a box plot relating to the distribution of amino acid variables in the endometrial cancer patient group and the non-endometrial cancer group.
  • the horizontal axis represents the non-uterine body cancer group (Control) and the endometrial cancer patient group (Cancer), and ABA and Cys in FIG. To express.
  • FIG. 112 shows a box plot of the distribution of amino acid variables in the cervical cancer patient group and the non-cervical cancer group.
  • the horizontal axis represents a non-cervical cancer group (Control) and a cervical cancer patient group (Cancer), and ABA and Cys in FIG. To express.
  • FIG. 113 shows a box plot of the distribution of amino acid variables in the ovarian cancer patient group and the non-ovarian cancer group.
  • the horizontal axis represents a non-ovarian cancer group (Control) and an ovarian cancer patient group (Cancer), and ABA and Cys in the figure represent ⁇ -ABA ( ⁇ -aminobutyric acid) and Cystine, respectively.
  • the discrimination performance of each amino acid variable in the 2-group discrimination between the ovarian cancer patient group and the non-ovarian cancer group was evaluated by the AUC of the ROC curve.
  • AUC was greater than 0.65 for amino acid variables His, Trp, Asn, Val, Leu, Met, Thr, Ala, Tyr, Lys, and Arg. This revealed that the amino acid variables His, Trp, Asn, Val, Leu, Met, Thr, Ala, Tyr, Lys, Arg have discriminating ability between the ovarian cancer patient group and the non-ovarian cancer group. .
  • FIG. 114 shows a box plot of the distribution of amino acid variables in the female genital cancer risk group and the healthy group.
  • the horizontal axis represents a healthy group (Control) and a female genital cancer risk group (Risk), and ABA and Cys in the figure represent ⁇ -ABA ( ⁇ -aminobutyric acid) and Cysine, respectively.
  • Example 11 The sample data used in Example 11 was used.
  • An index that maximizes the two-group discrimination performance between the cancer patient group and the non-cancer group was searched by logistic analysis (variable coverage method based on the area maximization criterion under the ROC curve).
  • logistic analysis variable coverage method based on the area maximization criterion under the ROC curve.
  • an index formula 51 a logistic regression equation composed of His, Leu, Met, Cit, Ile, Tyr (number coefficients and constant terms of amino acid variables His, Leu, Met, Cit, Ile, Tyr are in order: 0.10000, -0.04378, -0.17879, 0.03911, 0.07852, 0.03566, 5.86036).
  • the discrimination performance of the index formula 51 in the 2-group discrimination between the cancer patient group and the non-cancer group was evaluated by the AUC of the ROC curve (see FIG. 115). As a result, 0.898 ⁇ 0.017 (95% confidence interval is 0.865 to 0.932) was obtained. Thereby, it was found that the index formula 51 is a useful index with high diagnostic performance. Further, regarding the cutoff value in the two-group discrimination between the cancer patient group and the non-cancer group based on the index formula 51, when the optimum cutoff value is obtained with respect to the average value of sensitivity and specificity, the cutoff value is ⁇ 1.021. A sensitivity of 85.83% and a specificity of 82.74% were obtained.
  • the index formula 51 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to that of the index formula 51 was obtained. They are shown in FIGS. 116, 117, 118, and 119. 116, FIG. 117, FIG. 118, and FIG. 119, the value of each coefficient may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding / subtracting / dividing any real constant to it. .
  • Example 11 The sample data used in Example 11 was used.
  • An index that maximizes the 2-group discrimination performance between the cancer patient group and the non-cancer group was searched by linear discriminant analysis (variable coverage method based on the area maximization criterion under the ROC curve).
  • a linear discriminant composed of His, Leu, Met, Cit, Ile, Tyr (the number coefficient and constant term of the amino acid variables His, Leu, Met, Cit, Ile, Tyr are in order ⁇ 0.09793, -0.04270, -0.17595, 0.05477, 0.07512, 0.03331, 6.27211).
  • the discrimination performance of the index formula 52 in the 2-group discrimination between the cancer patient group and the non-cancer group was evaluated by the AUC of the ROC curve (see FIG. 120). As a result, 0.899 ⁇ 0.017 (95% confidence interval is 0.866 to 0.932) was obtained. Thereby, it was found that the index formula 52 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the cancer patient group and the non-cancer group based on the index formula 52, the cut-off value becomes ⁇ 0.08697 when the optimum cut-off value is obtained for the average value of sensitivity and specificity. A sensitivity of 85.04% and a specificity of 93.71% were obtained.
  • the index formula 52 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 52 was obtained. They are shown in FIGS. 121, 122, 123 and 124. 121, 122, 123, and 124, the value of each coefficient may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding or subtracting an arbitrary real constant to it. .
  • Example 11 The sample data used in Example 11 was used. All linear discriminants for discriminating between two groups of the cancer patient group and the non-cancer group were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of occurrence of each amino acid in an expression having an area under the ROC curve equal to or greater than a certain threshold, Asn, Pro, Met, Ile, Leu, His, Trp, Orn has an area under the ROC curve of 0.7. , 0.75, 0.8, and 0.85, respectively, were confirmed to be always within the top 10 of amino acids extracted with high frequency (see FIG. 125). As a result, it was found that a multivariate discriminant using these amino acids as variables has a discriminating ability between the cancer patient group and the non-cancer group.
  • Example 11 The sample data used in Example 11 was used.
  • the index formula 53 a logistic regression equation composed of His, Leu, Met, Cit, Ile, Tyr (the number coefficient and constant term of the amino acid variables His, Leu, Met, Cit, Ile, Tyr are in order ⁇ 0.09298, -0.04434, -0.17139, 0.5732, 0.07267, 0.03790, 4.67230).
  • the discrimination performance of the index formula 53 in the 2-group discrimination between the uterine cancer patient group and the non-uterine cancer group was evaluated by the AUC of the ROC curve (see FIG. 126). As a result, 0.893 ⁇ 0.019 (95% confidence interval is 0.856 to 0.930) was obtained. Thereby, it was found that the index formula 53 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the uterine cancer patient group and the non-uterine cancer group based on the index formula 53, the optimum cut-off value for the average value of sensitivity and specificity is obtained. As a result, a sensitivity of 87.10% and a specificity of 82.74% were obtained.
  • the index formula 53 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to that of the index formula 53 was obtained. They are shown in FIGS. 127, 128, 129 and 130.
  • the value of each coefficient in the formulas shown in FIGS. 127, 128, 129, and 130 may be a real number multiplied by it, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant to it. .
  • Example 11 The sample data used in Example 11 was used. An index that maximizes the two-group discrimination performance between the uterine cancer patient group and the non-uterine cancer group was searched by linear discriminant analysis (variable coverage method based on the area maximization criterion under the ROC curve). As a result, as the index formula 54, a linear discriminant composed of His, Leu, Met, Cit, Ile, Tyr (the number coefficient and constant term of the amino acid variables His, Leu, Met, Cit, Ile, Tyr are in order ⁇ 0.09001, -0.04336, -0.17394, 0.07537, 0.06825, 0.03673, 5.35827).
  • the discrimination performance of the index formula 54 in the 2-group discrimination between the uterine cancer patient group and the non-uterine cancer group was evaluated by the AUC of the ROC curve (see FIG. 131). As a result, 0.898 ⁇ 0.017 (95% confidence interval is 0.865 to 0.932) was obtained. As a result, it was found that the index formula 54 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the uterine cancer patient group and the non-uterine cancer group based on the index formula 54, when the optimum cut-off value is obtained for the average value of sensitivity and specificity, the cut-off value is -1.
  • the index formula 54 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 54 was obtained. They are shown in FIG. 132, FIG. 133, FIG. 134 and FIG. 132, 133, 134, and 135, the value of each coefficient may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding or subtracting an arbitrary real constant to it. .
  • Example 11 The sample data used in Example 11 was used. All linear discriminants for performing 2-group discrimination between uterine cancer patient groups and non-uterine cancer groups were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of appearance of each amino acid in an expression where the area under the ROC curve is equal to or greater than a certain threshold, Pro, Met, Ile, His, Orn are 0.7, 0.75, 0 under the ROC curve. It was confirmed that when the threshold values were set to .8 and 0.85, they were always within the top 10 of the amino acids extracted with high frequency (see FIG. 136). As a result, it was found that the multivariate discriminant using these amino acids as variables has discriminating ability between the two groups of the uterine cancer group and the non-uterine cancer group.
  • Example 11 The sample data used in Example 11 was used.
  • the index formula 55 a logistic regression equation composed of His, Asn, Val, Pro, Cit, and Ile (the number coefficient and constant term of the amino acid variables His, Asn, Val, Pro, Cit, and Ile are in order ⁇ 0.10149, -0.07968, -0.01336, 0.01018, 0.07129, 0.04046, 4.92397).
  • the discrimination performance of the index formula 55 in the 2-group discrimination between the endometrial cancer patient group and the non-endometrial cancer group was evaluated by the AUC of the ROC curve (see FIG. 137). As a result, 0.8988 ⁇ 0.020 (95% confidence interval is 0.859 to 0.938) was obtained. As a result, it was found that the index formula 55 is a useful index with high diagnostic performance.
  • the cut-off value in the two-group discrimination between the endometrial cancer patient group and the non-endometrial cancer group based on the index formula 55 when the optimum cut-off value is obtained for the average sensitivity and specificity, the cut-off value is ⁇ As a result, the sensitivity was 88.52% and the specificity was 83.06. As a result, it was found that the index formula 55 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to the index formula 55 was obtained. They are shown in FIGS. 138, 139, 140 and 141.
  • the values of the coefficients in the equations shown in FIGS. 138, 139, 140, and 141 may be values obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding, subtracting, or multiplying any real constant. .
  • Example 11 The sample data used in Example 11 was used.
  • An index for maximizing the two-group discrimination performance between the endometrial cancer patient group and the non-endometrial cancer group was searched by linear discriminant analysis (variable coverage method based on the area maximization criteria under the ROC curve).
  • a linear discriminant composed of His, Asn, Val, Pro, Cit, and Ile (the number coefficient and the constant term of the amino acid variables His, Asn, Val, Pro, Cit, and Ile are in order ⁇ 0.10159, -0.08532, -0.01190, 0.01489, 0.09591, 0.03032, 5.61323).
  • the index formula 56 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 56 were obtained. They are shown in FIGS. 143, 144, 145 and 146. 143, 144, 145 and 146 may be obtained by multiplying each coefficient by a real number, and the value of the constant term may be obtained by adding / subtracting / dividing any real constant to it. .
  • Example 11 The sample data used in Example 11 was used. All linear discriminants for performing 2-group discrimination between the endometrial cancer patient group and the non-endometrial cancer group were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of appearance of each amino acid in an expression where the area under the ROC curve is equal to or greater than a certain threshold, Asn, Pro, Cit, Val, Ile, His, and Trp have an area under the ROC curve of 0.7, 0.
  • Example 11 The sample data used in Example 11 was used.
  • the index formula 57 a logistic regression formula composed of His, Leu, Met, Ile, Tyr, Lys (the number coefficient and constant term of the amino acid variables Orn, Gln, Trp, Cit are ⁇ 0.08512, -0.07076, -0.23776, 0.07109, 0.04448, 0.01621, 5.37165).
  • the discrimination performance of the index formula 57 in the 2-group discrimination between the cervical cancer patient group and the non-cervical cancer group was evaluated by the AUC of the ROC curve (see FIG. 148). As a result, 0.919 ⁇ 0.020 (95% confidence interval 0.879 to 0.959) was obtained. Thereby, it was found that the index formula 57 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the cervical cancer patient group and the non-cervical cancer group based on the index formula 57, when the optimum cut-off value is obtained for the average value of sensitivity and specificity, the cut-off value is ⁇ As a result, the sensitivity was 81.11% and the specificity was 85.87%.
  • the index formula 57 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to that of the index formula 57 was obtained. They are shown in FIGS. 149, 150, 151 and 152.
  • the values of the coefficients in the equations shown in FIGS. 149, 150, 151, and 152 may be values obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto. .
  • Example 11 The sample data used in Example 11 was used.
  • a linear discriminant composed of His, Leu, Met, Ile, Tyr, Lys (the number coefficient and constant term of the amino acid variables His, Leu, Met, Ile, Tyr, Lys are in order ⁇ 0.09598, -0.08891, -0.25487, 0.09919, 0.04440, 0.02223, 7.68576).
  • the discrimination performance of the index formula 58 in the 2-group discrimination between the cervical cancer patient group and the non-cervical cancer group was evaluated by the AUC of the ROC curve (see FIG. 153). As a result, 0.921 ⁇ 0.019 (95% confidence interval 0.883 to 0.959) was obtained. Thereby, it was found that the index formula 58 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the cervical cancer patient group and the non-cervical cancer group by the index formula 58, when the optimum cut-off value is obtained with respect to the average value of sensitivity and specificity, the cut-off value is ⁇ As a result, the sensitivity was 90.63% and the specificity was 83.39%.
  • the index formula 58 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 58 was obtained. They are shown in FIGS. 154, 155, 156 and 157. 154, 155, 156, and 157, the value of each coefficient may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding / subtracting / multiplying any real constant to it. .
  • Example 11 The sample data used in Example 11 was used. All linear discriminants for performing 2-group discrimination between the cervical cancer patient group and the non-cervical cancer group were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of occurrence of each amino acid in an expression having an area under the ROC curve equal to or greater than a certain threshold value, Val, Met, Leu, Phe, His, Orn are areas under the ROC curve of 0.7, 0.75. , 0.8, and 0.85, respectively, were confirmed to be always within the top 10 of amino acids extracted with high frequency (see FIG. 158). As a result, it was found that the multivariate discriminant using these amino acids as variables has discriminating ability between the two groups of the cervical cancer group and the non-cervical cancer group.
  • Example 11 The sample data used in Example 11 was used.
  • logistic analysis variable coverage method based on the area maximization criteria under the ROC curve.
  • an index formula 59 a logistic regression equation composed of His, Trp, Glu, CIt, Ile, Orn (number coefficient and constant terms of amino acid variables His, Trp, Glu, CIt, Ile, Orn are in order- 0.13767-0.11457-0.04031-0.15449, 0.08765, 0.04631, 10.70464).
  • the discrimination performance of the index formula 59 in the 2-group discrimination between the ovarian cancer patient group and the non-ovarian cancer group was evaluated by the AUC of the ROC curve (see FIG. 159). As a result, 0.950 ⁇ 0.016 (95% confidence interval is 0.917 to 0.982) was obtained. Thereby, it was found that the index formula 59 is a useful index with high diagnostic performance. Further, regarding the cut-off value in the two-group discrimination between the ovarian cancer patient group and the non-ovarian cancer group based on the index formula 59, the cut-off value is ⁇ 1.909 when the optimum cut-off value is obtained for the average value of sensitivity and specificity.
  • the index formula 59 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to the index formula 59 was obtained. They are shown in FIGS. 160, 161, 162, and 163.
  • FIG. 160, FIG. 161, FIG. 162, and FIG. 163, the value of each coefficient in the equations may be a real number multiple thereof, and the value of the constant term may be obtained by adding / subtracting / dividing any real constant to it. .
  • Example 11 The sample data used in Example 11 was used.
  • a linear discriminant composed of His, Trp, Glu, Cit, Ile, Orn (number coefficients and constant terms of the amino acid variables His, Trp, Glu, Cit, Ile, Orn are in order- 0.13983, ⁇ 0.11341, ⁇ 0.04572 ⁇ 0.10368, 0.12160, 0.05459, and 9.79881).
  • the discrimination performance of the index formula 60 in the 2-group discrimination between the ovarian cancer patient group and the non-ovarian cancer group was evaluated by the AUC of the ROC curve (see FIG. 164). As a result, 0.951 ⁇ 0.014 (95% confidence interval is 0.924 to 0.979) was obtained. Thereby, it was found that the index formula 60 is a useful index with high diagnostic performance.
  • the cut-off value in the two-group discrimination between the ovarian cancer patient group and the non-ovarian cancer group based on the index formula 60 when the optimum cut-off value is obtained for the average value of sensitivity and specificity, the cut-off value is 0.09512.
  • the index formula 60 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 60 were obtained. They are shown in FIGS. 165, 166, 167 and 168. 165, 166, 167, and 168, the value of each coefficient may be obtained by multiplying it by a real number, and the value of the constant term may be obtained by adding / subtracting / multiplying an arbitrary real constant to it. .
  • Example 11 The sample data used in Example 11 was used. All linear discriminants for discriminating between two groups of ovarian cancer patient groups and non-ovarian cancer groups were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of appearance of each amino acid in an expression of a certain threshold value or more in the area under the ROC curve, Asn, Met, Ile, Leu, His, Trp, Orn has an area under the ROC curve of 0.75, 0. It was confirmed that when the threshold values were 0.8, 0.85, and 0.9, they were always within the top 10 of the amino acids extracted with high frequency (see FIG. 169). As a result, it was found that a multivariate discriminant using these amino acids as variables has discriminating ability between the ovarian cancer group and the non-ovarian cancer group.
  • Example 11 The sample data used in Example 11 was used. An index that maximizes the 2-group discrimination performance between the female genital cancer risk group and the healthy group was searched by logistic analysis (variable coverage method based on the area maximization area under the ROC curve). As a result, a logistic regression equation composed of Phe, His, Met, Pro, Lys, and Arg as index formula 61 (number coefficients and constant terms of amino acid variables Phe, His, Met, Pro, Lys, and Arg are sequentially ⁇ 0.06095, -0.11827, -0.14776, 0.01459, 0.03299, -0.03875, 10.40250).
  • the discrimination performance of the index formula 61 in the 2-group discrimination between the female genital cancer risk group and the healthy group was evaluated by the AUC of the ROC curve (see FIG. 170). As a result, 0.903 ⁇ 0.014 (95% confidence interval is 0.876 to 0.930) was obtained. As a result, it was found that the index formula 61 is a useful index with high diagnostic performance.
  • the cut-off value in the two-group discrimination between the female genital cancer morbidity risk group and the healthy group according to the index formula 61 the cut-off value is ⁇ 0. As a result, the sensitivity was 89.14% and the specificity was 76.53%.
  • the index formula 61 is a useful index with high diagnostic performance.
  • a plurality of logistic regression equations having a discrimination performance equivalent to that of the index formula 61 were obtained. They are shown in FIGS. 171, 172, 173 and 174.
  • the values of the coefficients in the equations shown in FIGS. 171, 172, 173, and 174 may be obtained by multiplying them by a real number, and the value of the constant term may be obtained by adding / subtracting / dividing any real constant to it. .
  • Example 11 The sample data used in Example 11 was used.
  • An index that maximizes the 2-group discrimination performance between the female genital cancer risk group and the healthy group was searched by linear discriminant analysis (variable coverage method based on the area maximization criteria under the ROC curve).
  • a linear discriminant composed of Phe, His, Met, Pro, Lys, and Arg (the number coefficient and the constant term of the amino acid variables Phe, His, Met, Pro, Lys, and Arg are sequentially ⁇ 0.05213, -0.1093, -0.14686, 0.01480, 0.03207, -0.03318, 8.84450).
  • the discrimination performance of the index formula 62 in the 2-group discrimination between the female genital cancer disease risk group and the healthy group was evaluated by the AUC of the ROC curve (see FIG. 175). As a result, 0.903 ⁇ 0.014 (95% confidence interval is 0.876 to 0.930) was obtained. Thereby, it was found that the index formula 62 is a useful index with high diagnostic performance.
  • the cut-off value in the two-group discrimination between the female genital cancer morbidity risk group and the healthy group based on the index formula 62 the cut-off value is ⁇ 0. As a result, the sensitivity was 88.69% and the specificity was 77.93%.
  • the index formula 62 is a useful index with high diagnostic performance.
  • a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 62 were obtained. They are shown in FIGS. 176, 177, 178 and 179.
  • the values of the coefficients in the equations shown in FIGS. 176, 177, 178, and 179 may be obtained by multiplying them by a real number, and the value of the constant term may be obtained by adding / subtracting / multiplying an arbitrary real constant thereto. .
  • Example 11 The sample data used in Example 11 was used. All the linear discriminants that discriminate between the two groups of the female genital cancer risk group and the healthy group were extracted by the variable coverage method. At this time, the maximum value of the amino acid variable appearing in each formula was set to 6, and the area under the ROC curve of all formulas satisfying this condition was calculated. At this time, as a result of measuring the frequency of appearance of each amino acid in an expression where the area under the ROC curve is equal to or greater than a certain threshold, Pro, Met, Phe, His, Trp, and Arg are areas under the ROC curve of 0.7, 0.75. , 0.8, and 0.85 as threshold values, respectively, it was confirmed that they were always within the top 10 of amino acids extracted with high frequency (see FIG. 180). As a result, it was found that a multivariate discriminant using these amino acids as variables has a discriminating ability between two groups, the female genital cancer risk group and the healthy group.
  • Example 11 The sample data used in Example 11 was used. An index that maximizes the three-group discrimination performance of a cancer patient group, a benign disease group, and a healthy group was searched by linear discriminant analysis (variable coverage method based on Spearman rank correlation coefficient maximization criterion). As a result, the linear discriminant (amino acid variables His, Trp, Met, Pro, Ile composed of the index formula 63 “His, Trp, Met, Pro, Ile, Lys” is included among the plurality of index formulas having equivalent performance. , Lys number coefficient and constant term were -0.02749, -0.01483, -0.04099, 0.00232, 0.01338, 0.00419) "in this order.
  • index formula 63 The discrimination performance of index formula 63 in the discrimination of 3 groups of cancer patient group, benign disease group and healthy group was evaluated by Spearman rank correlation coefficient. As a result, 0.728 was obtained. Thereby, it was found that the index formula 63 is a useful index with high diagnostic performance. Further, the discrimination performance of the index formula 63 in the 2-group discrimination of each of the cancer patient group and the healthy group, the cancer patient group and the benign disease group, and the benign disease group and the healthy group was evaluated by the AUC of the ROC curve. As a result, 0.943, 0.757, and 0.841 were obtained for each two-group discrimination. Thereby, it was found that the index formula 63 is a useful index with high diagnostic performance.
  • FIGS. 181 and 182 a plurality of linear discriminants having a discrimination performance equivalent to that of the index formula 63 was obtained. They are shown in FIGS. 181 and 182.
  • the values of the coefficients in the equations shown in FIGS. 181 and 182 may be values obtained by multiplying them by a real number, and the value of the constant term may be a value obtained by adding / subtracting / subtracting an arbitrary real constant thereto.
  • Example 11 data of the cervical cancer group, the uterine body cancer group, and the ovarian cancer group were used.
  • variable group 1 in the 3-group discrimination of cervical cancer group, endometrial cancer group, and ovarian cancer group was evaluated by the correct answer rate of the discrimination results.
  • the overall correct answer rate was 80.3%, indicating high discrimination performance.
  • FIGS. 183 and 184 a plurality of combinations of amino acid variable groups having a discrimination performance equivalent to that of variable group 1 was obtained.
  • Example 11 data of the cervical cancer group, the uterine body cancer group, and the ovarian cancer group were used.
  • a linear discriminant group 1 consisting of amino acid variables Phe, Trp, Pro, Glu, Cit, Tyr, Lys and a constant term was obtained.
  • the value of each coefficient in the linear discriminant group 1 may be a value obtained by multiplying it by a real number, and the value of the constant term may be a value obtained by adding / subtracting / multiplying an arbitrary real constant thereto.
  • the discrimination performance of the linear discriminant group 1 in the 3-group discrimination of the cervical cancer group, the endometrial cancer group, and the ovarian cancer group was evaluated by the correct answer rate of the discrimination results. As a result, the overall correct answer rate was as high as 62.2%. As shown in FIGS. 185 and 186, a plurality of combinations of amino acid variable groups constituting a linear discriminant group having a discrimination performance equivalent to that of the linear discriminant group 1 was obtained.
  • the method for evaluating female genital cancer according to the present invention can be widely implemented in many industrial fields, particularly in the fields of pharmaceuticals, foods, medical care, etc. This is extremely useful in the field of disease risk prediction.

Landscapes

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

Abstract

　血液中のアミノ酸の濃度のうち女性生殖器癌の状態と関連するアミノ酸の濃度を利用して、女性生殖器癌の状態を精度よく評価することができる女性生殖器癌の評価方法を提供することを課題とする。本発明にかかる女性生殖器癌の評価方法は、評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定し、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する。

Description

女性生殖器癌の評価方法
　本発明は、血液（血漿）中のアミノ酸濃度を利用した、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の評価方法に関するものである。
　日本における子宮頸癌による死亡者数は２００４年で２４９４人、子宮体癌における死亡者数は１４３６人、卵巣癌による死亡者数は４４２０人である。これらの癌の生存率について、初期（Ｉ期～ＩＩ期）の癌の５年生存率は８０％以上のものもあるが、進行した癌の５年生存率は１０％～２０％程度と極度に低下する。したがって、これらの癌の治癒にとっては早期発見が重要である。
　子宮頸癌の診断は、細胞診や組織診、コルポ診、ＨＰＶ（ヒトパピローマウイルス）検査により行われている。細胞診やＨＰＶ検査は確定診断とはならず、組織診やコルポ診を行うことにより確定診断となる。しかし、組織診やコルポ診は侵襲度の高い検査であり、子宮頸癌の疑いのある患者全員に施行するのは実際的でない。
　子宮体癌の診断は、主に子宮内膜細胞診により行われている。子宮内膜細胞診は確定診断とはならず、掻爬診を行うことにより確定診断となる。しかし、掻爬診は侵襲度の高い検査であり、子宮体癌の疑いのある患者全員に施行するのは実際的でない。
　卵巣癌の診断は、超音波断層法と腫瘍マーカー（主にＣＡ１２５）、ＣＴやＭＲＩにより行われている。これらの方法は確定診断とはならず、手術によって摘出された卵巣の病理組織学的診断を行うことにより確定診断となる。しかし、１例の卵巣癌（真陽性）の発見のために１１例の良性腫瘍（偽陽性）の摘出手術が必要であったというｖａｎ　Ｎａｇｅｌｌ　ＪＲらの報告（非特許文献１参照）によれば、卵巣癌の陽性的中率が８．３％と低かった。
　また、これらの癌の診断方法の多くは前述の通り侵襲的であるので、これらの診断方法の施行において患者は身体的苦痛や精神的苦痛などの負担を伴い、また検査による出血などのリスクも起こりえる。さらに、これらの診断方法は女性生殖器癌の状態ごとに独立に行われ、また個々の検査ごとに費用が発生することから、被験者の経済的負担や時間的負担も多くなる。従って、女性生殖器癌発症の可能性の高い被験者を侵襲や精神的苦痛の少ない方法でしかも１回の検査で安価に選択し、選択したその者に対し診断を施行し、確定診断が得られた者を治療の対象とすることが、患者に対する身体的負担や費用対効果などの面から望ましい。
　一方、血中アミノ酸の濃度が、癌発症により変化することについては知られている。例えば、シノベールによれば（非特許文献２参照）、例えばグルタミンは主に酸化エネルギー源として、アルギニンは窒素酸化物やポリアミンの前駆体として、メチオニンは癌細胞のメチオニン取り込み能の活性化により、それぞれ癌細胞での消費量が増加するという報告がある。また、ヴィッセルスら（非特許文献３参照）やパーク（非特許文献４参照）、プロエンツァら（非特許文献５参照）やカスツィーノ（非特許文献６参照）によれば、癌患者の血漿中アミノ酸組成が健常者のものと異なっていることが報告されている。
　また、アミノ酸濃度と生体状態とを関連付ける方法については、特許文献１や特許文献２が公開されている。また、アミノ酸濃度を用いて肺癌の状態を評価する方法については、特許文献３が公開されている。
国際公開第２００４／０５２１９１号 国際公開第２００６／０９８１９２号 国際公開第２００８／０１６１１１号
ｖａｎ　Ｎａｇｅｌｌ　ＪＲ，　ＤｅＰｒｉｅｓｔ　ＰＤ，　Ｒｅｅｄｙ　ＭＢ，　Ｇａｌｌｉｏｎ　ＨＨ，　Ｕｅｌａｎｄ　ＦＲ，　Ｐａｖｌｉｋ　ＥＪ，　Ｋｒｙｓｃｉｏ　ＲＪ．　Ｔｈｅ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｔｒａｎｓｖａｇｉｎａｌ　ｓｏｎｏｇｒａｐｈｉｃ　ｓｃｒｅｅｎｉｎｇ　ｉｎ　ａｓｙｍｐｔｏｍａｔｉｃ　ｗｏｍｅｎ　ａｔ　ｒｉｓｋ　ｆｏｒ　ｏｖａｒｉａｎ　ｃａｎｃｅｒ．　Ｇｙｎｅｃｏｌ　Ｏｎｃｏｌ，　２０００，　７７；　３５０－３５６ Ｃｙｎｏｂｅｒ，　Ｌ．　ｅｄ．，　Ｍｅｔａｂｏｌｉｃ　ａｎｄ　ｔｈｅｒａｐｅｕｔｉｃ　ａｓｐｅｃｔｓ　ｏｆ　ａｍｉｎｏ　ａｃｉｄｓ　ｉｎ　ｃｌｉｎｉｃａｌ　ｎｕｔｒｉｔｉｏｎ．　２ｎｄ　ｅｄ．，　ＣＲＣ　Ｐｒｅｓｓ Ｖｉｓｓｅｒｓ，　Ｙ．　ＬＪ．，　ｅｔ．ａｌ．，　Ｐｌａｓｍａ　ａｒｇｉｎｉｎｅ　ｃｏｎｃｅｎｔｒａｔｉｏｎ　ａｒｅ　ｒｅｄｕｃｅｄ　ｉｎ　ｃａｎｃｅｒ　ｐａｔｉｅｎｔｓ：　ｅｖｉｄｅｎｃｅ　ｆｏｒ　ａｒｇｉｎｉｎｅ　ｄｅｆｉｃｉｅｎｃｙ？，　Ｔｈｅ　Ａｍｅｒｉｃａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｌｉｎｉｃａｌ　Ｎｕｔｒｉｔｉｏｎ，　２００５　８１，　ｐ．１１４２－１１４６ Ｐａｒｋ，　Ｋ．Ｇ．，　ｅｔ　ａｌ．，　Ａｒｇｉｎｉｎｅ　ｍｅｔａｂｏｌｉｓｍ　ｉｎ　ｂｅｎｉｇｎ　ａｎｄ　ｍａｇｌｉｎａｎｔ　ｄｉｓｅａｓｅ　ｏｆ　ｂｒｅａｓｔ　ａｎｄ　ｃｏｌｏｎ：　ｅｖｉｄｅｎｃｅ　ｆｏｒ　ｐｏｓｓｉｂｌｅ　ｉｎｈｉｂｉｔｉｏｎ　ｏｆ　ｔｕｍｏｒ－ｉｎｆｉｌｔｒａｔｉｎｇ　ｍａｃｒｏｐｈａｒｇｅｓ．，　Ｎｕｔｒｉｔｉｏｎ，　１９９１　７，　ｐ．１８５－１８８ Ｐｒｏｅｎｚａ，　Ａ．Ｍ．，　Ｊ．　Ｏｌｉｖｅｒ，　Ａ．　Ｐａｌｏｕ　ａｎｄ　Ｐ．　Ｒｏｃａ，　Ｂｒｅａｓｔ　ａｎｄ　ｌｕｎｇ　ｃａｎｃｅｒ　ａｒｅ　ａｓｓｏｃｉａｔｅｄ　ｗｉｔｈ　ａ　ｄｅｃｒｅａｓｅ　ｉｎ　ｂｌｏｏｄ　ｃｅｌｌ　ａｍｉｎｏ　ａｃｉｄ　ｃｏｎｔｅｎｔ．，　Ｊ　Ｎｕｔｒ　Ｂｉｏｃｈｅｍ，　２００３．　１４（３），　ｐ．１３３－８ Ｃａｓｃｉｎｏ，　Ａ．，　Ｍ．　Ｍｕｓｃａｒｉｔｏｌｉ，　Ｃ．　Ｃａｎｇｉａｎｏ，　Ｌ．　Ｃｏｎｖｅｒｓａｎｏ，　Ａ．　Ｌａｖｉａｎｏ，　Ｓ．　Ａｒｉｅｍｍａ，　Ｍ．Ｍ．　Ｍｅｇｕｉｄ　ａｎｄ　Ｆ．　Ｒｏｓｓｉ　Ｆａｎｅｌｌｉ，　Ｐｌａｓｍａ　ａｍｉｎｏ　ａｃｉｄ　ｉｍｂａｌａｎｃｅ　ｉｎ　ｐａｔｉｅｎｔｓ　ｗｉｔｈ　ｌｕｎｇ　ａｎｄ　ｂｒｅａｓｔ　ｃａｎｃｅｒ．，　Ａｎｔｉｃａｎｃｅｒ　Ｒｅｓ，　１９９５．　１５（２），　ｐ．５０７－１０
　しかしながら、これまでに、複数のアミノ酸を変数として女性生殖器癌発症の有無を診断するような診断方法や診断装置の開発は時間的および金銭的な観点から行われておらず、実用化されていないという問題点がある。また、特許文献３に開示されている肺癌判別用の指標式群で女性生殖器癌発症の有無を判別しても、判別対象が異なるため、十分な判別能を得ることができないという問題点がある。
　本発明は、上記問題点に鑑みてなされたものであって、血液中のアミノ酸の濃度のうち女性生殖器癌の状態と関連するアミノ酸の濃度を利用して、女性生殖器癌の状態を精度よく評価することができる女性生殖器癌の評価方法を提供することを目的とする。
　本発明者らは、上述した課題を解決するために鋭意検討した結果、女性生殖器癌と非女性生殖器癌との２群判別に有用なアミノ酸を同定すると共に、同定したアミノ酸の濃度を変数として含む多変量判別式（指標式、相関式）が女性生殖器癌の状態に有意な相関があることを見出し、本発明を完成するに至った。具体的には、女性生殖器癌に対してより特異的な指標式を探索した結果、特許文献１や特許文献２、特許文献３などに開示されている指標式よりも女性生殖器癌の状態の評価に適した指標式を得ることができ、本発明を完成するに至った。
　すなわち、上述した課題を解決し、目的を達成するために、本発明にかかる女性生殖器癌の評価方法は、評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定する測定ステップと、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する濃度値基準評価ステップとを含むことを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記濃度値基準評価ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する濃度値基準判別ステップをさらに含むことを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記濃度値基準評価ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする予め設定した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価ステップとをさらに含み、前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むことを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する判別値基準判別ステップをさらに含むことを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、１つの分数式または複数の前記分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを前記変数とする前記分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌のいずれかまたは前記非子宮頸癌、前記非子宮体癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌または前記非子宮頸癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを前記変数とする前記分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを前記変数とする前記分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮体癌または前記非子宮体癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを前記変数とする前記分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記卵巣癌または前記非卵巣癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを前記変数とする前記分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを前記変数とする前記分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを前記変数とする前記線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを前記変数とする前記線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌罹患リスク群または前記健常群であるか否かを判別することを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌の評価方法は、前記に記載の女性生殖器癌の評価方法において、前記多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを前記変数とする前記マハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを前記変数とする前記マハラノビス距離法で作成された式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、制御手段と記憶手段とを備え、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する女性生殖器癌評価装置であって、前記制御手段は、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価手段とを備え、前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むことを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値基準評価手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する判別値基準判別手段をさらに備えたことを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、１つの分数式または複数の前記分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを前記変数とする前記分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌のいずれかまたは前記非子宮頸癌、前記非子宮体癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌または前記非子宮頸癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを前記変数とする前記分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを前記変数とする前記分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記子宮体癌または前記非子宮体癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを前記変数とする前記分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記卵巣癌または前記非卵巣癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを前記変数とする前記分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを前記変数とする前記分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを前記変数とする前記線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを前記変数とする前記線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌罹患リスク群または前記健常群であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記判別値算出手段は、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別手段は、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを前記変数とする前記マハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを前記変数とする前記マハラノビス距離法で作成された式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価装置は、前記に記載の女性生殖器癌評価装置において、前記制御手段は、前記アミノ酸濃度データと前記女性生殖器癌の前記状態を表す指標に関する女性生殖器癌状態指標データとを含む前記記憶手段で記憶した女性生殖器癌状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成手段をさらに備え、前記多変量判別式作成手段は、前記女性生殖器癌状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成手段と、前記候補多変量判別式作成手段で作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証手段と、前記候補多変量判別式検証手段での検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記女性生殖器癌状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択手段と、をさらに備え、前記候補多変量判別式作成手段、前記候補多変量判別式検証手段および前記変数選択手段を繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、制御手段と記憶手段とを備えた情報処理装置で実行する、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する女性生殖器癌評価方法であって、前記制御手段で、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価ステップとを実行し、前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むことを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値基準評価ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する判別値基準判別ステップをさらに含むことを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、１つの分数式または複数の前記分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを前記変数とする前記分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌のいずれかまたは前記非子宮頸癌、前記非子宮体癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌または前記非子宮頸癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを前記変数とする前記分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを前記変数とする前記分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮体癌または前記非子宮体癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを前記変数とする前記分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記卵巣癌または前記非卵巣癌であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを前記変数とする前記分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを前記変数とする前記分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを前記変数とする前記線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを前記変数とする前記線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌罹患リスク群または前記健常群であるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記判別値算出ステップは、前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別することを特徴とする。また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを前記変数とする前記マハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを前記変数とする前記マハラノビス距離法で作成された式であることを特徴とする。
　また、本発明にかかる女性生殖器癌評価方法は、前記に記載の女性生殖器癌評価方法において、前記制御手段で、前記アミノ酸濃度データと前記女性生殖器癌の前記状態を表す指標に関する女性生殖器癌状態指標データとを含む前記記憶手段で記憶した女性生殖器癌状態情報に基づいて、前記記憶手段で記憶する前記多変量判別式を作成する多変量判別式作成ステップをさらに実行し、前記多変量判別式作成ステップは、前記女性生殖器癌状態情報から所定の式作成手法に基づいて、前記多変量判別式の候補である候補多変量判別式を作成する候補多変量判別式作成ステップと、前記候補多変量判別式作成ステップで作成した前記候補多変量判別式を、所定の検証手法に基づいて検証する候補多変量判別式検証ステップと、前記候補多変量判別式検証ステップでの検証結果から所定の変数選択手法に基づいて前記候補多変量判別式の変数を選択することで、前記候補多変量判別式を作成する際に用いる前記女性生殖器癌状態情報に含まれる前記アミノ酸濃度データの組み合わせを選択する変数選択ステップと、をさらに含み、前記候補多変量判別式作成ステップ、前記候補多変量判別式検証ステップおよび前記変数選択ステップを繰り返し実行して蓄積した前記検証結果に基づいて、複数の前記候補多変量判別式の中から前記多変量判別式として採用する前記候補多変量判別式を選出することで、前記多変量判別式を作成することを特徴とする。
　また、本発明にかかる女性生殖器癌評価システムは、制御手段と記憶手段とを備え、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する女性生殖器癌評価装置と、アミノ酸の濃度値に関する前記評価対象のアミノ酸濃度データを提供する情報通信端末装置とを、ネットワークを介して通信可能に接続して構成された女性生殖器癌評価システムであって、前記情報通信端末装置は、前記評価対象の前記アミノ酸濃度データを前記女性生殖器癌評価装置へ送信するアミノ酸濃度データ送信手段と、前記女性生殖器癌評価装置から送信された前記女性生殖器癌の状態に関する前記評価対象の評価結果を受信する評価結果受信手段とを備え、前記女性生殖器癌評価装置の前記制御手段は、前記情報通信端末装置から送信された前記評価対象の前記アミノ酸濃度データを受信するアミノ酸濃度データ受信手段と、前記アミノ酸濃度データ受信手段で受信した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出手段と、前記判別値算出手段で算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価手段と、前記判別値基準評価手段での前記評価対象の前記評価結果を前記情報通信端末装置へ送信する評価結果送信手段と、を備え、前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むことを特徴とする。
　また、本発明にかかる女性生殖器癌評価プログラムは、制御手段と記憶手段とを備えた情報処理装置に実行させる、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する女性生殖器癌評価プログラムであって、前記制御手段に、アミノ酸の濃度値に関する予め取得した前記評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする前記記憶手段で記憶した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価ステップとを実行させ、前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むことを特徴とする。
　また、本発明にかかる記録媒体は、コンピュータ読み取り可能な記録媒体であって、前記に記載の女性生殖器癌評価プログラムを記録したことを特徴とする。
　本発明によれば、評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定し、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価するので、血液中のアミノ酸の濃度のうち女性生殖器癌の状態と関連するアミノ酸の濃度を利用して、女性生殖器癌の状態を精度よく評価することができるという効果を奏する。具体的には、女性生殖器癌に罹患している可能性の高い被験者を１種の検体で且つ短時間に絞り込むことができ、その結果、被験者への時間的、身体的および金銭的負担を軽減することができるという効果を奏する。また、具体的には、複数のアミノ酸の濃度により、ある検体が女性生殖器癌を発症しているか否かを精度よく評価することができ、その結果、検査の効率化や高精度化を図ることができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別するので、血液中のアミノ酸の濃度のうち、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用なアミノ酸の濃度を利用して、これらの２群判別やこれらの判別を精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびアミノ酸の濃度を変数とする予め設定した多変量判別式であってＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、女性生殖器癌の状態を評価するので、女性生殖器癌の状態と有意な相関がある多変量判別式で得られる判別値を利用して、女性生殖器癌の状態を精度よく評価することができるという効果を奏する。具体的には、女性生殖器癌に罹患している可能性の高い被験者を１種の検体で且つ短時間に絞り込むことができ、その結果、被験者への時間的、身体的および金銭的負担を軽減することができるという効果を奏する。また、具体的には、複数のアミノ酸の濃度や当該アミノ酸の濃度を変数とする判別式により、ある検体が女性生殖器癌を発症しているか否かを精度よく評価することができ、その結果、検査の効率化や高精度化を図ることができるという効果を奏する。
　また、本発明によれば、算出した判別値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別するので、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別を精度よく行うことができるという効果を奏する。
　また、本発明によれば、多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであるので、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別するので、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式であるので、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別するので、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式であるので、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌または非子宮頸癌であるか否かを判別するので、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式であるので、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮体癌または非子宮体癌であるか否かを判別するので、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式であるので、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、卵巣癌または非卵巣癌であるか否かを判別するので、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式であるので、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別するので、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式であるので、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別するので、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。また、本発明によれば、多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式であるので、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができるという効果を奏する。
　また、本発明によれば、アミノ酸濃度データと女性生殖器癌の状態を表す指標に関する女性生殖器癌状態指標データとを含む記憶手段で記憶した女性生殖器癌状態情報に基づいて、記憶手段で記憶する多変量判別式を作成する。具体的には、（１）女性生殖器癌状態情報から所定の式作成手法に基づいて候補多変量判別式を作成し、（２）作成した候補多変量判別式を所定の検証手法に基づいて検証し、（３）その検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる女性生殖器癌状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、（４）（１）、（２）および（３）を繰り返し実行して蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。これにより、女性生殖器癌の状態の評価に最適な多変量判別式を作成することができるという効果を奏する。
　また、本発明によれば、当該記録媒体に記録された女性生殖器癌評価プログラムをコンピュータに読み取らせて実行することで、コンピュータに女性生殖器癌評価プログラムを実行させるので、女性生殖器癌評価プログラムと同様の効果を得ることができるという効果を奏する。
　なお、本発明は、女性生殖器癌の状態を評価する際、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。また、本発明は、女性生殖器癌の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。
図１は、本発明の基本原理を示す原理構成図である。 図２は、第１実施形態にかかる女性生殖器癌の評価方法の一例を示すフローチャートである。 図３は、本発明の基本原理を示す原理構成図である。 図４は、本システムの全体構成の一例を示す図である。 図５は、本システムの全体構成の他の一例を示す図である。 図６は、本システムの女性生殖器癌評価装置１００の構成の一例を示すブロック図である。 図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。 図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。 図９は、女性生殖器癌状態情報ファイル１０６ｃに格納される情報の一例を示す図である。 図１０は、指定女性生殖器癌状態情報ファイル１０６ｄに格納される情報の一例を示す図である。 図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。 図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。 図１３は、選択女性生殖器癌状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。 図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。 図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。 図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。 図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図である。 図１８は、判別値基準評価部１０２ｊの構成を示すブロック図である。 図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図である。 図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図である。 図２１は、本システムで行う女性生殖器癌評価サービス処理の一例を示すフローチャートである。 図２２は、本システムの女性生殖器癌評価装置１００で行う多変量判別式作成処理の一例を示すフローチャートである。 図２３は、癌患者群、良性疾患群及び健常群のアミノ酸変数の分布に関する箱ひげ図である。 図２４は、子宮頸癌群、子宮体癌群、卵巣癌群、良性疾患群及び健常群のアミノ酸変数の分布に関する箱ひげ図である。 図２５は、各群間の２群判別における各アミノ酸変数のＲＯＣ曲線下面積を示す図である。 図２６は、指標式１～１２、並びにそれぞれの指標式に関するＲＯＣ曲線下面積、カットオフ値、感度、特異度、陽性的中率、陰性的中率及び正答率を示す図である。 図２７は、指標式１と同等の判別性能を有する指標式の一覧を示す図である。 図２８は、指標式２と同等の判別性能を有する指標式の一覧を示す図である。 図２９は、指標式３と同等の判別性能を有する指標式の一覧を示す図である。 図３０は、指標式３と同等の判別性能を有する指標式の一覧を示す図である。 図３１は、指標式４と同等の判別性能を有する指標式の一覧を示す図である。 図３２は、指標式５と同等の判別性能を有する指標式の一覧を示す図である。 図３３は、指標式６と同等の判別性能を有する指標式の一覧を示す図である。 図３４は、指標式６と同等の判別性能を有する指標式の一覧を示す図である。 図３５は、指標式７と同等の判別性能を有する指標式の一覧を示す図である。 図３６は、指標式８と同等の判別性能を有する指標式の一覧を示す図である。 図３７は、指標式９と同等の判別性能を有する指標式の一覧を示す図である。 図３８は、指標式９と同等の判別性能を有する指標式の一覧を示す図である。 図３９は、指標式１０と同等の判別性能を有する指標式の一覧を示す図である。 図４０は、指標式１１と同等の判別性能を有する指標式の一覧を示す図である。 図４１は、指標式１２と同等の判別性能を有する指標式の一覧を示す図である。 図４２は、指標式１２と同等の判別性能を有する指標式の一覧を示す図である。 図４３は、指標式１３～２１、並びにそれぞれの指標式に関するＲＯＣ曲線下面積、カットオフ値、感度、特異度、陽性的中率、陰性的中率及び正答率を示す図である。 図４４は、指標式１３と同等の判別性能を有する指標式の一覧を示す図である。 図４５は、指標式１４と同等の判別性能を有する指標式の一覧を示す図である。 図４６は、指標式１５と同等の判別性能を有する指標式の一覧を示す図である。 図４７は、指標式１５と同等の判別性能を有する指標式の一覧を示す図である。 図４８は、指標式１６と同等の判別性能を有する指標式の一覧を示す図である。 図４９は、指標式１７と同等の判別性能を有する指標式の一覧を示す図である。 図５０は、指標式１８と同等の判別性能を有する指標式の一覧を示す図である。 図５１は、指標式１８と同等の判別性能を有する指標式の一覧を示す図である。 図５２は、指標式１９と同等の判別性能を有する指標式の一覧を示す図である。 図５３は、指標式２０と同等の判別性能を有する指標式の一覧を示す図である。 図５４は、指標式２１と同等の判別性能を有する指標式の一覧を示す図である。 図５５は、指標式２１と同等の判別性能を有する指標式の一覧を示す図である。 図５６は、指標式２２～３０、並びにそれぞれの指標式に関するＲＯＣ曲線下面積、カットオフ値、感度、特異度、陽性的中率、陰性的中率及び正答率を示す図である。 図５７は、指標式２２と同等の判別性能を有する指標式の一覧を示す図である。 図５８は、指標式２３と同等の判別性能を有する指標式の一覧を示す図である。 図５９は、指標式２４と同等の判別性能を有する指標式の一覧を示す図である。 図６０は、指標式２４と同等の判別性能を有する指標式の一覧を示す図である。 図６１は、指標式２５と同等の判別性能を有する指標式の一覧を示す図である。 図６２は、指標式２６と同等の判別性能を有する指標式の一覧を示す図である。 図６３は、指標式２７と同等の判別性能を有する指標式の一覧を示す図である。 図６４は、指標式２７と同等の判別性能を有する指標式の一覧を示す図である。 図６５は、指標式２８と同等の判別性能を有する指標式の一覧を示す図である。 図６６は、指標式２９と同等の判別性能を有する指標式の一覧を示す図である。 図６７は、指標式３０と同等の判別性能を有する指標式の一覧を示す図である。 図６８は、指標式３０と同等の判別性能を有する指標式の一覧を示す図である。 図６９は、指標式３１～３９、並びにそれぞれの指標式に関するＲＯＣ曲線下面積、カットオフ値、感度、特異度、陽性的中率、陰性的中率及び正答率を示す図である。 図７０は、指標式３１と同等の判別性能を有する指標式の一覧を示す図である。 図７１は、指標式３２と同等の判別性能を有する指標式の一覧を示す図である。 図７２は、指標式３３と同等の判別性能を有する指標式の一覧を示す図である。 図７３は、指標式３３と同等の判別性能を有する指標式の一覧を示す図である。 図７４は、指標式３４と同等の判別性能を有する指標式の一覧を示す図である。 図７５は、指標式３５と同等の判別性能を有する指標式の一覧を示す図である。 図７６は、指標式３６と同等の判別性能を有する指標式の一覧を示す図である。 図７７は、指標式３６と同等の判別性能を有する指標式の一覧を示す図である。 図７８は、指標式３７と同等の判別性能を有する指標式の一覧を示す図である。 図７９は、指標式３８と同等の判別性能を有する指標式の一覧を示す図である。 図８０は、指標式３９と同等の判別性能を有する指標式の一覧を示す図である。 図８１は、指標式３９と同等の判別性能を有する指標式の一覧を示す図である。 図８２は、指標式４０～４８、並びにそれぞれの指標式に関するＲＯＣ曲線下面積、カットオフ値、感度、特異度、陽性的中率、陰性的中率及び正答率を示す図である。 図８３は、指標式４０と同等の判別性能を有する指標式の一覧を示す図である。 図８４は、指標式４１と同等の判別性能を有する指標式の一覧を示す図である。 図８５は、指標式４２と同等の判別性能を有する指標式の一覧を示す図である。 図８６は、指標式４２と同等の判別性能を有する指標式の一覧を示す図である。 図８７は、指標式４３と同等の判別性能を有する指標式の一覧を示す図である。 図８８は、指標式４４と同等の判別性能を有する指標式の一覧を示す図である。 図８９は、指標式４５と同等の判別性能を有する指標式の一覧を示す図である。 図９０は、指標式４５と同等の判別性能を有する指標式の一覧を示す図である。 図９１は、指標式４６と同等の判別性能を有する指標式の一覧を示す図である。 図９２は、指標式４７と同等の判別性能を有する指標式の一覧を示す図である。 図９３は、指標式４８と同等の判別性能を有する指標式の一覧を示す図である。 図９４は、指標式４８と同等の判別性能を有する指標式の一覧を示す図である。 図９５は、指標式４９及び５０、並びにそれぞれの指標式に関するスピアマン相関係数及びＲＯＣ曲線下面積を示す図である。 図９６は、指標式４９と同等の判別性能を有する指標式の一覧を示す図である。 図９７は、指標式４９と同等の判別性能を有する指標式の一覧を示す図である。 図９８は、指標式５０と同等の判別性能を有する指標式の一覧を示す図である。 図９９は、指標式５０と同等の判別性能を有する指標式の一覧を示す図である。 図１００は、子宮頸癌、子宮体癌、卵巣癌の正答率を示す図である。 図１０１は、変数群１と同等の判別性能を示したアミノ酸変数群の組み合わせの一覧を示す図である。 図１０２は、変数群１と同等の判別性能を示したアミノ酸変数群の組み合わせの一覧を示す図である。 図１０３は、変数群１と同等の判別性能を示したアミノ酸変数群の組み合わせの一覧を示す図である。 図１０４は、指標式群１としての、アミノ酸変数Ａｓｎ、Ｐｒｏ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｉｌｅ、Ｔｙｒ、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ及び定数項からなる判別式群を示す図である。 図１０５は、子宮頸癌、子宮体癌、卵巣癌の正答率を示す図である。 図１０６は、指標式群１と同等の判別性能を示したアミノ酸変数群の組み合わせの一覧を示す図である。 図１０７は、指標式群１と同等の判別性能を示したアミノ酸変数群の組み合わせの一覧を示す図である。 図１０８は、それぞれの指標式に関する各２群判別でのＲＯＣ曲線下面積を示す図である。 図１０９は、癌患者群および非癌群のアミノ酸変数の分布に関する箱ひげ図である。 図１１０は、子宮癌患者群および非子宮癌群のアミノ酸変数の分布に関する箱ひげ図である。 図１１１は、子宮体癌患者群および非子宮体癌群のアミノ酸変数の分布に関する箱ひげ図である。 図１１２は、子宮頸癌患者群および非子宮頸癌群のアミノ酸変数の分布に関する箱ひげ図である。 図１１３は、卵巣癌患者群および非卵巣癌群のアミノ酸変数の分布に関する箱ひげ図である。 図１１４は、女性生殖器癌罹患リスク群および健常群のアミノ酸変数の分布に関する箱ひげ図である。 図１１５は、指標式５１に関するＲＯＣ曲線を示す図である。 図１１６は、指標式５１と同等の判別性能を有する指標式の一覧を示す図である。 図１１７は、指標式５１と同等の判別性能を有する指標式の一覧を示す図である。 図１１８は、指標式５１と同等の判別性能を有する指標式の一覧を示す図である。 図１１９は、指標式５１と同等の判別性能を有する指標式の一覧を示す図である。 図１２０は、指標式５２に関するＲＯＣ曲線を示す図である。 図１２１は、指標式５２と同等の判別性能を有する指標式の一覧を示す図である。 図１２２は、指標式５２と同等の判別性能を有する指標式の一覧を示す図である。 図１２３は、指標式５２と同等の判別性能を有する指標式の一覧を示す図である。 図１２４は、指標式５２と同等の判別性能を有する指標式の一覧を示す図である。 図１２５は、各アミノ酸の出現頻度の一覧を示す図である。 図１２６は、指標式５３に関するＲＯＣ曲線を示す図である。 図１２７は、指標式５３と同等の判別性能を有する指標式の一覧を示す図である。 図１２８は、指標式５３と同等の判別性能を有する指標式の一覧を示す図である。 図１２９は、指標式５３と同等の判別性能を有する指標式の一覧を示す図である。 図１３０は、指標式５３と同等の判別性能を有する指標式の一覧を示す図である。 図１３１は、指標式５４に関するＲＯＣ曲線を示す図である。 図１３２は、指標式５４と同等の判別性能を有する指標式の一覧を示す図である。 図１３３は、指標式５４と同等の判別性能を有する指標式の一覧を示す図である。 図１３４は、指標式５４と同等の判別性能を有する指標式の一覧を示す図である。 図１３５は、指標式５４と同等の判別性能を有する指標式の一覧を示す図である。 図１３６は、各アミノ酸の出現頻度の一覧を示す図である。 図１３７は、指標式５５に関するＲＯＣ曲線を示す図である。 図１３８は、指標式５５と同等の判別性能を有する指標式の一覧を示す図である。 図１３９は、指標式５５と同等の判別性能を有する指標式の一覧を示す図である。 図１４０は、指標式５５と同等の判別性能を有する指標式の一覧を示す図である。 図１４１は、指標式５５と同等の判別性能を有する指標式の一覧を示す図である。 図１４２は、指標式５６に関するＲＯＣ曲線を示す図である。 図１４３は、指標式５６と同等の判別性能を有する指標式の一覧を示す図である。 図１４４は、指標式５６と同等の判別性能を有する指標式の一覧を示す図である。 図１４５は、指標式５６と同等の判別性能を有する指標式の一覧を示す図である。 図１４６は、指標式５６と同等の判別性能を有する指標式の一覧を示す図である。 図１４７は、各アミノ酸の出現頻度の一覧を示す図である。 図１４８は、指標式５７に関するＲＯＣ曲線を示す図である。 図１４９は、指標式５７と同等の判別性能を有する指標式の一覧を示す図である。 図１５０は、指標式５７と同等の判別性能を有する指標式の一覧を示す図である。 図１５１は、指標式５７と同等の判別性能を有する指標式の一覧を示す図である。 図１５２は、指標式５７と同等の判別性能を有する指標式の一覧を示す図である。 図１５３は、指標式５８に関するＲＯＣ曲線を示す図である。 図１５４は、指標式５８と同等の判別性能を有する指標式の一覧を示す図である。 図１５５は、指標式５８と同等の判別性能を有する指標式の一覧を示す図である。 図１５６は、指標式５８と同等の判別性能を有する指標式の一覧を示す図である。 図１５７は、指標式５８と同等の判別性能を有する指標式の一覧を示す図である。 図１５８は、各アミノ酸の出現頻度の一覧を示す図である。 図１５９は、指標式５９に関するＲＯＣ曲線を示す図である。 図１６０は、指標式５９と同等の判別性能を有する指標式の一覧を示す図である。 図１６１は、指標式５９と同等の判別性能を有する指標式の一覧を示す図である。 図１６２は、指標式５９と同等の判別性能を有する指標式の一覧を示す図である。 図１６３は、指標式５９と同等の判別性能を有する指標式の一覧を示す図である。 図１６４は、指標式６０に関するＲＯＣ曲線を示す図である。 図１６５は、指標式６０と同等の判別性能を有する指標式の一覧を示す図である。 図１６６は、指標式６０と同等の判別性能を有する指標式の一覧を示す図である。 図１６７は、指標式６０と同等の判別性能を有する指標式の一覧を示す図である。 図１６８は、指標式６０と同等の判別性能を有する指標式の一覧を示す図である。 図１６９は、各アミノ酸の出現頻度の一覧を示す図である。 図１７０は、指標式６１に関するＲＯＣ曲線を示す図である。 図１７１は、指標式６１と同等の判別性能を有する指標式の一覧を示す図である。 図１７２は、指標式６１と同等の判別性能を有する指標式の一覧を示す図である。 図１７３は、指標式６１と同等の判別性能を有する指標式の一覧を示す図である。 図１７４は、指標式６１と同等の判別性能を有する指標式の一覧を示す図である。 図１７５は、指標式６２に関するＲＯＣ曲線を示す図である。 図１７６は、指標式６２と同等の判別性能を有する指標式の一覧を示す図である。 図１７７は、指標式６２と同等の判別性能を有する指標式の一覧を示す図である。 図１７８は、指標式６２と同等の判別性能を有する指標式の一覧を示す図である。 図１７９は、指標式６２と同等の判別性能を有する指標式の一覧を示す図である。 図１８０は、各アミノ酸の出現頻度の一覧を示す図である。 図１８１は、指標式６３と同等の判別性能を有する指標式の一覧を示す図である。 図１８２は、指標式６３と同等の判別性能を有する指標式の一覧を示す図である。 図１８３は、変数群１と同等の判別性能を有するアミノ酸変数群の組み合わせを示す図である。 図１８４は、変数群１と同等の判別性能を有するアミノ酸変数群の組み合わせを示す図である。 図１８５は、線形判別式群１と同等の判別性能を有する線形判別式群を構成するアミノ酸変数群の組み合わせを示す図である。 図１８６は、線形判別式群１と同等の判別性能を有する線形判別式群を構成するアミノ酸変数群の組み合わせを示す図である。
　以下に、本発明にかかる女性生殖器癌の評価方法の実施の形態（第１実施形態）ならびに本発明にかかる女性生殖器癌評価装置、女性生殖器癌評価方法、女性生殖器癌評価システム、女性生殖器癌評価プログラムおよび記録媒体の実施の形態（第２実施形態）を、図面に基づいて詳細に説明する。なお、本実施の形態により本発明が限定されるものではない。
［第１実施形態］
［１－１．本発明の概要］
　ここでは、本発明にかかる女性生殖器癌の評価方法の概要について図１を参照して説明する。図１は本発明の基本原理を示す原理構成図である。
　まず、本発明では、評価対象（例えば動物やヒトなど個体）から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定する（ステップＳ－１１）。ここで、血中アミノ酸濃度の分析は次のように行った。採血した血液サンプルを、ヘパリン処理したチューブに採取し、採取した血液サンプルを遠心することにより血液から血漿を分離した。全ての血漿サンプルは、アミノ酸濃度の測定時まで－７０℃で凍結保存した。アミノ酸濃度測定時には、スルホサリチル酸を添加し３％濃度調整により除蛋白処理を行い、測定には、ポストカラムでニンヒドリン反応を用いた高速液体クロマトグラフィー（ＨＰＬＣ）を原理としたアミノ酸分析機を使用した。なお、アミノ酸濃度の単位は、例えばモル濃度や重量濃度、これらの濃度に任意の定数を加減乗除することで得られるものでもよい。
　つぎに、本発明では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する（ステップＳ－１２）。
　以上、本発明によれば、評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定し、測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、女性生殖器癌の状態を評価する。これにより、血液中のアミノ酸の濃度のうち女性生殖器癌の状態と関連するアミノ酸の濃度を利用して、女性生殖器癌の状態を精度よく評価することができる。具体的には、女性生殖器癌に罹患している可能性の高い被験者を１種の検体で且つ短時間に絞り込むことができ、その結果、被験者への時間的、身体的および金銭的負担を軽減することができる。また、具体的には、複数のアミノ酸の濃度により、ある検体が女性生殖器癌を発症しているか否かを精度よく評価することができ、その結果、検査の効率化や高精度化を図ることができる。
　ここで、ステップＳ－１２を実行する前に、ステップＳ－１１で測定した評価対象のアミノ酸濃度データから欠損値や外れ値などのデータを除去してもよい。これにより、女性生殖器癌の状態をさらに精度よく評価することができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。これにより、血液中のアミノ酸の濃度のうち、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用なアミノ酸の濃度を利用して、これらの２群判別やこれらの判別を精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびアミノ酸の濃度を変数とする予め設定した多変量判別式であってＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、女性生殖器癌の状態を評価してもよい。これにより、女性生殖器癌の状態と有意な相関がある多変量判別式で得られる判別値を利用して、女性生殖器癌の状態を精度よく評価することができる。具体的には、女性生殖器癌に罹患している可能性の高い被験者を１種の検体で且つ短時間に絞り込むことができ、その結果、被験者への時間的、身体的および金銭的負担を軽減することができる。また、具体的には、複数のアミノ酸の濃度や当該アミノ酸の濃度を変数とする判別式により、ある検体が女性生殖器癌を発症しているか否かを精度よく評価することができ、その結果、検査の効率化や高精度化を図ることができる。
　また、ステップＳ－１２では、算出した判別値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。具体的には、判別値と予め設定された閾値（カットオフ値）とを比較することで、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。これにより、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別を精度よく行うことができる。
　なお、多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。これにより、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別してもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別してもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌または非子宮頸癌であるか否かを判別してもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮体癌または非子宮体癌であるか否かを判別してもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、卵巣癌または非卵巣癌であるか否かを判別してもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別してもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式でもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－１２では、ステップＳ－１１で測定した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　なお、上述した多変量判別式は、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法や、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法（後述する第２実施形態に記載の多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を女性生殖器癌の状態の評価に好適に用いることができる。
　ここで、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば分数式、重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木などを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。
　また、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ、且つ当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。
　なお、本発明は、女性生殖器癌の状態を評価する際、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。また、本発明は、女性生殖器癌の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。
［１－２．第１実施形態にかかる女性生殖器癌の状態の評価方法］
　ここでは、第１実施形態にかかる女性生殖器癌の状態の評価方法について図２を参照して説明する。図２は、第１実施形態にかかる女性生殖器癌の状態の評価方法の一例を示すフローチャートである。
　まず、動物やヒトなどの個体から採取した血液から、アミノ酸の濃度値に関するアミノ酸濃度データを測定する（ステップＳＡ－１１）。なお、アミノ酸の濃度値の測定は、上述した方法で行う。
　つぎに、ステップＳＡ－１１で測定した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ－１２）。
　つぎに、ステップＳＡ－１２で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データや、アミノ酸の濃度を変数とする予め設定した多変量判別式（当該多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つである。）に基づいて、個体につき、下記１１．～１８．に示す判別のいずれか１つを行う（ステップＳＡ－１３）。
１１．女性生殖器癌または非女性生殖器癌であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、女性生殖器癌または非女性生殖器癌であるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、女性生殖器癌または非女性生殖器癌であるか否かを判別する。
１２．子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別する。
１３．子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別する。
１４．子宮頸癌または非子宮頸癌であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌または非子宮頸癌であるか否かを判別する、またはアミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌または非子宮頸癌であるか否かを判別する。
１５．子宮体癌または非子宮体癌であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮体癌または非子宮体癌であるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮体癌または非子宮体癌であるか否かを判別する。
１６．卵巣癌または非卵巣癌であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、卵巣癌または非卵巣癌であるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、卵巣癌または非卵巣癌であるか否かを判別する。
１７．子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する。
１８．女性生殖器癌罹患リスク群または健常群であるか否かの判別
　アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別する、またはアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別する。
［１－３．第１実施形態のまとめ、およびその他の実施形態］
　以上、詳細に説明したように、第１実施形態にかかる女性生殖器癌の評価方法によれば、（１）個体から採取した血液からアミノ酸濃度データを測定し、（２）測定した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去し、（３）欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データや、アミノ酸の濃度を変数とする予め設定した多変量判別式に基づいて、個体につき、上記１１．～１８．に示す判別のいずれか１つを行う。これにより、血液中のアミノ酸の濃度のうち、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用なアミノ酸の濃度を利用して、これらの２群判別やこれらの判別を精度よく行うことができる。また、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別をさらに精度よく行うことができる。
　なお、ステップＳＡ－１３において上記１２．に示す判別を行う場合、多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１３．に示す判別を行う場合、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１４．に示す判別を行う場合、多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１５．に示す判別を行う場合、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１６．に示す判別を行う場合、多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１７．に示す判別を行う場合、多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－１３において上記１８．に示す判別を行う場合、多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式でもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　なお、上述した多変量判別式は、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法や、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法（後述する第２実施形態に記載の多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を女性生殖器癌の状態の評価に好適に用いることができる。
［第２実施形態］
［２－１．本発明の概要］
　ここでは、本発明にかかる女性生殖器癌評価装置、女性生殖器癌評価方法、女性生殖器癌評価システム、女性生殖器癌評価プログラムおよび記録媒体の概要について、図３を参照して説明する。図３は本発明の基本原理を示す原理構成図である。
　まず、本発明は、制御部で、アミノ酸の濃度値に関する予め取得した評価対象（例えば動物やヒトなど個体）のアミノ酸濃度データに含まれるＡｒｇ、Ａｓｎ、Ｃｉｔ、Ｇｌｙ、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｌｙｓ、Ｐｈｅ、Ｔｈｒ、Ｔｒｐ、Ｔｙｒ、Ｖａｌのうち少なくとも１つの濃度値、およびアミノ酸の濃度を変数とする記憶部で記憶した多変量判別式であってＡｒｇ、Ａｓｎ、Ｃｉｔ、Ｇｌｙ、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｌｙｓ、Ｐｈｅ、Ｔｈｒ、Ｔｒｐ、Ｔｙｒ、Ｖａｌのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出する（ステップＳ－２１）。
　つぎに、本発明は、制御部で、ステップＳ－２１で算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する（ステップＳ－２２）。
　以上、本発明によれば、アミノ酸の濃度値に関する予め取得した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびアミノ酸の濃度を変数とする記憶部で記憶した多変量判別式であってＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出し、算出した判別値に基づいて、評価対象につき、女性生殖器癌の状態を評価する。これにより、女性生殖器癌の状態と有意な相関がある多変量判別式で得られる判別値を利用して、女性生殖器癌の状態を精度よく評価することができる。具体的には、女性生殖器癌に罹患している可能性の高い被験者を１種の検体で且つ短時間に絞り込むことができ、その結果、被験者への時間的、身体的および金銭的負担を軽減することができる。また、具体的には、複数のアミノ酸の濃度や当該アミノ酸の濃度を変数とする判別式により、ある検体が女性生殖器癌を発症しているか否かを精度よく評価することができ、その結果、検査の効率化や高精度化を図ることができる。
　ここで、ステップＳ－２２では、ステップＳ－２１で算出した判別値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。これにより、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別を精度よく行うことができる。
　また、多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。これにより、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別してもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別してもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＣｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式もしくはＣｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、子宮頸癌または非子宮頸癌であるか否かを判別してもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、子宮体癌または非子宮体癌であるか否かを判別してもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、卵巣癌または非卵巣癌であるか否かを判別してもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別してもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式でもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳ－２１では、アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳ－２２では、算出した判別値に基づいて、評価対象につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別してもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。なお、この場合に用いる多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　なお、上述した多変量判別式は、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法や、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法（後述する多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を女性生殖器癌の状態の評価に好適に用いることができる。
　ここで、多変量判別式とは、一般に多変量解析で用いられる式の形式を意味し、例えば分数式、重回帰式、多重ロジスティック回帰式、線形判別関数、マハラノビス距離、正準判別関数、サポートベクターマシン、決定木などを包含する。また、異なる形式の多変量判別式の和で示されるような式も含まれる。また、重回帰式、多重ロジスティック回帰式、正準判別関数においては各変数に係数および定数項が付加されるが、この場合の係数および定数項は、好ましくは実数であること、より好ましくはデータから判別を行うために得られた係数および定数項の９９％信頼区間の範囲に属する値、さらに好ましくはデータから判別を行うために得られた係数および定数項の９５％信頼区間の範囲に属する値であればかまわない。また、各係数の値、及びその信頼区間は、それを実数倍したものでもよく、定数項の値、及びその信頼区間は、それに任意の実定数を加減乗除したものでもよい。
　また、分数式とは、当該分数式の分子がアミノ酸Ａ，Ｂ，Ｃ，・・・の和で表わされ、且つ当該分数式の分母がアミノ酸ａ，ｂ，ｃ，・・・の和で表わされるものである。また、分数式には、このような構成の分数式α，β，γ，・・・の和（例えばα＋βのようなもの）も含まれる。また、分数式には、分割された分数式も含まれる。なお、分子や分母に用いられるアミノ酸にはそれぞれ適当な係数がついてもかまわない。また、分子や分母に用いられるアミノ酸は重複してもかまわない。また、各分数式に適当な係数がついてもかまわない。また、各変数の係数の値や定数項の値は、実数であればかまわない。分数式で、分子の変数と分母の変数を入れ替えた組み合わせは、目的変数との相関の正負の符号は概して逆転するが、それらの相関性は保たれるので、判別性では同等と見なせるので、分子の変数と分母の変数を入れ替えた組み合わせも、包含するものである。
　なお、本発明は、女性生殖器癌の状態を評価する際、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。また、本発明は、女性生殖器癌の状態を評価する際、多変量判別式における変数として、アミノ酸の濃度以外に、その他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなどをさらに用いてもかまわない。
　ここで、多変量判別式作成処理（工程１～工程４）の概要について詳細に説明する。
　まず、本発明は、制御部で、アミノ酸濃度データと女性生殖器癌の状態を表す指標に関する女性生殖器癌状態指標データとを含む記憶部で記憶した女性生殖器癌状態情報から所定の式作成手法に基づいて、多変量判別式の候補である候補多変量判別式（例えば、ｙ＝ａ１ｘ１＋ａ２ｘ２＋・・・＋ａｎｘｎ、ｙ：女性生殖器癌状態指標データ、ｘｉ：アミノ酸濃度データ、ａｉ：定数、ｉ＝１，２，・・・，ｎ）を作成する（工程１）。なお、事前に、女性生殖器癌状態情報から欠損値や外れ値などを持つデータを除去してもよい。
　なお、工程１において、女性生殖器癌状態情報から、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ－ｍｅａｎｓ法、クラスター解析、決定木などの多変量解析に関するものを含む。）を併用して複数の候補多変量判別式を作成してもよい。具体的には、多数の健常者および女性生殖器癌患者から得た血液を分析して得たアミノ酸濃度データおよび女性生殖器癌状態指標データから構成される多変量データである女性生殖器癌状態情報に対して、複数の異なるアルゴリズムを利用して複数の候補多変量判別式を同時並行的に作成してもよい。例えば、異なるアルゴリズムを利用して判別分析およびロジスティック回帰分析を同時に行い、２つの異なる候補多変量判別式を作成してもよい。また、主成分分析を行って作成した候補多変量判別式を利用して女性生殖器癌状態情報を変換し、変換した女性生殖器癌状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。これにより、最終的に、診断条件に合った適切な多変量判別式を作成することができる。
　ここで、主成分分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データの分散を最大にするような各アミノ酸変数からなる一次式である。また、判別分析を用いて作成した候補多変量判別式は、各群内の分散の和の全てのアミノ酸濃度データの分散に対する比を最小にするような各アミノ酸変数からなる高次式（指数や対数を含む）である。また、サポートベクターマシンを用いて作成した候補多変量判別式は、群間の境界を最大にするような各アミノ酸変数からなる高次式（カーネル関数を含む）である。また、重回帰分析を用いて作成した候補多変量判別式は、全てのアミノ酸濃度データからの距離の和を最小にするような各アミノ酸変数からなる高次式である。ロジスティック回帰分析を用いて作成した候補多変量判別式は、尤度を最大にするような各アミノ酸変数からなる一次式を指数とする自然対数を項に持つ分数式である。また、ｋ－ｍｅａｎｓ法とは、各アミノ酸濃度データのｋ個近傍を探索し、近傍点の属する群の中で一番多いものをそのデータの所属群と定義し、入力されたアミノ酸濃度データの属する群と定義された群とが最も合致するようなアミノ酸変数を選択する手法である。また、クラスター解析とは、全てのアミノ酸濃度データの中で最も近い距離にある点同士をクラスタリング（群化）する手法である。また、決定木とは、アミノ酸変数に序列をつけて、序列が上位であるアミノ酸変数の取りうるパターンからアミノ酸濃度データの群を予測する手法である。
　多変量判別式作成処理の説明に戻り、本発明は、制御部で、工程１で作成した候補多変量判別式を、所定の検証手法に基づいて検証（相互検証）する（工程２）。候補多変量判別式の検証は、工程１で作成した各候補多変量判別式に対して行う。
　なお、工程２において、ブートストラップ法やホールドアウト法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異性、情報量基準などのうち少なくとも１つに関して検証してもよい。これにより、女性生殖器癌状態情報や診断条件を考慮した予測性または堅牢性の高い候補多変量判別式を作成することができる。
　ここで、判別率とは、全入力データの中で、本発明で評価した女性生殖器癌の状態が正しい割合である。また、感度とは、入力データに記載された女性生殖器癌の状態が罹病になっているものの中で、本発明で評価した女性生殖器癌の状態が正しい割合である。また、特異性とは、入力データに記載された女性生殖器癌の状態が健常になっているものの中で、本発明で評価した女性生殖器癌の状態が正しい割合である。また、情報量基準とは、工程１で作成した候補多変量判別式のアミノ酸変数の数と、本発明で評価した女性生殖器癌の状態および入力データに記載された女性生殖器癌の状態の差異と、を足し合わせたものである。また、予測性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性を平均したものである。また、堅牢性とは、候補多変量判別式の検証を繰り返すことで得られた判別率や感度、特異性の分散である。
　多変量判別式作成処理の説明に戻り、本発明は、制御部で、工程２での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる女性生殖器癌状態情報に含まれるアミノ酸濃度データの組み合わせを選択する（工程３）。アミノ酸変数の選択は、工程１で作成した各候補多変量判別式に対して行う。これにより、候補多変量判別式のアミノ酸変数を適切に選択することができる。そして、工程３で選択したアミノ酸濃度データを含む女性生殖器癌状態情報を用いて再び工程１を実行する。
　なお、工程３において、工程２での検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式のアミノ酸変数を選択してもよい。
　ここで、ベストパス法とは、候補多変量判別式に含まれるアミノ酸変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することでアミノ酸変数を選択する方法である。
　多変量判別式作成処理の説明に戻り、本発明は、制御部で、上述した工程１、工程２および工程３を繰り返し実行し、これにより蓄積した検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する（工程４）。なお、候補多変量判別式の選出には、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。
　以上、説明したように、多変量判別式作成処理では、女性生殖器癌状態情報に基づいて、候補多変量判別式の作成、候補多変量判別式の検証および候補多変量判別式の変数の選択に関する処理を一連の流れで体系化（システム化）して実行することにより、個々の女性生殖器癌の状態の評価に最適な多変量判別式を作成することができる。
［２－２．システム構成］
　ここでは、第２実施形態にかかる女性生殖器癌評価システム（以下では本システムと記す場合がある。）の構成について、図４から図２０を参照して説明する。なお、本システムはあくまでも一例であり、本発明はこれに限定されない。
　まず、本システムの全体構成について図４および図５を参照して説明する。図４は本システムの全体構成の一例を示す図である。また、図５は本システムの全体構成の他の一例を示す図である。本システムは、図４に示すように、評価対象につき女性生殖器癌の状態を評価する女性生殖器癌評価装置１００と、アミノ酸の濃度値に関する評価対象のアミノ酸濃度データを提供する情報通信端末装置であるクライアント装置２００とを、ネットワーク３００を介して通信可能に接続して構成されている。
　なお、本システムは、図５に示すように、女性生殖器癌評価装置１００やクライアント装置２００の他に、女性生殖器癌評価装置１００で多変量判別式を作成する際に用いる女性生殖器癌状態情報や女性生殖器癌の状態を評価するために用いる多変量判別式などを格納したデータベース装置４００を、ネットワーク３００を介して通信可能に接続して構成されてもよい。これにより、ネットワーク３００を介して、女性生殖器癌評価装置１００からクライアント装置２００やデータベース装置４００へ、あるいはクライアント装置２００やデータベース装置４００から女性生殖器癌評価装置１００へ、女性生殖器癌の状態に関する情報などが提供される。ここで、女性生殖器癌の状態に関する情報とは、ヒトの女性生殖器癌の状態に関する特定の項目について測定した値に関する情報である。また、女性生殖器癌の状態に関する情報は、女性生殖器癌評価装置１００やクライアント装置２００や他の装置（例えば各種の計測装置等）で生成され、主にデータベース装置４００に蓄積される。
　つぎに、本システムの女性生殖器癌評価装置１００の構成について図６から図１８を参照して説明する。図６は、本システムの女性生殖器癌評価装置１００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　女性生殖器癌評価装置１００は、当該女性生殖器癌評価装置を統括的に制御するＣＰＵ等の制御部１０２と、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して当該女性生殖器癌評価装置をネットワーク３００に通信可能に接続する通信インターフェース部１０４と、各種のデータベースやテーブルやファイルなどを格納する記憶部１０６と、入力装置１１２や出力装置１１４に接続する入出力インターフェース部１０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。ここで、女性生殖器癌評価装置１００は、各種の分析装置（例えばアミノ酸アナライザー等）と同一筐体で構成されてもよい。また、女性生殖器癌評価装置１００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、各種の負荷等に応じた任意の単位で、機能的または物理的に分散・統合して構成してもよい。例えば、処理の一部をＣＧＩ（Ｃｏｍｍｏｎ　Ｇａｔｅｗａｙ　Ｉｎｔｅｒｆａｃｅ）を用いて実現してもよい。
　記憶部１０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置、フレキシブルディスク、光ディスク等を用いることができる。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え各種処理を行うためのコンピュータプログラムが記録されている。記憶部１０６は、図示の如く、利用者情報ファイル１０６ａと、アミノ酸濃度データファイル１０６ｂと、女性生殖器癌状態情報ファイル１０６ｃと、指定女性生殖器癌状態情報ファイル１０６ｄと、多変量判別式関連情報データベース１０６ｅと、判別値ファイル１０６ｆと、評価結果ファイル１０６ｇと、を格納する。
　利用者情報ファイル１０６ａは、利用者に関する利用者情報を格納する。図７は、利用者情報ファイル１０６ａに格納される情報の一例を示す図である。利用者情報ファイル１０６ａに格納される情報は、図７に示すように、利用者を一意に識別するための利用者ＩＤと、利用者が正当な者であるか否かの認証を行うための利用者パスワードと、利用者の氏名と、利用者の所属する所属先を一意に識別するための所属先ＩＤと、利用者の所属する所属先の部門を一意に識別するための部門ＩＤと、部門名と、利用者の電子メールアドレスと、を相互に関連付けて構成されている。
　図６に戻り、アミノ酸濃度データファイル１０６ｂは、アミノ酸の濃度値に関するアミノ酸濃度データを格納する。図８は、アミノ酸濃度データファイル１０６ｂに格納される情報の一例を示す図である。アミノ酸濃度データファイル１０６ｂに格納される情報は、図８に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、アミノ酸濃度データとを相互に関連付けて構成されている。ここで、図８では、アミノ酸濃度データを数値、すなわち連続尺度として扱っているが、アミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、アミノ酸濃度データに、他の生体情報（アミノ酸以外の他の代謝物の濃度や遺伝子の発現量、タンパク質の発現量、被験者の年齢・性別、喫煙の有無、心電図の波形を数値化したものなど）を組み合わせてもよい。
　図６に戻り、女性生殖器癌状態情報ファイル１０６ｃは、多変量判別式を作成する際に用いる女性生殖器癌状態情報を格納する。図９は、女性生殖器癌状態情報ファイル１０６ｃに格納される情報の一例を示す図である。女性生殖器癌状態情報ファイル１０６ｃに格納される情報は、図９に示すように、個体番号と、女性生殖器癌の状態を表す指標（指標Ｔ１、指標Ｔ２、指標Ｔ３・・・）に関する女性生殖器癌状態指標データ（Ｔ）と、アミノ酸濃度データと、を相互に関連付けて構成されている。ここで、図９では、女性生殖器癌状態指標データおよびアミノ酸濃度データを数値（すなわち連続尺度）として扱っているが、女性生殖器癌状態指標データおよびアミノ酸濃度データは名義尺度や順序尺度でもよい。なお、名義尺度や順序尺度の場合は、それぞれの状態に対して任意の数値を与えることで解析してもよい。また、女性生殖器癌状態指標データは、女性生殖器癌の状態のマーカーとなる既知の単一の状態指標であり、数値データを用いてもよい。
　図６に戻り、指定女性生殖器癌状態情報ファイル１０６ｄは、後述する女性生殖器癌状態情報指定部１０２ｇで指定した女性生殖器癌状態情報を格納する。図１０は、指定女性生殖器癌状態情報ファイル１０６ｄに格納される情報の一例を示す図である。指定女性生殖器癌状態情報ファイル１０６ｄに格納される情報は、図１０に示すように、個体番号と、指定した女性生殖器癌状態指標データと、指定したアミノ酸濃度データと、を相互に関連付けて構成されている。
　図６に戻り、多変量判別式関連情報データベース１０６ｅは、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する候補多変量判別式ファイル１０６ｅ１と、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する検証結果ファイル１０６ｅ２と、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データの組み合わせを含む女性生殖器癌状態情報を格納する選択女性生殖器癌状態情報ファイル１０６ｅ３と、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する多変量判別式ファイル１０６ｅ４と、で構成される。
　候補多変量判別式ファイル１０６ｅ１は、後述する候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を格納する。図１１は、候補多変量判別式ファイル１０６ｅ１に格納される情報の一例を示す図である。候補多変量判別式ファイル１０６ｅ１に格納される情報は、図１１に示すように、ランクと、候補多変量判別式（図１１では、Ｆ１（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦ２（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆ３（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）とを相互に関連付けて構成されている。
　図６に戻り、検証結果ファイル１０６ｅ２は、後述する候補多変量判別式検証部１０２ｈ２での検証結果を格納する。図１２は、検証結果ファイル１０６ｅ２に格納される情報の一例を示す図である。検証結果ファイル１０６ｅ２に格納される情報は、図１２に示すように、ランクと、候補多変量判別式（図１２では、Ｆｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）やＦｍ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）、Ｆｌ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各候補多変量判別式の検証結果（例えば各候補多変量判別式の評価値）と、を相互に関連付けて構成されている。
　図６に戻り、選択女性生殖器癌状態情報ファイル１０６ｅ３は、後述する変数選択部１０２ｈ３で選択した変数に対応するアミノ酸濃度データの組み合わせを含む女性生殖器癌状態情報を格納する。図１３は、選択女性生殖器癌状態情報ファイル１０６ｅ３に格納される情報の一例を示す図である。選択女性生殖器癌状態情報ファイル１０６ｅ３に格納される情報は、図１３に示すように、個体番号と、後述する女性生殖器癌状態情報指定部１０２ｇで指定した女性生殖器癌状態指標データと、後述する変数選択部１０２ｈ３で選択したアミノ酸濃度データと、を相互に関連付けて構成されている。
　図６に戻り、多変量判別式ファイル１０６ｅ４は、後述する多変量判別式作成部１０２ｈで作成した多変量判別式を格納する。図１４は、多変量判別式ファイル１０６ｅ４に格納される情報の一例を示す図である。多変量判別式ファイル１０６ｅ４に格納される情報は、図１４に示すように、ランクと、多変量判別式（図１４では、Ｆｐ（Ｐｈｅ，・・・）やＦｐ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ）、Ｆｋ（Ｇｌｙ，Ｌｅｕ，Ｐｈｅ，・・・）など）と、各式作成手法に対応する閾値と、各多変量判別式の検証結果（例えば各多変量判別式の評価値）と、を相互に関連付けて構成されている。
　図６に戻り、判別値ファイル１０６ｆは、後述する判別値算出部１０２ｉで算出した判別値を格納する。図１５は、判別値ファイル１０６ｆに格納される情報の一例を示す図である。判別値ファイル１０６ｆに格納される情報は、図１５に示すように、評価対象である個体（サンプル）を一意に識別するための個体番号と、ランク（多変量判別式を一意に識別するための番号）と、判別値と、を相互に関連付けて構成されている。
　図６に戻り、評価結果ファイル１０６ｇは、後述する判別値基準評価部１０２ｊでの評価結果（具体的には、後述する判別値基準判別部１０２ｊ１での判別結果）を格納する。図１６は、評価結果ファイル１０６ｇに格納される情報の一例を示す図である。評価結果ファイル１０６ｇに格納される情報は、評価対象である個体（サンプル）を一意に識別するための個体番号と、予め取得した評価対象のアミノ酸濃度データと、多変量判別式で算出した判別値と、女性生殖器癌の状態に関する評価結果と、を相互に関連付けて構成されている。
　図６に戻り、記憶部１０６には、上述した情報以外にその他情報として、Ｗｅｂサイトをクライアント装置２００に提供するための各種のＷｅｂデータや、ＣＧＩプログラム等が記録されている。Ｗｅｂデータとしては後述する各種のＷｅｂページを表示するためのデータ等があり、これらデータは例えばＨＴＭＬやＸＭＬで記述されたテキストファイルとして形成されている。また、Ｗｅｂデータを作成するための部品用のファイルや作業用のファイルやその他一時的なファイル等も記憶部１０６に記憶される。記憶部１０６には、必要に応じて、クライアント装置２００に送信するための音声をＷＡＶＥ形式やＡＩＦＦ形式の如き音声ファイルで格納したり、静止画や動画をＪＰＥＧ形式やＭＰＥＧ２形式の如き画像ファイルで格納したりすることができる。
　通信インターフェース部１０４は、女性生殖器癌評価装置１００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部１０４は、他の端末と通信回線を介してデータを通信する機能を有する。
　入出力インターフェース部１０８は、入力装置１１２や出力装置１１４に接続する。ここで、出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下では、出力装置１１４をモニタ１１４として記載する場合がある。）。入力装置１１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。
　制御部１０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部１０２は、図示の如く、大別して、要求解釈部１０２ａと閲覧処理部１０２ｂと認証処理部１０２ｃと電子メール生成部１０２ｄとＷｅｂページ生成部１０２ｅと受信部１０２ｆと女性生殖器癌状態情報指定部１０２ｇと多変量判別式作成部１０２ｈと判別値算出部１０２ｉと判別値基準評価部１０２ｊと結果出力部１０２ｋと送信部１０２ｍとを備えている。制御部１０２は、データベース装置４００から送信された女性生殖器癌状態情報やクライアント装置２００から送信されたアミノ酸濃度データに対して、欠損値のあるデータの除去・外れ値の多いデータの除去・欠損値のあるデータの多い変数の除去などのデータ処理も行う。
　要求解釈部１０２ａは、クライアント装置２００やデータベース装置４００からの要求内容を解釈し、その解釈結果に応じて制御部１０２の各部に処理を受け渡す。閲覧処理部１０２ｂは、クライアント装置２００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行なう。認証処理部１０２ｃは、クライアント装置２００やデータベース装置４００からの認証要求を受けて、認証判断を行う。電子メール生成部１０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部１０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。
　受信部１０２ｆは、クライアント装置２００やデータベース装置４００から送信された情報（具体的には、アミノ酸濃度データや女性生殖器癌状態情報、多変量判別式など）を、ネットワーク３００を介して受信する。女性生殖器癌状態情報指定部１０２ｇは、多変量判別式を作成するにあたり、対象とする女性生殖器癌状態指標データおよびアミノ酸濃度データを指定する。
　多変量判別式作成部１０２ｈは、受信部１０２ｆで受信した女性生殖器癌状態情報や女性生殖器癌状態情報指定部１０２ｇで指定した女性生殖器癌状態情報に基づいて多変量判別式を作成する。具体的には、多変量判別式作成部１０２ｈは、女性生殖器癌状態情報から、候補多変量判別式作成部１０２ｈ１、候補多変量判別式検証部１０２ｈ２および変数選択部１０２ｈ３を繰り返し実行させることにより蓄積された検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで、多変量判別式を作成する。
　なお、多変量判別式が予め記憶部１０６の所定の記憶領域に格納されている場合には、多変量判別式作成部１０２ｈは、記憶部１０６から所望の多変量判別式を選択することで、多変量判別式を作成してもよい。また、多変量判別式作成部１０２ｈは、多変量判別式を予め格納した他のコンピュータ装置（例えばデータベース装置４００）から所望の多変量判別式を選択しダウンロードすることで、多変量判別式を作成してもよい。
　ここで、多変量判別式作成部１０２ｈの構成について図１７を参照して説明する。図１７は、多変量判別式作成部１０２ｈの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１と、候補多変量判別式検証部１０２ｈ２と、変数選択部１０２ｈ３と、をさらに備えている。候補多変量判別式作成部１０２ｈ１は、女性生殖器癌状態情報から所定の式作成手法に基づいて多変量判別式の候補である候補多変量判別式を作成する。なお、候補多変量判別式作成部１０２ｈ１は、女性生殖器癌状態情報から、複数の異なる式作成手法を併用して複数の候補多変量判別式を作成してもよい。候補多変量判別式検証部１０２ｈ２は、候補多変量判別式作成部１０２ｈ１で作成した候補多変量判別式を所定の検証手法に基づいて検証する。なお、候補多変量判別式検証部１０２ｈ２は、ブートストラップ法、ホールドアウト法、リーブワンアウト法のうち少なくとも１つに基づいて候補多変量判別式の判別率、感度、特異性、情報量基準のうち少なくとも１つに関して検証してもよい。変数選択部１０２ｈ３は、候補多変量判別式検証部１０２ｈ２での検証結果から所定の変数選択手法に基づいて候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる女性生殖器癌状態情報に含まれるアミノ酸濃度データの組み合わせを選択する。なお、変数選択部１０２ｈ３は、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。
　図６に戻り、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成した多変量判別式であってＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものに基づいて、当該多変量判別式の値である判別値を算出する。
　ここで、多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つでもよい。
　また、判別値基準判別部１０２ｊ１で子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で子宮頸癌または非子宮頸癌であるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で子宮体癌または非子宮体癌であるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で卵巣癌または非卵巣癌であるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で女性生殖器癌罹患リスク群または健常群であるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式でもよい。
　また、判別値基準判別部１０２ｊ１で子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する場合には、判別値算出部１０２ｉは、受信部１０２ｆで受信した評価対象のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値および多変量判別式作成部１０２ｈで作成したＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出してもよい。なお、この場合に用いる多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。
　判別値基準評価部１０２ｊは、判別値算出部１０２ｉで算出した判別値に基づいて、評価対象につき、女性生殖器癌の状態を評価する。判別値基準評価部１０２ｊは、判別値基準判別部１０２ｊ１をさらに備えている。ここで、判別値基準評価部１０２ｊの構成について図１８を参照して説明する。図１８は、判別値基準評価部１０２ｊの構成を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。判別値基準判別部１０２ｊ１は、判別値算出部１０２ｉで算出した判別値に基づいて、評価対象につき、女性生殖器癌または非女性生殖器癌であるか否か、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否か、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、子宮頸癌または非子宮頸癌であるか否か、子宮体癌または非子宮体癌であるか否か、卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する。
　図６に戻り、結果出力部１０２ｋは、制御部１０２の各処理部での処理結果（判別値基準評価部１０２ｊでの評価結果（具体的には判別値基準判別部１０２ｊ１での判別結果）を含む）等を出力装置１１４に出力する。
　送信部１０２ｍは、評価対象のアミノ酸濃度データの送信元のクライアント装置２００に対して評価結果を送信したり、データベース装置４００に対して、女性生殖器癌評価装置１００で作成した多変量判別式や評価結果を送信したりする。
　つぎに、本システムのクライアント装置２００の構成について図１９を参照して説明する。図１９は、本システムのクライアント装置２００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　クライアント装置２００は、制御部２１０とＲＯＭ２２０とＨＤ２３０とＲＡＭ２４０と入力装置２５０と出力装置２６０と入出力ＩＦ２７０と通信ＩＦ２８０とで構成されており、これら各部は任意の通信路を介して通信可能に接続されている。
　制御部２１０は、Ｗｅｂブラウザ２１１、電子メーラ２１２、受信部２１３、送信部２１４を備えている。Ｗｅｂブラウザ２１１は、Ｗｅｂデータを解釈し、解釈したＷｅｂデータを後述するモニタ２６１に表示するブラウズ処理を行う。なお、Ｗｅｂブラウザ２１１には、ストリーム映像の受信・表示・フィードバック等を行う機能を備えたストリームプレイヤ等の各種のソフトウェアをプラグインしてもよい。電子メーラ２１２は、所定の通信規約（例えば、ＳＭＴＰ（Ｓｉｍｐｌｅ　Ｍａｉｌ　Ｔｒａｎｓｆｅｒ　Ｐｒｏｔｏｃｏｌ）やＰＯＰ３（Ｐｏｓｔ　Ｏｆｆｉｃｅ　Ｐｒｏｔｏｃｏｌ　ｖｅｒｓｉｏｎ　３）等）に従って電子メールの送受信を行う。受信部２１３は、通信ＩＦ２８０を介して、女性生殖器癌評価装置１００から送信された評価結果などの各種情報を受信する。送信部２１４は、通信ＩＦ２８０を介して、評価対象のアミノ酸濃度データなどの各種情報を女性生殖器癌評価装置１００へ送信する。
　入力装置２５０はキーボードやマウスやマイク等である。なお、後述するモニタ２６１もマウスと協働してポインティングデバイス機能を実現する。出力装置２６０は、通信ＩＦ２８０を介して受信した情報を出力する出力手段であり、モニタ（家庭用テレビを含む）２６１およびプリンタ２６２を含む。この他、出力装置２６０にスピーカ等を設けてもよい。入出力ＩＦ２７０は入力装置２５０や出力装置２６０に接続する。
　通信ＩＦ２８０は、クライアント装置２００とネットワーク３００（またはルータ等の通信装置）とを通信可能に接続する。換言すると、クライアント装置２００は、モデムやＴＡやルータなどの通信装置および電話回線を介して、または専用線を介してネットワーク３００に接続される。これにより、クライアント装置２００は、所定の通信規約に従って女性生殖器癌評価装置１００にアクセスすることができる。
　ここで、プリンタ・モニタ・イメージスキャナ等の周辺装置を必要に応じて接続した情報処理装置（例えば、既知のパーソナルコンピュータ・ワークステーション・家庭用ゲーム装置・インターネットＴＶ・ＰＨＳ端末・携帯端末・移動体通信端末・ＰＤＡ等の情報処理端末など）に、Ｗｅｂデータのブラウジング機能や電子メール機能を実現させるソフトウェア（プログラム、データ等を含む）を実装することにより、クライアント装置２００を実現してもよい。
　また、クライアント装置２００の制御部２１０は、制御部２１０で行う処理の全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈して実行するプログラムで実現してもよい。ＲＯＭ２２０またはＨＤ２３０には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。当該コンピュータプログラムは、ＲＡＭ２４０にロードされることで実行され、ＣＰＵと協働して制御部２１０を構成する。また、当該コンピュータプログラムは、クライアント装置２００と任意のネットワークを介して接続されるアプリケーションプログラムサーバに記録されてもよく、クライアント装置２００は、必要に応じてその全部または一部をダウンロードしてもよい。また、制御部２１０で行う処理の全部または任意の一部を、ワイヤードロジック等によるハードウェアで実現してもよい。
　つぎに、本システムのネットワーク３００について図４、図５を参照して説明する。ネットワーク３００は、女性生殖器癌評価装置１００とクライアント装置２００とデータベース装置４００とを相互に通信可能に接続する機能を有し、例えばインターネットやイントラネットやＬＡＮ（有線／無線の双方を含む）等である。なお、ネットワーク３００は、ＶＡＮや、パソコン通信網や、公衆電話網（アナログ／デジタルの双方を含む）や、専用回線網（アナログ／デジタルの双方を含む）や、ＣＡＴＶ網や、携帯回線交換網または携帯パケット交換網（ＩＭＴ２０００方式、ＧＳＭ方式またはＰＤＣ／ＰＤＣ－Ｐ方式等を含む）や、無線呼出網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の局所無線網や、ＰＨＳ網や、衛星通信網（ＣＳ、ＢＳまたはＩＳＤＢ等を含む）等でもよい。
　つぎに、本システムのデータベース装置４００の構成について図２０を参照して説明する。図２０は、本システムのデータベース装置４００の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。
　データベース装置４００は、女性生殖器癌評価装置１００または当該データベース装置４００で多変量判別式を作成する際に用いる女性生殖器癌状態情報や、女性生殖器癌評価装置１００で作成した多変量判別式、女性生殖器癌評価装置１００での評価結果などを格納する機能を有する。図２０に示すように、データベース装置４００は、当該データベース装置４００を統括的に制御するＣＰＵ等の制御部４０２と、ルータ等の通信装置および専用線等の有線または無線の通信回路を介して当該データベース装置をネットワーク３００に通信可能に接続する通信インターフェース部４０４と、各種のデータベースやテーブルやファイル（例えばＷｅｂページ用ファイル）などを格納する記憶部４０６と、入力装置４１２や出力装置４１４に接続する入出力インターフェース部４０８と、で構成されており、これら各部は任意の通信路を介して通信可能に接続されている。
　記憶部４０６は、ストレージ手段であり、例えば、ＲＡＭ・ＲＯＭ等のメモリ装置や、ハードディスクのような固定ディスク装置や、フレキシブルディスクや、光ディスク等を用いることができる。記憶部４０６には、各種処理に用いる各種プログラム等を格納する。通信インターフェース部４０４は、データベース装置４００とネットワーク３００（またはルータ等の通信装置）との間における通信を媒介する。すなわち、通信インターフェース部４０４は、他の端末と通信回線を介してデータを通信する機能を有する。入出力インターフェース部４０８は、入力装置４１２や出力装置４１４に接続する。ここで、出力装置４１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる（なお、以下で、出力装置４１４をモニタ４１４として記載する場合がある。）。また、入力装置４１２には、キーボードやマウスやマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。
　制御部４０２は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、これらのプログラムに基づいて種々の情報処理を実行する。制御部４０２は、図示の如く、大別して、要求解釈部４０２ａと閲覧処理部４０２ｂと認証処理部４０２ｃと電子メール生成部４０２ｄとＷｅｂページ生成部４０２ｅと送信部４０２ｆとを備えている。
　要求解釈部４０２ａは、女性生殖器癌評価装置１００からの要求内容を解釈し、その解釈結果に応じて制御部４０２の各部に処理を受け渡す。閲覧処理部４０２ｂは、女性生殖器癌評価装置１００からの各種画面の閲覧要求を受けて、これら画面のＷｅｂデータの生成や送信を行う。認証処理部４０２ｃは、女性生殖器癌評価装置１００からの認証要求を受けて、認証判断を行う。電子メール生成部４０２ｄは、各種の情報を含んだ電子メールを生成する。Ｗｅｂページ生成部４０２ｅは、利用者がクライアント装置２００で閲覧するＷｅｂページを生成する。送信部４０２ｆは、女性生殖器癌状態情報や多変量判別式などの各種情報を、女性生殖器癌評価装置１００へ送信する。
［２－３．本システムの処理］
　ここでは、以上のように構成された本システムで行われる女性生殖器癌評価サービス処理の一例を、図２１を参照して説明する。図２１は、女性生殖器癌評価サービス処理の一例を示すフローチャートである。
　なお、本処理で用いるアミノ酸濃度データは、個体から予め採取した血液を分析して得たアミノ酸の濃度値に関するものである。ここで、血液中のアミノ酸の分析方法について簡単に説明する。まず、採血した血液サンプルを、ヘパリン処理したチューブに採取し、その後、当該チューブに対して遠心分離を行うことで血漿を分離する。なお、分離したすべての血漿サンプルは、アミノ酸濃度の測定時まで－７０℃で凍結保存する。そして、アミノ酸濃度の測定時に、血漿サンプルに対してスルホサリチル酸を添加し、３％濃度調整により除蛋白処理を行う。なお、アミノ酸濃度の測定には、ポストカラムでニンヒドリン反応を用いた高速液体クロマトグラフィー（ＨＰＬＣ）を原理としたアミノ酸分析機を使用した。
　まず、Ｗｅｂブラウザ２１１を表示した画面上で利用者が入力装置２５０を介して女性生殖器癌評価装置１００が提供するＷｅｂサイトのアドレス（ＵＲＬなど）を指定すると、クライアント装置２００は女性生殖器癌評価装置１００へアクセスする。具体的には、利用者がクライアント装置２００のＷｅｂブラウザ２１１の画面更新を指示すると、Ｗｅｂブラウザ２１１は、女性生殖器癌評価装置１００が提供するＷｅｂサイトのアドレスを所定の通信規約で女性生殖器癌評価装置１００へ送信することで、アミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求を、当該アドレスに基づくルーティングで女性生殖器癌評価装置１００へ行う。
　つぎに、女性生殖器癌評価装置１００は、要求解釈部１０２ａで、クライアント装置２００からの送信を受け、当該送信の内容を解析し、解析結果に応じて制御部１０２の各部に処理を移す。具体的には、送信の内容がアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求であった場合、女性生殖器癌評価装置１００は、主として閲覧処理部１０２ｂで、記憶部１０６の所定の記憶領域に格納されている当該Ｗｅｂページを表示するためのＷｅｂデータを取得し、取得したＷｅｂデータをクライアント装置２００へ送信する。より具体的には、利用者からアミノ酸濃度データ送信画面に対応するＷｅｂページの送信要求があった場合、女性生殖器癌評価装置１００は、まず、制御部１０２で、利用者ＩＤや利用者パスワードの入力を利用者に対して求める。そして、利用者ＩＤやパスワードが入力されると、女性生殖器癌評価装置１００は、認証処理部１０２ｃで、入力された利用者ＩＤやパスワードと利用者情報ファイル１０６ａに格納されている利用者ＩＤや利用者パスワードとの認証判断を行う。そして、女性生殖器癌評価装置１００は、認証可の場合にのみ、閲覧処理部１０２ｂで、アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのＷｅｂデータをクライアント装置２００へ送信する。なお、クライアント装置２００の特定は、クライアント装置２００から送信要求と共に送信されたＩＰアドレスで行う。
　つぎに、クライアント装置２００は、女性生殖器癌評価装置１００から送信されたＷｅｂデータ（アミノ酸濃度データ送信画面に対応するＷｅｂページを表示するためのもの）を受信部２１３で受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、モニタ２６１にアミノ酸濃度データ送信画面を表示する。
　つぎに、モニタ２６１に表示されたアミノ酸濃度データ送信画面に対し利用者が入力装置２５０を介して個体のアミノ酸濃度データなどを入力・選択すると、クライアント装置２００は、送信部２１４で、入力情報や選択事項を特定するための識別子を女性生殖器癌評価装置１００へ送信することで、評価対象の個体のアミノ酸濃度データを女性生殖器癌評価装置１００へ送信する（ステップＳＡ－２１）。なお、ステップＳＡ－２１におけるアミノ酸濃度データの送信は、ＦＴＰ等の既存のファイル転送技術等により実現してもよい。
　つぎに、女性生殖器癌評価装置１００は、要求解釈部１０２ａで、クライアント装置２００から送信された識別子を解釈することによりクライアント装置２００の要求内容を解釈し、女性生殖器癌の状態の評価用の多変量判別式の送信要求をデータベース装置４００へ行う。
　つぎに、データベース装置４００は、要求解釈部４０２ａで、女性生殖器癌評価装置１００からの送信要求を解釈し、記憶部４０６の所定の記憶領域に格納した、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式（例えばアップデートされた最新のもの。当該多変量判別式は、１つの分数式または複数の分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つである。）を女性生殖器癌評価装置１００へ送信する（ステップＳＡ－２２）。
　ここで、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で子宮頸癌または非子宮頸癌であるか否かを判別する場合には、Ａｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で子宮体癌または非子宮体癌であるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で卵巣癌または非卵巣癌であるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で女性生殖器癌罹患リスク群または健常群であるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式でもよい。
　また、ステップＳＡ－２２において女性生殖器癌評価装置１００へ送信する多変量判別式は、後述するステップＳＡ－２６で子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する場合には、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含むものでもよい。具体的には、多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。
　図２１の説明に戻り、女性生殖器癌評価装置１００は、受信部１０２ｆで、クライアント装置２００から送信された個体のアミノ酸濃度データおよびデータベース装置４００から送信された多変量判別式を受信し、受信したアミノ酸濃度データをアミノ酸濃度データファイル１０６ｂの所定の記憶領域に格納すると共に、受信した多変量判別式を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＡ－２３）。
　つぎに、女性生殖器癌評価装置１００は、制御部１０２で、ステップＳＡ－２３で受信した個体のアミノ酸濃度データから欠損値や外れ値などのデータを除去する（ステップＳＡ－２４）。
　つぎに、女性生殖器癌評価装置１００は、判別値算出部１０２ｉで、ステップＳＡ－２４で欠損値や外れ値などのデータが除去された個体のアミノ酸濃度データおよびステップＳＡ－２３で受信した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出し（ステップＳＡ－２５）、判別値基準判別部１０２ｊ１で、ステップＳＡ－２５で算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、下記２１．～２８．に示す判別のいずれか１つを行い、その判別結果を評価結果ファイル１０６ｇの所定の記憶領域に格納する（ステップＳＡ－２６）。
２１．女性生殖器癌または非女性生殖器癌であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、女性生殖器癌または非女性生殖器癌であるか否かを判別する。
２２．子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかまたは非女性生殖器癌であるか否かを判別する。
２３．子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否かを判別する。
２４．子宮頸癌または非子宮頸癌であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌または非子宮頸癌であるか否かを判別する。
２５．子宮体癌または非子宮体癌であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮体癌または非子宮体癌であるか否かを判別する。
２６．卵巣癌または非卵巣癌であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、卵巣癌または非卵巣癌であるか否かを判別する。
２７．子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値と予め設定された閾値（カットオフ値）とを比較することで、個体につき、子宮頸癌、子宮体癌、卵巣癌のいずれかであるか否かを判別する。
２８．女性生殖器癌罹患リスク群または健常群であるか否かの判別
　ステップＳＡ－２５では、個体のアミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを変数として含む多変量判別式に基づいて、判別値を算出し、ステップＳＡ－２６では、算出した判別値に基づいて、評価対象につき、女性生殖器癌罹患リスク群または健常群であるか否かを判別する。
　図２１の説明に戻り、女性生殖器癌評価装置１００は、送信部１０２ｍで、ステップＳＡ－２６で得た判別結果を、アミノ酸濃度データの送信元のクライアント装置２００とデータベース装置４００とへ送信する（ステップＳＡ－２７）。具体的には、まず、女性生殖器癌評価装置１００は、Ｗｅｂページ生成部１０２ｅで、判別結果を表示するためのＷｅｂページを作成し、作成したＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域に格納する。ついで、利用者がクライアント装置２００のＷｅｂブラウザ２１１に入力装置２５０を介して所定のＵＲＬを入力し上述した認証を経た後、クライアント装置２００は、当該Ｗｅｂページの閲覧要求を女性生殖器癌評価装置１００へ送信する。ついで、女性生殖器癌評価装置１００は、閲覧処理部１０２ｂで、クライアント装置２００から送信された閲覧要求を解釈し、判別結果を表示するためのＷｅｂページに対応するＷｅｂデータを記憶部１０６の所定の記憶領域から読み出す。そして、女性生殖器癌評価装置１００は、送信部１０２ｍで、読み出したＷｅｂデータをクライアント装置２００へ送信すると共に、当該Ｗｅｂデータ又は判別結果をデータベース装置４００へ送信する。
　ここで、ステップＳＡ－２７において、女性生殖器癌評価装置１００は、制御部１０２で、判別結果を電子メールで利用者のクライアント装置２００へ通知してもよい。具体的には、まず、女性生殖器癌評価装置１００は、電子メール生成部１０２ｄで、利用者ＩＤなどを基にして利用者情報ファイル１０６ａに格納されている利用者情報を送信タイミングに従って参照し、利用者の電子メールアドレスを取得する。ついで、女性生殖器癌評価装置１００は、電子メール生成部１０２ｄで、取得した電子メールアドレスを宛て先とし利用者の氏名および判別結果を含む電子メールに関するデータを生成する。ついで、女性生殖器癌評価装置１００は、送信部１０２ｍで、生成した当該データを利用者のクライアント装置２００へ送信する。
　また、ステップＳＡ－２７において、女性生殖器癌評価装置１００は、ＦＴＰ等の既存のファイル転送技術等で、判別結果を利用者のクライアント装置２００へ送信してもよい。
　図２１の説明に戻り、データベース装置４００は、制御部４０２で、女性生殖器癌評価装置１００から送信された判別結果またはＷｅｂデータを受信し、受信した判別結果またはＷｅｂデータを記憶部４０６の所定の記憶領域に保存（蓄積）する（ステップＳＡ－２８）。
　また、クライアント装置２００は、受信部２１３で、女性生殖器癌評価装置１００から送信されたＷｅｂデータを受信し、受信したＷｅｂデータをＷｅｂブラウザ２１１で解釈し、個体の判別結果が記されたＷｅｂページの画面をモニタ２６１に表示する（ステップＳＡ－２９）。なお、判別結果が女性生殖器癌評価装置１００から電子メールで送信された場合には、クライアント装置２００は、電子メーラ２１２の公知の機能で、女性生殖器癌評価装置１００から送信された電子メールを任意のタイミングで受信し、受信した電子メールをモニタ２６１に表示する。
　以上により、利用者は、モニタ２６１に表示されたＷｅｂページを閲覧することで、女性生殖器癌に関する個体の判別結果を確認することができる。なお、利用者は、モニタ２６１に表示されたＷｅｂページの表示内容をプリンタ２６２で印刷してもよい。
　また、判別結果が女性生殖器癌評価装置１００から電子メールで送信された場合には、利用者は、モニタ２６１に表示された電子メールを閲覧することで、女性生殖器癌に関する個体の判別結果を確認することができる。利用者は、モニタ２６１に表示された電子メールの表示内容をプリンタ２６２で印刷してもよい。
　これにて、女性生殖器癌評価サービス処理の説明を終了する。
［２－４．第２実施形態のまとめ、およびその他の実施形態］
　以上、詳細に説明したように、女性生殖器癌評価システムによれば、クライアント装置２００は個体のアミノ酸濃度データを女性生殖器癌評価装置１００へ送信し、データベース装置４００は女性生殖器癌評価装置１００からの要求を受けて女性生殖器癌の判別用の多変量判別式を女性生殖器癌評価装置１００へ送信する。そして、女性生殖器癌評価装置１００は、（１）クライアント装置２００からアミノ酸濃度データを受信すると共にデータベース装置４００から多変量判別式を受信し、（２）受信したアミノ酸濃度データおよび多変量判別式に基づいて判別値を算出し、（３）算出した判別値と予め設定した閾値とを比較することで、個体につき、上記２１．～２８．に示す判別のいずれか１つを行い、（４）この判別結果をクライアント装置２００やデータベース装置４００へ送信する。そして、クライアント装置２００は女性生殖器癌評価装置１００から送信された判別結果を受信して表示し、データベース装置４００は女性生殖器癌評価装置１００から送信された判別結果を受信して格納する。これにより、女性生殖器癌と非女性生殖器癌との２群判別や子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別、子宮頸癌と非子宮頸癌との２群判別、子宮体癌と非子宮体癌との２群判別、卵巣癌と非卵巣癌との２群判別、女性生殖器癌罹患リスク群と健常群との２群判別、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、これらの２群判別やこれらの判別をさらに精度よく行うことができる。
　なお、ステップＳＡ－２６において上記２２．に示す判別を行う場合、多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを変数とする分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とする線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを変数とするロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを変数とするロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌、卵巣癌のいずれかと非女性生殖器癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２３．に示す判別を行う場合、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とする線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを変数とするロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌、子宮体癌のいずれかと非子宮頸癌、非子宮体癌のいずれかとの判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２４．に示す判別を行う場合、多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを変数とする分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを変数とする分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを変数とする分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを変数とする線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とする線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを変数とするロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを変数とするロジスティック回帰式でもよい。これにより、子宮頸癌と非子宮頸癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２５．に示す判別を行う場合、多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを変数とする分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを変数とする分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを変数とする分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを変数とする線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とする線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とする線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを変数とするロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを変数とするロジスティック回帰式でもよい。これにより、子宮体癌と非子宮体癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２６．に示す判別を行う場合、多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを変数とする分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを変数とする分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを変数とする分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを変数とする線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを変数とする線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とする線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを変数とするロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを変数とするロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを変数とするロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを変数とするロジスティック回帰式でもよい。これにより、卵巣癌と非卵巣癌との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２７．に示す判別を行う場合、多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを変数とするマハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを変数とするマハラノビス距離法で作成された式でもよい。これにより、子宮頸癌と子宮体癌と卵巣癌との判別に特に有用な多変量判別式で得られる判別値を利用して、当該判別をさらに精度よく行うことができる。
　また、ステップＳＡ－２６において上記２８．に示す判別を行う場合、多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とする線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを変数とするロジスティック回帰式でもよい。これにより、女性生殖器癌罹患リスク群と健常群との２群判別に特に有用な多変量判別式で得られる判別値を利用して、当該２群判別をさらに精度よく行うことができる。
　なお、上述した多変量判別式は、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法や、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の方法（後述する多変量判別式作成処理）で作成することができる。これら方法で得られた多変量判別式であれば、入力データとしてのアミノ酸濃度データにおけるアミノ酸濃度の単位に因らず、当該多変量判別式を女性生殖器癌の状態の評価に好適に用いることができる。
　また、本発明は、上述した第２実施形態以外にも、特許請求の範囲の書類に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。例えば、上述した第２実施形態で説明した各処理のうち、自動的に行な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、手動的に行な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、制御手順、具体的名称、各種の登録データおよび検索条件等のパラメータを含む情報、画面例、データベース構成については、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、女性生殖器癌評価装置１００に関して、図示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。また、女性生殖器癌評価装置１００の各部または各装置が備える処理機能（特に制御部１０２にて行なわれる各処理機能）については、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて、その全部または任意の一部を実現することができ、ワイヤードロジックによるハードウェアとして実現することもできる。
　ここで、「プログラム」とは任意の言語や記述方法にて記述されたデータ処理方法であり、ソースコードやバイナリコード等の形式を問わない。なお、「プログラム」は、必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）に代表される別個のプログラムと協働してその機能を達成するものを含む。なお、プログラムは、記録媒体に記録されており、必要に応じて女性生殖器癌評価装置１００に機械的に読み取られる。記録媒体に記録されたプログラムを各装置で読み取るための具体的な構成や読み取り手順や読み取り後のインストール手順等については、周知の構成や手順を用いることができる。
　また、「記録媒体」とは任意の「可搬用の物理媒体」や任意の「固定用の物理媒体」や「通信媒体」を含むものとする。なお、「可搬用の物理媒体」とはフレキシブルディスクや光磁気ディスクやＲＯＭやＥＰＲＯＭやＥＥＰＲＯＭやＣＤ－ＲＯＭやＭＯやＤＶＤ等である。「固定用の物理媒体」とは各種コンピュータシステムに内蔵されるＲＯＭやＲＡＭやＨＤ等である。「通信媒体」とは、ＬＡＮやＷＡＮやインターネット等のネットワークを介してプログラムを送信する場合における通信回線や搬送波のように、短期にプログラムを保持するものである。
　最後に、女性生殖器癌評価装置１００で行う多変量判別式作成処理の一例について図２２を参照して詳細に説明する。図２２は多変量判別式作成処理の一例を示すフローチャートである。なお、当該多変量判別式作成処理は、女性生殖器癌状態情報を管理するデータベース装置４００で行ってもよい。
　なお、本説明では、女性生殖器癌評価装置１００は、データベース装置４００から事前に取得した女性生殖器癌状態情報を、女性生殖器癌状態情報ファイル１０６ｃの所定の記憶領域に格納しているものとする。また、女性生殖器癌評価装置１００は、女性生殖器癌状態情報指定部１０２ｇで事前に指定した女性生殖器癌状態指標データおよびアミノ酸濃度データを含む女性生殖器癌状態情報を、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納しているものとする。
　まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納されている女性生殖器癌状態情報から所定の式作成手法に基づいて候補多変量判別式を作成し、作成した候補多変量判別式を候補多変量判別式ファイル１０６ｅ１の所定の記憶領域に格納する（ステップＳＢ－２１）。具体的には、まず、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、複数の異なる式作成手法（主成分分析や判別分析、サポートベクターマシン、重回帰分析、ロジスティック回帰分析、ｋ－ｍｅａｎｓ法、クラスター解析、決定木などの多変量解析に関するものを含む。）の中から所望のものを１つ選択し、選択した式作成手法に基づいて、作成する候補多変量判別式の形（式の形）を決定する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、女性生殖器癌状態情報に基づいて、選択した式選択手法に対応する種々（例えば平均や分散など）の計算を実行する。つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式作成部１０２ｈ１で、計算結果および決定した候補多変量判別式のパラメータを決定する。これにより、選択した式作成手法に基づいて候補多変量判別式が作成される。なお、複数の異なる式作成手法を併用して候補多変量判別式を同時並行（並列）的に作成する場合は、選択した式作成手法ごとに上記の処理を並行して実行すればよい。また、複数の異なる式作成手法を併用して候補多変量判別式を直列的に作成する場合は、例えば、主成分分析を行って作成した候補多変量判別式を利用して女性生殖器癌状態情報を変換し、変換した女性生殖器癌状態情報に対して判別分析を行うことで候補多変量判別式を作成してもよい。
　つぎに、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、ステップＳＢ－２１で作成した候補多変量判別式を所定の検証手法に基づいて検証（相互検証）し、検証結果を検証結果ファイル１０６ｅ２の所定の記憶領域に格納する（ステップＳＢ－２２）。具体的には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納されている女性生殖器癌状態情報に基づいて候補多変量判別式を検証する際に用いる検証用データを作成し、作成した検証用データに基づいて候補多変量判別式を検証する。なお、ステップＳＢ－２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成した場合には、多変量判別式作成部１０２ｈは、候補多変量判別式検証部１０２ｈ２で、各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証する。ここで、ステップＳＢ－２２において、ブートストラップ法やホールドアウト法、リーブワンアウト法などのうち少なくとも１つに基づいて候補多変量判別式の判別率や感度、特異性、情報量基準などのうち少なくとも１つに関して検証してもよい。これにより、女性生殖器癌状態情報や診断条件を考慮した予測性または堅牢性の高い候補指標式を選択することができる。
　つぎに、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、ステップＳＢ－２２での検証結果から所定の変数選択手法に基づいて、候補多変量判別式の変数を選択することで、候補多変量判別式を作成する際に用いる女性生殖器癌状態情報に含まれるアミノ酸濃度データの組み合わせを選択し、選択したアミノ酸濃度データの組み合わせを含む女性生殖器癌状態情報を選択女性生殖器癌状態情報ファイル１０６ｅ３の所定の記憶領域に格納する（ステップＳＢ－２３）。なお、ステップＳＢ－２１で複数の異なる式作成手法を併用して候補多変量判別式を複数作成し、ステップＳＢ－２２で各式作成手法に対応する候補多変量判別式ごとに所定の検証手法に基づいて検証した場合には、ステップＳＢ－２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、ステップＳＢ－２２での検証結果に対応する候補多変量判別式ごとに所定の変数選択手法に基づいて候補多変量判別式の変数を選択する。ここで、ステップＳＢ－２３において、検証結果からステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズムのうち少なくとも１つに基づいて候補多変量判別式の変数を選択してもよい。なお、ベストパス法とは、候補多変量判別式に含まれる変数を１つずつ順次減らしていき、候補多変量判別式が与える評価指標を最適化することで変数を選択する方法である。また、ステップＳＢ－２３において、多変量判別式作成部１０２ｈは、変数選択部１０２ｈ３で、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納されている女性生殖器癌状態情報に基づいてアミノ酸濃度データの組み合わせを選択してもよい。
　つぎに、多変量判別式作成部１０２ｈは、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納されている女性生殖器癌状態情報に含まれるアミノ酸濃度データの全ての組み合わせが終了したか否かを判定し、判定結果が「終了」であった場合（ステップＳＢ－２４：Ｙｅｓ）には次のステップ（ステップＳＢ－２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ－２４：Ｎｏ）にはステップＳＢ－２１へ戻る。なお、多変量判別式作成部１０２ｈは、予め設定した回数が終了したか否かを判定し、判定結果が「終了」であった場合には（ステップＳＢ－２４：Ｙｅｓ）次のステップ（ステップＳＢ－２５）へ進み、判定結果が「終了」でなかった場合（ステップＳＢ－２４：Ｎｏ）にはステップＳＢ－２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、ステップＳＢ－２３で選択したアミノ酸濃度データの組み合わせが、指定女性生殖器癌状態情報ファイル１０６ｄの所定の記憶領域に格納されている女性生殖器癌状態情報に含まれるアミノ酸濃度データの組み合わせまたは前回のステップＳＢ－２３で選択したアミノ酸濃度データの組み合わせと同じであるか否かを判定し、判定結果が「同じ」であった場合（ステップＳＢ－２４：Ｙｅｓ）には次のステップ（ステップＳＢ－２５）へ進み、判定結果が「同じ」でなかった場合（ステップＳＢ－２４：Ｎｏ）にはステップＳＢ－２１へ戻ってもよい。また、多変量判別式作成部１０２ｈは、検証結果が具体的には各候補多変量判別式に関する評価値である場合には、当該評価値と各式作成手法に対応する所定の閾値との比較結果に基づいて、ステップＳＢ－２５へ進むかステップＳＢ－２１へ戻るかを判定してもよい。
　つぎに、多変量判別式作成部１０２ｈは、検証結果に基づいて、複数の候補多変量判別式の中から多変量判別式として採用する候補多変量判別式を選出することで多変量判別式を決定し、決定した多変量判別式（選出した候補多変量判別式）を多変量判別式ファイル１０６ｅ４の所定の記憶領域に格納する（ステップＳＢ－２５）。ここで、ステップＳＢ－２５において、例えば、同じ式作成手法で作成した候補多変量判別式の中から最適なものを選出する場合と、すべての候補多変量判別式の中から最適なものを選出する場合とがある。
　これにて、多変量判別式作成処理の説明を終了する。
　子宮頸癌、子宮体癌、卵巣癌の確定診断が行われた子宮頸癌、子宮体癌、卵巣癌の患者群の血液サンプルおよび非子宮頸癌、非子宮体癌、非卵巣癌の群の血液サンプルから、前述のアミノ酸分析法により血中アミノ酸濃度を測定した。ここで、本実施例１および以後の実施例において、子宮頸癌、子宮体癌、卵巣癌の患者群を総称して癌患者群と表記し、非子宮頸癌、非子宮体癌、非卵巣癌の群を非癌群と表記する場合がある。また、非癌群のうち、子宮筋腫などの良性疾患に罹患している群を良性疾患群、それ以外の群を健常群と表記する場合がある。また、良性疾患群と癌患者群の集団を女性生殖器癌罹患リスク群と表記する場合がある。
　癌患者群、良性疾患群及び健常群のアミノ酸変数の分布に関する箱ひげ図を図２３に、子宮頸癌群、子宮体癌群、卵巣癌群、良性疾患群及び健常群のアミノ酸変数の分布に関する箱ひげ図を図２４に示す。また、各群間の２群判別に関して、各アミノ酸変数のＲＯＣ曲線下面積を計算した結果を図２５に示す。
　図２３、図２４、図２５に示したように、健常群、良性疾患群、癌患者群の間で、多くのアミノ酸の濃度に差異が認められた。特に、非癌群、良性疾患群もしくは健常群と癌患者群との２群判別や健常群と女性生殖器癌罹患リスク群との２群判別においては、Ａｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｈｉｓ、Ｔｒｐ、Ａｒｇが常にＲＯＣ＿ＡＵＣの値の高い上位１２位以内にあることが認められた。また、非癌群、良性疾患群または健常群と子宮頸癌群との２群判別においては、Ｇｌｙ、Ｖａｌ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｌｙｓ、Ａｒｇが常にＲＯＣ＿ＡＵＣの値の高い上位１２位以内にあることが認められた。また、非癌群、良性疾患群または健常群と子宮体癌群との２群判別においては、Ｔｈｒ、Ａｓｎ、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ｔｒｐ、Ａｒｇが常にＲＯＣ＿ＡＵＣの値の高い上位１２位以内にあることが認められた。さらに、非癌群、良性疾患群または健常群と卵巣癌群との２群判別においては、Ａｓｎ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｔｙｒ、Ｈｉｓ、Ｔｒｐ、Ｌｙｓ、Ａｒｇが常にＲＯＣ＿ＡＵＣの値の高い上位１２位以内にあることが認められた。このことから、これらのアミノ酸が、子宮頸癌、子宮体癌、卵巣癌に寄与していることが認められた。
　実施例１で用いたサンプルデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と非癌群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と非癌群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と非癌群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した、その結果、同等の性能を持つ複数の指標式の中に指標式３（図２６参照）が得られた。なお、指標式１、指標式２、指標式３に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と健常群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と健常群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式５（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と健常群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式６（図２６参照）が得られた。なお、指標式４、指標式５、指標式６に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と良性疾患群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式７（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と良性疾患群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式（図２６参照）の中に指標式８が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と良性疾患群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式９（図２６参照）が得られた。なお、指標式７、指標式８、指標式９に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、健常群と女性生殖器癌罹患リスク群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１０（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、健常群と女性生殖器癌罹患リスク群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１１（図２６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、健常群と女性生殖器癌罹患リスク群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１２（図２６参照）が得られた。なお、指標式１０、指標式１１、指標式１２に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別における指標式１～３の診断性能を検証すべく、癌患者群と非癌群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図２６に示すような診断性能が得られ、これら視指標式が診断性能の高い有用なものであることが判明した。また、図２６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別における指標式４～６の診断性能を検証すべく、癌患者群と健常群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図２６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図２６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別における指標式７～９の診断性能を検証すべく、癌患者群と良性疾患群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図２６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図２６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別における指標式１０～１２の診断性能を検証すべく、健常群と女性生殖器癌罹患リスク群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図２６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図２６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　指標式１～１２のそれぞれについて、図２７から図４２に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図２７から図４２に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータのうち、子宮頸癌群、子宮体癌群及び非癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と非癌群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１３（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と非癌群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１４（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と非癌群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１５（図４３参照）が得られた。なお、指標式１３、指標式１４、指標式１５に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と健常群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１６（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と健常群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１７（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と健常群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１８（図４３参照）が得られた。なお、指標式１６、指標式１７、指標式１８に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式１９（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２０（図４３参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群及び子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２１（図４３参照）が得られた。なお、指標式１９、指標式２０、指標式２１に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群の判別における指標式１３～１５の診断性能を検証すべく、子宮頸癌群及び子宮体癌群と非癌群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図４３に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図４３に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群、子宮体癌群の判別における指標式１６～１８の診断性能を検証すべく、子宮頸癌群及び子宮体癌群と健常群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図４３に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図４３に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群、子宮体癌群の判別における指標式１９～２１の診断性能を検証すべく、子宮頸癌群及び子宮体癌群と良性疾患群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図４３に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図４３に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　指標式１３～２１のそれぞれについて、図４４～図５５に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図４４～図５５に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータのうち、子宮頸癌群及び非癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と非癌群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２２（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と非癌群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２３（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と非癌群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２４（図５６参照）が得られた。なお、指標式２２、指標式２３、指標式２４に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と健常群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２５（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と健常群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２６（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と健常群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２７（図５６参照）が得られた。なお、指標式２５、指標式２６、指標式２７に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と良性疾患群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２８（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と良性疾患群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式２９（図５６参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群と良性疾患群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３０（図５６参照）が得られた。なお、指標式２８、指標式２９、指標式３０に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群の判別における指標式２２～２５の診断性能を検証すべく、子宮頸癌群と非癌群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図５６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図５６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群の判別における指標式２５～２７の診断性能を検証すべく、子宮頸癌群と健常群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図５６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図５６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮頸癌群の判別における指標式２８～３０の診断性能を検証すべく、子宮頸癌群と良性疾患群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図５６に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図５６に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　指標式２２～３０のそれぞれについて、図５７～図６８に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図５７～図６８に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータのうち、子宮体癌群及び非癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と非癌群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３１（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と非癌群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３２（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と非癌群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３３（図６９参照）が得られた。なお、指標式３１、指標式３２、指標式３３に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と健常群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３４（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と健常群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３５（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と健常群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３６（図６９参照）が得られた。なお、指標式３４、指標式３５、指標式３６に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３７（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３８（図６９参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮体癌群と良性疾患群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式３９（図６９参照）が得られた。なお、指標式３７、指標式３８、指標式３９に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮体癌群の判別における指標式３１～３３の診断性能を検証すべく、子宮体癌群と非癌群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図６９に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図６９に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮体癌群の判別における指標式３４～３６の診断性能を検証すべく、子宮体癌群と健常群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図６９に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図６９に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　子宮体癌群の判別における指標式３７～３９の診断性能を検証すべく、子宮体癌群と良性疾患群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図６９に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図６９に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　指標式３１～３９のそれぞれについて、図７０～図８１に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図７０～図８１に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータのうち、卵巣癌群及び非癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と非癌群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４０（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と非癌群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４１（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と非癌群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４２（図８２参照）が得られた。なお、指標式４０、指標式４１、指標式４２に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と健常群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４３（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と健常群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４４（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と健常群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４５（図８２参照）が得られた。なお、指標式４３、指標式４４、指標式４５に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と良性疾患群との２群判別性能を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４６（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と良性疾患群との２群判別性能を最大化する指標を、線形判別分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４７（図８２参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、卵巣癌群と良性疾患群との２群判別性能を最大化する指標を、ロジスティック回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４８（図８２参照）が得られた。なお、指標式４６、指標式４７、指標式４８に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　卵巣癌群の判別における指標式４０～４２の診断性能を検証すべく、卵巣癌群と非癌群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図８２に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図８２に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　卵巣癌群の判別における指標式４３～４５の診断性能を検証すべく、卵巣癌群と健常群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図８２に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図８２に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　卵巣癌群の判別における指標式４６～４８の診断性能を検証すべく、卵巣癌群と良性疾患群との２群判別についてＲＯＣ曲線による評価を行った。その結果、図８２に示すような診断性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。また、図８２に示すように、これらの指標式について、最適なカットオフ値や、用いたデータでの感度、特異度、陽性的中率、陰性的中率及び正答率を求めた。
　指標式４０～４８のそれぞれについて、図８３～図９４に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図８３～図９４に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群、良性疾患群、健常群の３群間のスピアマン順位相関係数を最大化する指標を、本出願人による国際出願である国際公開第２００４／０５２１９１号に記載の方法を用いて鋭意探索した。その結果、同等の性能を持つ複数の指標式の中に指標式４９（図９５参照）が得られた。また、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群、良性疾患群、健常群の３群間のスピアマン相関係数を最大化する指標を、重回帰分析（ＡＩＣ最小基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に指標式５０（図９５参照）が得られた。なお、指標式４９、指標式５０に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頸癌群、子宮体癌群、卵巣癌群の判別における指標式４９及び５０の診断性能を検証すべく、癌患者群、良性疾患群、健常群の３群間のスピアマン順位相関係数、並びに癌患者群と健常群、癌患者群と良性疾患群、及び良性疾患群と健常群の２群判別について、ＲＯＣ曲線による評価を行った。その結果、図９５に示すような判別性能が得られ、これらの指標式が診断性能の高い有用なものであることが判明した。
　指標式４９及び５０のそれぞれについて、図９６～図９９に順に示すように、同等の判別の性能を有する指標式が複数得られた。なお、図９６～図９９に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１に用いたサンプルデータのうち、子宮頸癌群、子宮体癌群及び卵巣癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群、子宮体癌群、卵巣癌群の３群判別性能を最大化する指標を、ステップワイズ変数選択法によるマハラノビス距離による判別分析により探索した。その結果、変数群１としてＣｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡが得られた。
　変数群１による子宮頸癌群、子宮体癌群、卵巣癌群の診断性能を、判別結果の正答率で評価した。その結果、図１００に示すように、子宮頸癌の正答率が９０．０％、子宮体癌の正答率が９０．２％、卵巣癌の正答率が８１．０％、全体の正答率が事前確率を各群それぞれ３３．３％で等しいとした場合８７．１％、と高い判別性能を示した。
　図１０１～図１０３に示すように、変数群１と同等の判別性能を有するアミノ酸変数群の組み合わせが複数得られた。
　実施例１に用いたサンプルデータのうち、子宮頸癌群、子宮体癌群及び卵巣癌群のデータを用いた。子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、子宮頸癌群、子宮体癌群、卵巣癌群の３群判別性能を最大化する指標を、ステップワイズ変数選択法による線形判別分析により探索した。その結果、指標式群１として、アミノ酸変数Ａｓｎ、Ｐｒｏ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｉｌｅ、Ｔｙｒ、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ及び定数項からなる判別式群（図１０４参照）が得られた。なお、指標式群１における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　指標式群１による子宮頸癌群、子宮体癌群、卵巣癌群の診断性能を、判別結果の正答率で評価した。その結果、図１０５に示すように、子宮頸癌の正答率が５５．０％、子宮体癌の正答率が５８．５％、卵巣癌の正答率が８１．０％、全体の正答率が事前確率を各群それぞれ３３．３％で等しいとした場合６３．４％、と高い判別性能を示した。
　図１０６、図１０７に示すように、指標式群１と同等の判別の性能を有するアミノ酸変数群の組み合わせが複数得られた。
　実施例１に用いたサンプルデータを用いた。上述した実施例２に対する比較例として、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して、癌患者群と非癌群、健常群と良性疾患群、癌患者群と健常群、良性疾患群と癌患者群、及び女性生殖器癌罹患リスク群と健常群の２群判別性能を、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の指標式１，１０，１１，１３を用いて検証した。その結果、図１０８に示すように、それぞれの２群判別に対しいずれの式を用いても、上述した実施例２で得られたＲＯＣ＿ＡＵＣを上回るＲＯＣ＿ＡＵＣの値は得られなかった。これにより、本発明における多変量判別式が、本出願人による国際出願である国際公開第２００６／０９８１９２号に記載の指標式群よりも、子宮頸癌群、子宮体癌群、卵巣癌群の判別に関して高い判別性能を有することが確認された。
　子宮頸癌、子宮体癌、卵巣癌の確定診断が行われた子宮頸癌、子宮体癌、卵巣癌患者群の血液サンプル、および非子宮頸癌、非子宮体癌、非卵巣癌群の血液サンプルから、前述のアミノ酸分析により血中アミノ酸濃度を測定した。アミノ酸濃度の単位はｎｍｏｌ／ｍｌである。ここで、本実施例１１および以後の実施例において、子宮頸癌、子宮体癌、卵巣癌の患者群を総称して癌患者群と表記し、非子宮頸癌、非子宮体癌、非卵巣癌の群を非癌群と表記する場合がある。また、子宮頸癌、子宮体癌の患者群を総称して子宮癌患者群と表記する場合がある。また、非癌群のうち、子宮筋腫などの良性疾患に罹患している群を良性疾患群、それ以外の群を健常群と表記する場合がある。また、良性疾患群と癌患者群の集団を女性生殖器癌罹患リスク群と表記する場合がある。
　癌患者群および非癌群のアミノ酸変数の分布に関する箱ひげ図を図１０９に示す。なお、図１０９において、横軸は非癌群（Ｃｏｎｔｒｏｌ）と癌患者群（Ｃａｎｃｅｒ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　癌患者群と非癌群の判別を目的に２群間のｔ検定を実施した。その結果、非癌群に比べて癌患者群では、Ｐｒｏ、Ｉｌｅ、Ｏｒｎが有意に増加し（有意差確率ｐ＜０．０５）、またＰｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｐｒｏ、Ｉｌｅ、Ｏｒｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ａｒｇが、癌患者群と非癌群の２群間の判別能を持つことが判明した。
　更に、癌患者群と非癌群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、ＭｅｔについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔが、癌患者群と非癌群の２群間の判別能を持つことが判明した。
　子宮癌患者群および非子宮癌群のアミノ酸変数の分布に関する箱ひげ図を図１１０に示す。なお、図１１０において、横軸は非子宮癌群（Ｃｏｎｔｒｏｌ）と子宮癌患者群（Ｃａｎｃｅｒ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　子宮癌患者群と非子宮癌群の判別を目的に２群間のｔ検定を実施した。その結果、非子宮癌群に比べて子宮癌患者群では、Ｐｒｏ、Ｉｌｅ、Ｏｒｎが有意に増加し（有意差確率ｐ＜０．０５）、またＰｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｐｒｏ、Ｉｌｅ、Ｏｒｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ａｒｇが、子宮癌患者群と非子宮癌群の２群間の判別能を持つことが判明した。
　更に、子宮癌患者群と非子宮癌群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、ＭｅｔについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔが、子宮癌患者群と非子宮癌群の２群間の判別能を持つことが判明した。
　子宮体癌患者群および非子宮体癌群のアミノ酸変数の分布に関する箱ひげ図を図１１１に示す。なお、図１１１において、横軸は非子宮体癌群（Ｃｏｎｔｒｏｌ）と子宮体癌患者群（Ｃａｎｃｅｒ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　子宮体癌患者群と非子宮体癌群の判別を目的に２群間のｔ検定を実施した。その結果、非子宮体癌群に比べて子宮体癌患者群では、Ｐｒｏ、Ｉｌｅが有意に増加し（有意差確率ｐ＜０．０５）、またＰｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｐｒｏ、Ｉｌｅ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ａｒｇが、子宮体癌患者群と非子宮体癌群の２群間の判別能を持つことが判明した。
　更に、子宮体癌患者群と非子宮体癌群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、ＶａｌについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌが、子宮体癌患者群と非子宮体癌群の２群間の判別能を持つことが判明した。
　子宮頸癌患者群および非子宮頸癌群のアミノ酸変数の分布に関する箱ひげ図を図１１２に示す。なお、図１１２において、横軸は非子宮頸癌群（Ｃｏｎｔｒｏｌ）と子宮頸癌患者群（Ｃａｎｃｅｒ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　子宮頸癌患者群と非子宮頸癌群の判別を目的に２群間のｔ検定を実施した。その結果、非子宮頸癌群に比べて子宮頸癌患者群では、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ａｒｇが、子宮頸癌患者群と非子宮頸癌群の２群間の判別能を持つことが判明した。
　更に、子宮頸癌患者群と非子宮頸癌群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｖａｌ、Ｌｅｕ、ＭｅｔについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｖａｌ、Ｌｅｕ、Ｍｅｔが、子宮頸癌患者群と非子宮頸癌群の２群間の判別能を持つことが判明した。
　卵巣癌患者群および非卵巣癌群のアミノ酸変数の分布に関する箱ひげ図を図１１３に示す。なお、図１１３において、横軸は非卵巣癌群（Ｃｏｎｔｒｏｌ）と卵巣癌患者群（Ｃａｎｃｅｒ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　卵巣癌患者群と非卵巣癌群の判別を目的に２群間のｔ検定を実施した。その結果、非卵巣癌群に比べて卵巣癌患者群では、Ｃｉｔが有意に増加し（有意差確率ｐ＜０．０５）、またＰｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ｌｙｓ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｃｉｔ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ｌｙｓ、Ａｒｇが、卵巣癌患者群と非卵巣癌群の２群間の判別能を持つことが判明した。
　更に、卵巣癌患者群と非卵巣癌群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｔｈｒ、Ａｌａ、Ｔｙｒ、Ｌｙｓ、ＡｒｇについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｔｈｒ、Ａｌａ、Ｔｙｒ、Ｌｙｓ、Ａｒｇが、卵巣癌患者群と非卵巣癌群の２群間の判別能を持つことが判明した。
　女性生殖器癌罹患リスク群および健常群のアミノ酸変数の分布に関する箱ひげ図を図１１４に示す。なお、図１１４において、横軸は健常群（Ｃｏｎｔｒｏｌ）と女性生殖器癌罹患リスク群（Ｒｉｓｋ）とを表し、図中のＡＢＡおよびＣｙｓはそれぞれα－ＡＢＡ（α－アミノ酪酸）およびＣｙｓｔｉｎｅを表す。
　女性生殖器癌罹患リスク群と健常群の判別を目的に２群間のｔ検定を実施した。その結果、健常群に比べて女性生殖器癌罹患リスク群では、Ｐｒｏ、Ｉｌｅ、Ｏｒｎが有意に増加し（有意差確率ｐ＜０．０５）、またＰｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ａｒｇが有意に減少した（有意差確率ｐ＜０．０５）。これにより、アミノ酸変数Ｐｒｏ、Ｉｌｅ、Ｏｒｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｓｎ、Ｖａｌ、Ｌｅｕ、Ｍｅｔ、Ｓｅｒ、Ｔｈｒ、Ｇｌｎ、Ａｌａ、Ｔｙｒ、Ａｒｇが、女性生殖器癌罹患リスク群と健常群の２群間の判別能を持つことが判明した。
　更に、女性生殖器癌罹患リスク群と健常群との２群判別における各アミノ酸変数の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、ＭｅｔについてＡＵＣが０．６５より大きい値を示した。これにより、アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｍｅｔが、女性生殖器癌罹患リスク群と健常群の２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。癌患者群と非癌群との２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５１として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒから構成されるロジスティック回帰式（アミノ酸変数Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒの数係数と定数項は順に、－０．１００００、－０．０４３７８、－０．１７８７９、０．０３９１１、０．０７８５２、０．０３５６６、５．８６０３６）が得られた。
　癌患者群と非癌群との２群判別における指標式５１の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１１５参照）。その結果、０．８９８±０．０１７（９５％信頼区間は０．８６５～０．９３２）が得られた。これにより、指標式５１が診断性能の高い有用な指標であることが判明した。また、指標式５１による癌患者群と非癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－１．０２１となり、感度８５．８３％、特異度８２．７４％が得られた。これにより、指標式５１が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５１と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１１６、図１１７、図１１８および図１１９に示す。なお、図１１６、図１１７、図１１８および図１１９に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。癌患者群と非癌群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５２として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒの数係数と定数項は順に、－０．０９７９３、－０．０４２７０、－０．１７５９５、０．０５４７７、０．０７５１２、０．０３３３１、６．２７２１１）が得られた。
　癌患者群と非癌群との２群判別における指標式５２の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１２０参照）。その結果、０．８９９±０．０１７（９５％信頼区間は０．８６６～０．９３２）が得られた。これにより、指標式５２が診断性能の高い有用な指標であることが判明した。また、指標式５２による癌患者群と非癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－０．０８６９７となり、感度８５．０４％、特異度９３。７１％が得られた。これにより、指標式５２が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５２と同等の判別性能を有する線形判別式は複数得られた。それらを図１２１、図１２２、図１２３および図１２４に示す。なお、図１２１、図１２２、図１２３および図１２４に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。癌患者群と非癌群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ａｓｎ、Ｐｒｏ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｈｉｓ、Ｔｒｐ、ＯｒｎがＲＯＣ曲線下面積０．７，０．７５，０．８、０．８５をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１２５参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が癌患者群と非癌群との２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。子宮癌患者群と非子宮癌群の２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５３として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒから構成されるロジスティック回帰式（アミノ酸変数Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒの数係数と定数項は順に、－０．０９２９８、－０．０４４３４、－０．１７１３９、０．５７３２、０．０７２６７、０．０３７９０、４．６７２３０）が得られた。
　子宮癌患者群と非子宮癌群との２群判別における指標式５３の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１２６参照）。その結果、０．８９３±０．０１９（９５％信頼区間は０．８５６～０．９３０）が得られた。これにより、指標式５３が診断性能の高い有用な指標であることが判明した。また、指標式５３による子宮癌患者群と非子宮癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－０．１６０８となり、感度８７．１０％、特異度８２．７４％が得られた。これにより、指標式５３が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５３と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１２７、図１２８、図１２９および図１３０に示す。なお、図１２７、図１２８、図１２９および図１３０に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮癌患者群と非子宮癌群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５４として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒの数係数と定数項は順に、－０．０９００１、－０．０４３３６、－０．１７３９４、０．０７５３７、０．０６８２５、０．０３６７３、５．３５８２７）が得られた。
　子宮癌患者群と非子宮癌群との２群判別における指標式５４の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１３１参照）。その結果、０．８９８±０．０１７（９５％信頼区間は０．８６５～０．９３２）が得られた。これにより、指標式５４が診断性能の高い有用な指標であることが判明した。また、指標式５４による子宮癌患者群と非子宮癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－１．０２１となり、感度８５．８３％、特異度８３．０６％が得られた。これにより、指標式５４が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５４と同等の判別性能を有する線形判別式は複数得られた。それらを図１３２、図１３３、図１３４および図１３５に示す。なお、図１３２、図１３３、図１３４および図１３５に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮癌患者群と非子宮癌群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ｐｒｏ、Ｍｅｔ、Ｉｌｅ、Ｈｉｓ、ＯｒｎがＲＯＣ曲線下面積０．７，０．７５，０．８、０．８５をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１３６参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が子宮癌群と非子宮癌群との２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。子宮体癌患者群と非子宮体癌群との２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５５として、Ｈｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅから構成されるロジスティック回帰式（アミノ酸変数Ｈｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅの数係数と定数項は順に、－０．１０１４９、－０．０７９６８、－０．０１３３６、０．０１０１８、０．０７１２９、０．０４０４６、４．９２３９７）が得られた。
　子宮体癌患者群と非子宮体癌群との２群判別における指標式５５の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１３７参照）。その結果、０．８９８８±０．０２０（９５％信頼区間は０．８５９～０．９３８）が得られた。これにより、指標式５５が診断性能の高い有用な指標であることが判明した。また、指標式５５による子宮体癌患者群と非子宮体癌群との２群判別おけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－１．４９０となり、感度８８．５２％、特異度８３．０６が得られた。これにより、指標式５５が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５５と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１３８、図１３９、図１４０および図１４１に示す。なお、図１３８、図１３９、図１４０および図１４１に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮体癌患者群と非子宮体癌群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５６として、Ｈｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅの数係数と定数項は順に、－０．１０１５９、－０．０８５３２、－０．０１１９０、０．０１４８９、０．０９５９１、０．０３０３２、５．６１３２３）が得られた。
　子宮体癌患者群と非子宮体癌群との２群判別における指標式５６の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１４２参照）。その結果、０．８８６±０．０２４（９５％信頼区間は０．８４０～０．９３３）が得られた。これにより、指標式５６が診断性能の高い有用な指標であることが判明した。また、指標式５６による子宮体癌患者群と非子宮体癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－１．３５６となり、感度８８．５２％、特異度７７．８５％が得られた。これにより、指標式５６が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５６と同等の判別性能を有する線形判別式は複数得られた。それらを図１４３、図１４４、図１４５および図１４６に示す。なお、図１４３、図１４４、図１４５および図１４６に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮体癌患者群と非子宮体癌群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ａｓｎ、Ｐｒｏ、Ｃｉｔ、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、ＴｒｐがＲＯＣ曲線下面積０．７，０．７５，０．８、０．８５をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１４７参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が子宮体癌群と非子宮体癌群との２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。子宮頚癌患者群と非子宮頸癌群との２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５７として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓから構成されるロジスティック回帰式（アミノ酸変数Ｏｒｎ，Ｇｌｎ，Ｔｒｐ，Ｃｉｔの数係数と定数項は順に、－０．０８５１２、－０．０７０７６、－０．２３７７６、０．０７１０９、０．０４４４８、０．０１６２１、５．３７１６５）が得られた。
　子宮頚癌患者群と非子宮頸癌群との２群判別における指標式５７の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１４８参照）。その結果、０．９１９±０．０２０（９５％信頼区間は０．８７９～０．９５９）が得られた。これにより、指標式５７が診断性能の高い有用な指標であることが判明した。また、指標式５７による子宮頚癌患者群と非子宮頸癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－２．４９８となり、感度８１．１１％、特異度８５．８７％が得られた。これにより、指標式５７が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５７と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１４９、図１５０、図１５１および図１５２に示す。なお、図１４９、図１５０、図１５１および図１５２に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮頚癌患者群と非子宮頚癌群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５８として、Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓの数係数と定数項は順に、－０．０９５９８、－０．０８８９１、－０．２５４８７、０．０９９１９、０．０４４４０、０．０２２２３、７．６８５７６）が得られた。
　子宮頚癌患者群と非子宮頚癌群との２群判別における指標式５８の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１５３参照）。その結果、０．９２１±０．０１９（９５％信頼区間は０．８８３～０．９５９）が得られた。これにより、指標式５８が診断性能の高い有用な指標であることが判明した。また、指標式５８による子宮頚癌患者群と非子宮頚癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－０．２１８９となり、感度９０．６３％、特異度８３．３９％が得られた。これにより、指標式５８が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５８と同等の判別性能を有する線形判別式は複数得られた。それらを図１５４、図１５５、図１５６および図１５７に示す。なお、図１５４、図１５５、図１５６および図１５７に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。子宮頚癌患者群と非子宮頚癌群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、ＯｒｎがＲＯＣ曲線下面積０．７，０．７５，０．８、０．８５をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１５８参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が子宮頚癌群と非子宮頚癌群との２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。卵巣癌患者群と非卵巣癌群との２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式５９として、Ｈｉｓ、Ｔｒｐ、Ｇｌｕ，ＣＩｔ、Ｉｌｅ、Ｏｒｎから構成されるロジスティック回帰式（アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ｇｌｕ，ＣＩｔ、Ｉｌｅ、Ｏｒｎの数係数と定数項は順に、－０．１３７６７－０．１１４５７－０．０４０３１－０．１５４４９、０．０８７６５、０．０４６３１、１０．７０４６４）が得られた。
　卵巣癌患者群と非卵巣癌群との２群判別における指標式５９の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１５９参照）。その結果、０．９５０±０．０１６（９５％信頼区間は０．９１７～０．９８２）が得られた。これにより、指標式５９が診断性能の高い有用な指標であることが判明した。また、指標式５９による卵巣癌患者群と非卵巣癌群の２群判別おけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－１．９０９となり、感度８８．２４、特異度８９．５８％が得られた。これにより、指標式５９が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式５９と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１６０、図１６１、図１６２および図１６３に示す。なお、図１６０、図１６１、図１６２および図１６３に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。卵巣癌患者群と非卵巣癌群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式６０として、Ｈｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎの数係数と定数項は順に、－０．１３９８３、－０．１１３４１、－０．０４５７２－０．１０３６８、０．１２１６０、０．０５４５９、９．２７９８１）が得られた。
　卵巣癌患者群と非卵巣癌群との２群判別における指標式６０の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１６４参照）。その結果、０．９５１±０．０１４（９５％信頼区間は０．９２４～０．９７９）が得られた。これにより、指標式６０が診断性能の高い有用な指標であることが判明した。また、指標式６０による卵巣癌患者群と非卵巣癌群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が０．０９５１２となり、感度８８．２４％、特異度８９．５８％が得られた。これにより、指標式６０が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式６０と同等の判別性能を有する線形判別式は複数得られた。それらを図１６５、図１６６、図１６７および図１６８に示す。なお、図１６５、図１６６、図１６７および図１６８に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。卵巣癌患者群と非卵巣癌群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ａｓｎ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｈｉｓ、Ｔｒｐ、ＯｒｎがＲＯＣ曲線下面積０．７５，０．８、０．８５、０．９をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１６９参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が卵巣癌群と非卵巣癌群との２群間の判別能を持つことが判明した。
　実施例１１で用いたサンプルデータを用いた。女性生殖器癌罹患リスク群と健常群との２群判別性能を最大化する指標をロジスティック解析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式６１として、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇから構成されるロジスティック回帰式（アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇの数係数と定数項は順に、－０．０６０９５、－０．１１８２７、－０．１４７７６、０．０１４５９、０．０３２９９、－０．０３８７５、１０．４０２５０）が得られた。
　女性生殖器癌罹患リスク群と健常群との２群判別における指標式６１の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１７０参照）。その結果、０．９０３±０．０１４（９５％信頼区間は０．８７６～０．９３０）が得られた。これにより、指標式６１が診断性能の高い有用な指標であることが判明した。また、指標式６１による女性生殖器癌罹患リスク群と健常群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－０．５３１３となり、感度８９．１４％、特異度７６．５３％が得られた。これにより、指標式６１が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式６１と同等の判別性能を有するロジスティック回帰式は複数得られた。それらを図１７１、図１７２、図１７３および図１７４に示す。なお、図１７１、図１７２、図１７３および図１７４に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。女性生殖器癌罹患リスク群と健常群との２群判別性能を最大化する指標を線形判別分析（ＲＯＣ曲線下面積最大化基準による変数網羅法）により探索した。その結果、指標式６２として、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇから構成される線形判別式（アミノ酸変数Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇの数係数と定数項は順に、－０．０５２１３、－０．１０９３３、－０．１４６８６、０．０１４８０、０．０３２０７、－０．０３３１８、８．８４４５０）が得られた。
　女性生殖器癌罹患リスク群と健常群との２群判別における指標式６２の判別性能をＲＯＣ曲線のＡＵＣで評価した（図１７５参照）。その結果、０．９０３±０．０１４（９５％信頼区間は０．８７６～０．９３０）が得られた。これにより、指標式６２が診断性能の高い有用な指標であることが判明した。また、指標式６２による女性生殖器癌罹患リスク群と健常群との２群判別におけるカットオフ値について、感度と特異度の平均値について最適なカットオフ値を求めると、カットオフ値が－０．４７７８となり、感度８８．６９％、特異度７７．９３％が得られた。これにより、指標式６２が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式６２と同等の判別性能を有する線形判別式は複数得られた。それらを図１７６、図１７７、図１７８および図１７９に示す。なお、図１７６、図１７７、図１７８および図１７９に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１で用いたサンプルデータを用いた。女性生殖器癌罹患リスク群と健常群との２群判別を行う線形判別式を変数網羅法により全て抽出した。このとき、各式に出現するアミノ酸変数の最大値は６として、この条件を満たす全ての式のＲＯＣ曲線下面積を計算した。このとき、ＲＯＣ曲線下面積がある閾値以上の式中で、各アミノ酸が出現する頻度を測定した結果、Ｐｒｏ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、ＡｒｇがＲＯＣ曲線下面積０．７，０．７５，０．８、０．８５をそれぞれ閾値としたときに、常に高頻度で抽出されるアミノ酸の上位１０位以内となることが確認された（図１８０参照）。これにより、これらのアミノ酸を変数として用いた多変量判別式が女性生殖器癌罹患リスク群と健常群の２群間の判別能を持つことが判明した。
　実施例１１に用いたサンプルデータを用いた。癌患者群、良性疾患群、健常群の３群判別性能を最大化する指標を線形判別分析（スピアマン順位相関係数最大化基準による変数網羅法）により探索した。その結果、同等の性能を持つ複数の指標式の中に、指標式６３「Ｈｉｓ、Ｔｒｐ、Ｍｅｔ、Ｐｒｏ、Ｉｌｅ、Ｌｙｓから構成される線形判別式（アミノ酸変数Ｈｉｓ、Ｔｒｐ、Ｍｅｔ、Ｐｒｏ、Ｉｌｅ、Ｌｙｓの数係数と定数項は順に、－０．０２７４９、－０．０１４８３、－０．０４０９９、０．００２３２、０．０１３３８、０．００４１９）」が得られた。癌患者群、良性疾患群、健常群の３群判別における指標式６３の判別性能をスピアマン順位相関係数で評価した。その結果、０．７２８が得られた。これにより、指標式６３が診断性能の高い有用な指標であることが判明した。また、癌患者群と健常群、癌患者群と良性疾患群、及び良性疾患群と健常群のそれぞれの２群判別における指標式６３の判別性能をＲＯＣ曲線のＡＵＣで評価した。その結果、それぞれの２群判別に対して、０．９４３、０．７５７、０．８４１が得られた。これにより、指標式６３が診断性能の高い有用な指標であることが判明した。なお、このほかに指標式６３と同等の判別性能を有する線形判別式は複数得られた。それらを図１８１および図１８２に示す。なお、図１８１および図１８２に示す式における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　実施例１１に用いたサンプルデータのうち、子宮頚癌群、子宮体癌群及び卵巣癌群のデータを用いた。子宮頚癌群、子宮体癌群、卵巣癌群の３群判別性能を最大化するアミノ酸変数を、マハラノビス距離による判別分析により探索した。その結果、変数群１として、Ｈｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓが得られた。
　子宮頚癌群、子宮体癌群、卵巣癌群の３群判別における変数群１の判別性能を、判別結果の正答率で評価した。その結果、全体の正答率が８０．３％と高い判別性能を示した。なお、図１８３および図１８４に示すように、変数群１と同等の判別性能を有するアミノ酸変数群の組み合わせが複数得られた。
　実施例１１に用いたサンプルデータのうち、子宮頚癌群、子宮体癌群及び卵巣癌群のデータを用いた。子宮頚癌群、子宮体癌群、卵巣癌群の３群判別性能を最大化する指標を線形判別分析により探索した。その結果、アミノ酸変数Ｐｈｅ、Ｔｒｐ、Ｐｒｏ、Ｇｌｕ、Ｃｉｔ、Ｔｙｒ、Ｌｙｓ及び定数項からなる線形判別式群１が得られた。なお、線形判別式群１における各係数の値は、それを実数倍したものでもよく、定数項の値は、それに任意の実定数を加減乗除したものでもよい。
　子宮頚癌群、子宮体癌群、卵巣癌群の３群判別における線形判別式群１の判別性能を、判別結果の正答率で評価した。その結果、全体の正答率が６２．２％と高い判別性能を示した。なお、図１８５、図１８６に示すように、線形判別式群１と同等の判別性能を有する線形判別式群を構成するアミノ酸変数群の組み合わせが複数得られた。
　以上のように、本発明にかかる女性生殖器癌の評価方法は、産業上の多くの分野、特に医薬品や食品、医療などの分野で広く実施することができ、特に、女性生殖器癌の病態予測や疾病リスク予測などを行う分野において極めて有用である。
　１００　女性生殖器癌評価装置
　　　　　１０２　制御部
　　　　　　　　　１０２ａ　要求解釈部
　　　　　　　　　１０２ｂ　閲覧処理部
　　　　　　　　　１０２ｃ　認証処理部
　　　　　　　　　１０２ｄ　電子メール生成部
　　　　　　　　　１０２ｅ　Ｗｅｂページ生成部
　　　　　　　　　１０２ｆ　受信部
　　　　　　　　　１０２ｇ　女性生殖器癌状態情報指定部
　　　　　　　　　１０２ｈ　多変量判別式作成部
　　　　　　　　　　　　　　１０２ｈ１　候補多変量判別式作成部
　　　　　　　　　　　　　　１０２ｈ２　候補多変量判別式検証部
　　　　　　　　　　　　　　１０２ｈ３　変数選択部
　　　　　　　　　１０２ｉ　判別値算出部
　　　　　　　　　１０２ｊ　判別値基準評価部
　　　　　　　　　　　　　　１０２ｊ１　判別値基準判別部
　　　　　　　　　１０２ｋ　結果出力部
　　　　　　　　　１０２ｍ　送信部
　　　　　１０４　通信インターフェース部
　　　　　１０６　記憶部
　　　　　　　　　１０６ａ　利用者情報ファイル
　　　　　　　　　１０６ｂ　アミノ酸濃度データファイル
　　　　　　　　　１０６ｃ　女性生殖器癌状態情報ファイル
　　　　　　　　　１０６ｄ　指定女性生殖器癌状態情報ファイル
　　　　　　　　　１０６ｅ　多変量判別式関連情報データベース
　　　　　　　　　　　　　　１０６ｅ１　候補多変量判別式ファイル
　　　　　　　　　　　　　　１０６ｅ２　検証結果ファイル
　　　　　　　　　　　　　　１０６ｅ３　選択女性生殖器癌状態情報ファイル
　　　　　　　　　　　　　　１０６ｅ４　多変量判別式ファイル
　　　　　　　　　１０６ｆ　判別値ファイル
　　　　　　　　　１０６ｇ　評価結果ファイル
　　　　　１０８　入出力インターフェース部
　　　　　１１２　入力装置
　　　　　１１４　出力装置
　２００　クライアント装置（情報通信端末装置）
　３００　ネットワーク
　４００　データベース装置

Claims (19)

  1. 　評価対象から採取した血液からアミノ酸の濃度値に関するアミノ酸濃度データを測定する測定ステップと、
    　前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、子宮頸癌、子宮体癌および卵巣癌のうち少なくとも１つを含む女性生殖器癌の状態を評価する濃度値基準評価ステップと
    　を含むことを特徴とする女性生殖器癌の評価方法。
  2. 　前記濃度値基準評価ステップは、
    　前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する濃度値基準判別ステップ
    　をさらに含むこと
    　を特徴とする請求項１に記載の女性生殖器癌の評価方法。
  3. 　前記濃度値基準評価ステップは、
    　前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、および前記アミノ酸の濃度を変数とする予め設定した多変量判別式に基づいて、当該多変量判別式の値である判別値を算出する判別値算出ステップと、
    　前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌の状態を評価する判別値基準評価ステップと
    　をさらに含み、
    　前記多変量判別式は、Ｔｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含むこと
    　を特徴とする請求項１に記載の女性生殖器癌の評価方法。
  4. 　前記判別値基準評価ステップは、
    　前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌または非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否か、前記子宮頸癌、前記子宮体癌のいずれかまたは非子宮頸癌、非子宮体癌のいずれかであるか否か、前記子宮頸癌または前記非子宮頸癌であるか否か、前記子宮体癌または前記非子宮体癌であるか否か、前記卵巣癌または非卵巣癌であるか否か、女性生殖器癌罹患リスク群または健常群であるか否か、または、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別する判別値基準判別ステップ
    　をさらに含むこと
    　を特徴とする請求項３に記載の女性生殖器癌の評価方法。
  5. 　前記多変量判別式は、１つの分数式または複数の前記分数式の和、またはロジスティック回帰式、線形判別式、重回帰式、サポートベクターマシンで作成された式、マハラノビス距離法で作成された式、正準判別分析で作成された式、決定木で作成された式のいずれか１つであること
    　を特徴とする請求項４に記載の女性生殖器癌の評価方法。
  6. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかまたは前記非女性生殖器癌であるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  7. 　前記多変量判別式は、Ｇｌｎ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式、Ｉｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇ、Ｔｙｒ、Ｔｒｐを前記変数とする前記分数式もしくはａ－ＡＢＡ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記線形判別式、Ａｌａ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｃｉｔ、Ｍｅｔ、Ｐｈｅを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｉｌｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、ａ－ＡＢＡ、Ｍｅｔ、Ｔｙｒを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項６に記載の女性生殖器癌の評価方法。
  8. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌のいずれかまたは前記非子宮頸癌、前記非子宮体癌のいずれかであるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  9. 　前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記線形判別式、またはＶａｌ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｔｈｒ、ａ－ＡＢＡ、Ｍｅｔ、Ｈｉｓを前記変数とする前記ロジスティック回帰式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項８に記載の女性生殖器癌の評価方法。
  10. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＡｓｎ、Ｖａｌ、Ｍｅｔ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌または前記非子宮頸癌であるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  11. 　前記多変量判別式は、ａ－ＡＢＡ、Ｈｉｓ、Ｖａｌを前記変数とする前記分数式、ａ－ＡＢＡ、Ｍｅｔ、Ｖａｌを前記変数とする前記分数式もしくはＭｅｔ、Ｈｉｓ、Ｃｉｔ、Ａｒｇを前記変数とする前記分数式、Ｇｌｙ、Ｖａｌ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｖａｌ、Ｍｅｔ、Ｌｙｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｍｅｔ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記線形判別式、またはＶａｌ、Ｌｅｕ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｍｅｔ、Ｈｉｓ、Ｏｒｎ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｖａｌ、Ｔｙｒ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｌｅｕ、Ｍｅｔ、Ｉｌｅ、Ｔｙｒ、Ｌｙｓを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項１０に記載の女性生殖器癌の評価方法。
  12. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｐｒｏ、Ｇｌｙ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮体癌または前記非子宮体癌であるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  13. 　前記多変量判別式は、Ｌｙｓ、Ｈｉｓ、Ａｒｇを前記変数とする前記分数式、ａ－ＡＢＡ、Ｈｉｓ、Ｍｅｔを前記変数とする前記分数式もしくはＩｌｅ、Ｈｉｓ、Ａｓｎ、Ｃｉｔを前記変数とする前記分数式、Ｇｌｎ、Ｈｉｓ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、Ｇｌｙ、Ｍｅｔ、Ｐｈｅ、Ｈｉｓを前記変数とする前記線形判別式、Ｃｉｔ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記線形判別式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記線形判別式、またはＧｌｎ、Ｇｌｙ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｐｈｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｉｌｅ、Ｈｉｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ａｓｎ、Ｖａｌ、Ｐｒｏ、Ｃｉｔ、Ｉｌｅを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項１２に記載の女性生殖器癌の評価方法。
  14. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ａｌａ、Ｃｉｔ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記卵巣癌または前記非卵巣癌であるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  15. 　前記多変量判別式は、Ｏｒｎ、Ｃｉｔ、Ｍｅｔを前記変数とする前記分数式、Ｇｌｎ、Ｃｉｔ、Ｔｙｒを前記変数とする前記分数式もしくはＯｒｎ、Ｈｉｓ、Ｐｈｅ、Ｔｒｐを前記変数とする前記分数式、Ｓｅｒ、Ｃｉｔ、Ｏｒｎ、Ｔｒｐを前記変数とする前記線形判別式、Ｓｅｒ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、Ｐｈｅ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓを前記変数とする前記線形判別式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記線形判別式、またはＳｅｒ、Ｃｉｔ、Ｔｒｐ、Ｏｒｎを前記変数とする前記ロジスティック回帰式、Ｇｌｎ、Ｃｉｔ、Ｉｌｅ、Ｔｙｒを前記変数とする前記ロジスティック回帰式、Ａｓｎ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐを前記変数とする前記ロジスティック回帰式もしくはＨｉｓ、Ｔｒｐ、Ｇｌｕ、Ｃｉｔ、Ｉｌｅ、Ｏｒｎを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項１４に記載の女性生殖器癌の評価方法。
  16. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｎ、Ｐｒｏ、Ａｌａ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記女性生殖器癌罹患リスク群または前記健常群であるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  17. 　前記多変量判別式は、Ｐｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記線形判別式、またはＰｈｅ、Ｈｉｓ、Ｍｅｔ、Ｐｒｏ、Ｌｙｓ、Ａｒｇを前記変数とする前記ロジスティック回帰式であること
    　を特徴とする請求項１６に記載の女性生殖器癌の評価方法。
  18. 　前記判別値算出ステップは、前記測定ステップで測定した前記評価対象の前記アミノ酸濃度データに含まれるＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つの前記濃度値、およびＴｈｒ、Ｓｅｒ、Ａｓｎ、Ｇｌｕ、Ｇｌｎ、Ｐｒｏ、Ｇｌｙ、Ａｌａ、Ｃｉｔ、ＡＢＡ、Ｖａｌ、Ｍｅｔ、Ｉｌｅ、Ｌｅｕ、Ｔｙｒ、Ｐｈｅ、Ｈｉｓ、Ｔｒｐ、Ｏｒｎ、Ｌｙｓ、Ａｒｇのうち少なくとも１つを前記変数として含む前記多変量判別式に基づいて、前記判別値を算出し、
    　前記判別値基準判別ステップは、前記判別値算出ステップで算出した前記判別値に基づいて、前記評価対象につき、前記子宮頸癌、前記子宮体癌、前記卵巣癌のいずれかであるか否かを判別すること
    　を特徴とする請求項５に記載の女性生殖器癌の評価方法。
  19. 　前記多変量判別式は、Ｃｉｔ、Ｍｅｔ、Ｌｙｓ、Ａｓｎ、Ａｌａ、Ｔｈｒ、Ｇｌｎ、ａ－ＡＢＡを前記変数とする前記マハラノビス距離法で作成された式、またはＨｉｓ、Ｌｅｕ、Ｓｅｒ、Ｔｈｒ、Ｇｌｕ、Ｇｌｎ、Ａｌａ、Ｌｙｓを前記変数とする前記マハラノビス距離法で作成された式であること
    　を特徴とする請求項１８に記載の女性生殖器癌の評価方法。
PCT/JP2009/061348 2008-06-20 2009-06-22 女性生殖器癌の評価方法 WO2009154296A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020107027587A KR101817058B1 (ko) 2008-06-20 2009-06-22 여성 생식기암의 평가 방법
CN200980122467.0A CN102057276B (zh) 2008-06-20 2009-06-22 女性生殖器癌症的评价方法
JP2010518011A JP5754136B2 (ja) 2008-06-20 2009-06-22 女性生殖器癌の評価方法、女性生殖器癌評価装置、女性生殖器癌評価方法、女性生殖器癌評価プログラム、記録媒体、女性生殖器癌評価システム、および情報通信端末装置
US12/968,578 US20110143444A1 (en) 2008-06-20 2010-12-15 Method of evaluating female genital cancer
US14/988,986 US20160253454A1 (en) 2008-06-20 2016-01-06 Method of evaluating female genital cancer

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008162612 2008-06-20
JP2008-162612 2008-06-20

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US12/968,578 Continuation US20110143444A1 (en) 2008-06-20 2010-12-15 Method of evaluating female genital cancer

Publications (1)

Publication Number Publication Date
WO2009154296A1 true WO2009154296A1 (ja) 2009-12-23

Family

ID=41434207

Family Applications (1)

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

Country Status (5)

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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9459255B2 (en) 2006-12-21 2016-10-04 Ajinomoto Co., Inc. Method of evaluating breast cancer, breast cancer-evaluating apparatus, breast cancer-evaluating method, breast cancer-evaluating system, breast cancer-evaluating program and recording medium
US9465031B2 (en) 2008-06-20 2016-10-11 Ajinomoto Co., Inc. Method of evaluating prostatic disease
US9599618B2 (en) 2006-12-21 2017-03-21 Ajinomoto Co., Inc. Method, apparatus, system, program, and computer-readable recording medium for evaluating colorectal cancer
US9664681B2 (en) 2006-08-04 2017-05-30 Ajinomoto Co., Inc. Lung cancer evaluating apparatus, method, system, and program and recording medium therefor
KR20190065263A (ko) 2016-10-04 2019-06-11 아지노모토 가부시키가이샤 대장암의 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
KR20190089895A (ko) 2016-12-01 2019-07-31 아지노모토 가부시키가이샤 암 모니터링의 방법, 산출 방법, 평가 장치, 산출 장치, 평가 프로그램, 산출 프로그램, 평가 시스템, 및 단말 장치
JP2020506382A (ja) * 2017-01-18 2020-02-27 バイオクラテス ライフ サイエンシズ アクチェンゲゼルシャフト 卵巣癌を評価するための新規バイオマーカー

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
JP5976987B2 (ja) * 2008-02-06 2016-08-24 味の素株式会社 胃癌の評価方法、ならびに胃癌評価装置、胃癌評価方法、胃癌評価システム、胃癌評価プログラム、記録媒体および情報通信端末装置
JPWO2009110517A1 (ja) * 2008-03-04 2011-07-14 味の素株式会社 癌種の評価方法
CN102057276B (zh) * 2008-06-20 2016-04-06 味之素株式会社 女性生殖器癌症的评价方法
TWI626444B (zh) * 2016-10-05 2018-06-11 長庚醫療財團法人基隆長庚紀念醫院 數位化營養狀態、肌肉生成代謝運轉狀態及風險評估的方法
KR102475008B1 (ko) * 2017-02-02 2022-12-07 아지노모토 가부시키가이샤 당뇨병 환자에서의 췌장암의 평가 방법, 산출 방법, 평가 장치, 산출 장치, 평가 프로그램, 산출 프로그램, 평가 시스템 및 단말 장치
EP3907044B1 (en) 2020-05-08 2024-10-16 Braun GmbH Electric beard trimmer

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008016111A1 (en) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. Method for evaluation of lung cancer, lung cancer evaluation apparatus, lung cancer evaluation method, lung cancer evaluation system, lung cancer evaluation program, and recording medium

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61126472A (ja) * 1984-11-24 1986-06-13 Advance Res & Dev Co Ltd 診断方法
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US6300136B1 (en) * 1997-09-03 2001-10-09 The Trustees Of The University Of Pennsylvania Methods for diagnosis and treatment of tumors in humans
US6631330B1 (en) * 2000-08-21 2003-10-07 Assistance Publique-Hopitaux De Paris (Ap-Hp) Diagnosis method of inflammatory, fibrotic or cancerous disease using biochemical markers
ES2259291T3 (es) * 2000-08-21 2006-10-01 Assistance Publique, Hopitaux De Paris Metodo de diagnostico de enfermedad fibrotica que utiliza marcadores bioquimicos.
WO2003040404A1 (en) * 2001-11-09 2003-05-15 Source Precision Medicine, Inc. Identification, monitoring and treatment of disease and characterization of biological condition using gene expression profiles
JP4581994B2 (ja) * 2002-12-09 2010-11-17 味の素株式会社 生体状態情報処理装置、生体状態情報処理方法、生体状態情報管理システム、プログラム、および、記録媒体
CN100502763C (zh) * 2002-12-09 2009-06-24 味之素株式会社 生物体状态信息处理装置和其方法、以及生物体状态信息管理系统
US7869033B2 (en) * 2003-12-24 2011-01-11 Vadivel Masilamani Cancer detection by optical analysis of body fluids
EP1862797A4 (en) * 2005-03-16 2009-09-16 Ajinomoto Kk DEVICE, METHOD, SYSTEM AND PROGRAM FOR EVALUATING BIOLOGICAL STATES, DEVICE, METHOD AND PROGRAM FOR GENERATING AN EVALUATION FUNCTION AND RECORDING MEDIUM
EP1887362A4 (en) * 2005-05-30 2010-01-27 Ajinomoto Kk HEPATHOPATHY EVALUATION APPARATUS, HEPATHOPATHY EVALUATION METHOD, HEPATHOPATHY EVALUATION SYSTEM, HEPATHOPATHY EVALUATION PROGRAM, AND RECORDING MEDIUM
EP1937837A2 (en) * 2005-07-29 2008-07-02 Siemens Healthcare Diagnostics Inc. Methods and kits for the prediction of therapeutic success, recurrence free and overall survival in cancer therapies
JP4301237B2 (ja) * 2005-11-28 2009-07-22 ソニー株式会社 符号化装置及びその方法、記録装置及びその方法、および、記録媒体
US20100004871A1 (en) * 2005-12-27 2010-01-07 Power3 Medical Products, Inc. Identities, specificities, and use of twenty two (22) differentially expressed protein biomarkers for blood based diagnosis of breast cancer
WO2008015929A1 (fr) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. procédé d'évaluation de syndrome métabolique, appareil D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, système D'ÉVALUATION DE SYNDROME MÉTABOLIQUE, programme d'évaluation de syndrome métabolique et support d'enregistrement, et proc&
JP4822434B2 (ja) * 2006-09-16 2011-11-24 独立行政法人農業・食品産業技術総合研究機構 自走式運搬車の追従速度制御装置、及び自走式運搬車の追従速度制御方法
US20090075284A1 (en) * 2006-09-19 2009-03-19 The Regents Of The University Of Michigan Metabolomic profiling of prostate cancer
EP2657705A3 (en) * 2006-09-19 2013-12-25 Metabolon Inc. Biomarkers for prostate cancer and methods using the same
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
EP2096439A4 (en) * 2006-12-21 2011-01-05 Ajinomoto Kk METHOD, APPARATUS, METHOD, SYSTEM AND SOFTWARE FOR EVALUATING COLORECTAL CANCER, AND RECORDING MEDIUM
WO2008075662A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 乳癌の評価方法、ならびに乳癌評価装置、乳癌評価方法、乳癌評価システム、乳癌評価プログラムおよび記録媒体
US20100086960A1 (en) * 2007-02-01 2010-04-08 Phenomenome Discoveries Inc. Methods for the diagnosis of ovarian cancer health states and risk of ovarian cancer health states
JP4571180B2 (ja) * 2007-12-11 2010-10-27 日立オートモティブシステムズ株式会社 内燃機関の可変動弁装置
JP4291863B2 (ja) * 2007-12-13 2009-07-08 本田技研工業株式会社 内燃機関の吸気管圧力予測方法および装置
JP2009154296A (ja) * 2007-12-25 2009-07-16 Toray Ind Inc 樹脂シート
JP5976987B2 (ja) * 2008-02-06 2016-08-24 味の素株式会社 胃癌の評価方法、ならびに胃癌評価装置、胃癌評価方法、胃癌評価システム、胃癌評価プログラム、記録媒体および情報通信端末装置
JPWO2009110517A1 (ja) * 2008-03-04 2011-07-14 味の素株式会社 癌種の評価方法
KR101821551B1 (ko) * 2008-06-20 2018-01-25 아지노모토 가부시키가이샤 전립선 질환의 평가 방법
CN102057276B (zh) * 2008-06-20 2016-04-06 味之素株式会社 女性生殖器癌症的评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008016111A1 (en) * 2006-08-04 2008-02-07 Ajinomoto Co., Inc. Method for evaluation of lung cancer, lung cancer evaluation apparatus, lung cancer evaluation method, lung cancer evaluation system, lung cancer evaluation program, and recording medium

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ELLING D ET AL.: "Freie Aminosaeuren im normalen und karzinomatoesen Ovarialgewebe in Korrelation zum Serumspiegel-tumordiagnostische Moeglichkeiten", ZENT.BL. GYNAEKOL., vol. 109, no. 16, 1987, pages 1013 - 1022 *
ELLING D ET AL.: "Therapiemonitoring bei Patientinnen mit Korpuskarzinom mit und ohne Progression durch freie Serumaminosaeuren", ZENT.BL. GYNAEKOL., vol. 111, no. 18, 1989, pages 1224 - 1230 *
WILSON EA ET AL.: "Free serum amino acids in patients with advanced cervical carcinoma", GYNECOL ONCOL., vol. 4, no. 3, 1976, pages 311 - 313 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9664681B2 (en) 2006-08-04 2017-05-30 Ajinomoto Co., Inc. Lung cancer evaluating apparatus, method, system, and program and recording medium therefor
US9459255B2 (en) 2006-12-21 2016-10-04 Ajinomoto Co., Inc. Method of evaluating breast cancer, breast cancer-evaluating apparatus, breast cancer-evaluating method, breast cancer-evaluating system, breast cancer-evaluating program and recording medium
US9599618B2 (en) 2006-12-21 2017-03-21 Ajinomoto Co., Inc. Method, apparatus, system, program, and computer-readable recording medium for evaluating colorectal cancer
US9465031B2 (en) 2008-06-20 2016-10-11 Ajinomoto Co., Inc. Method of evaluating prostatic disease
KR20190065263A (ko) 2016-10-04 2019-06-11 아지노모토 가부시키가이샤 대장암의 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
KR20190089895A (ko) 2016-12-01 2019-07-31 아지노모토 가부시키가이샤 암 모니터링의 방법, 산출 방법, 평가 장치, 산출 장치, 평가 프로그램, 산출 프로그램, 평가 시스템, 및 단말 장치
JP2020506382A (ja) * 2017-01-18 2020-02-27 バイオクラテス ライフ サイエンシズ アクチェンゲゼルシャフト 卵巣癌を評価するための新規バイオマーカー
JP7169278B2 (ja) 2017-01-18 2022-11-10 バイオクラテス ライフ サイエンシズ アクチェンゲゼルシャフト 卵巣癌を評価するための新規バイオマーカー
US11506665B2 (en) 2017-01-18 2022-11-22 Biocrates Life Sciences Ag Metabolic biomarker set for assessing ovarian cancer

Also Published As

Publication number Publication date
JP2015148632A (ja) 2015-08-20
KR20110027681A (ko) 2011-03-16
CN104316701A (zh) 2015-01-28
US20160253454A1 (en) 2016-09-01
JP6269577B2 (ja) 2018-01-31
JP2018013494A (ja) 2018-01-25
US20110143444A1 (en) 2011-06-16
CN104316701B (zh) 2018-05-15
KR101817058B1 (ko) 2018-01-11
JP6586980B2 (ja) 2019-10-09
CN102057276B (zh) 2016-04-06
JP5754136B2 (ja) 2015-07-29
CN102057276A (zh) 2011-05-11
JPWO2009154296A1 (ja) 2011-12-01

Similar Documents

Publication Publication Date Title
JP6586980B2 (ja) 取得方法、算出方法、女性生殖器癌評価装置、算出装置、女性生殖器癌評価プログラム、算出プログラム及び女性生殖器癌評価システム
JP7193020B2 (ja) 取得方法、算出方法、胃癌評価装置、算出装置、胃癌評価プログラム、算出プログラムおよび胃癌評価システム
JP5470848B2 (ja) 肺癌の評価方法、肺癌評価装置、肺癌評価方法、肺癌評価システム、肺癌評価プログラム、記録媒体、および、情報通信端末装置
JP6551484B2 (ja) 取得方法、算出方法、前立腺疾患評価装置、算出装置、前立腺疾患評価プログラム、算出プログラム及び前立腺疾患評価システム
JP5746811B2 (ja) 大腸癌の評価方法、ならびに大腸癌評価装置、大腸癌評価方法、大腸癌評価システム、大腸癌評価プログラムおよび記録媒体
KR101542037B1 (ko) 암 상태의 평가 방법, 및 암 평가 장치, 암 평가 방법, 암 평가 시스템, 암 평가 프로그램 및 기록 매체
WO2009110517A1 (ja) 癌種の評価方法
JP5746810B2 (ja) 乳癌の評価方法、ならびに乳癌評価装置、乳癌評価方法、乳癌評価システム、乳癌評価プログラムおよび記録媒体

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980122467.0

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09766744

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2010518011

Country of ref document: JP

ENP Entry into the national phase

Ref document number: 20107027587

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09766744

Country of ref document: EP

Kind code of ref document: A1