用於評估癌症的方法

2023-10-22 19:20:17

專利名稱：用於評估癌症的方法
技術領域：
本發明涉及通過檢測新的癌症標誌物來評估癌症的可能性的方法。
背景技術：
在臨床醫學實踐的領域中，要求容易地確定疾病的存在或不存在、疾病的進展程度、在治療後獲得的效果等。在這些情況下，作為用於間接地確定它們的方法，已經提出了檢測標誌物，該標誌物的表達量伴隨每種疾病的發作或進展而特異性改變，並且實際上進行了將其投入實際使用的嘗試。在各種疾病中，早期檢測作為所謂的癌症的惡性腫瘤並且適當地選擇和改變對其的治療策略特別重要。因此，為了實現如上所述的通過標誌物的檢測的間接判定，已經報告了各種癌症標誌物。癌症標誌物也被稱為腫瘤標誌物。癌症標誌物的具體示例包括 PSA (前列腺特異抗原)、CEA (癌胚抗原)、CA 19-9 (癌胚抗原19_9)和CA 72-4 (癌胚抗原 72-4)。而且，在非專利文件1和2中描述了在淋巴細胞性白血病和結腸癌等中miRNA諸如 has-mir-15、has-mir-16、miR-143 和 miR-145 的表達下調(非專利文件 1 和 2)。[引用列表][非專利文件][非專利文件 IjCalin GA, Dumitru CD, Shimizu M et al. , Frequent deletions and down-regulation of micro-RNA genes miR15 and miR16 at 13ql4 in chronic lymphocytic leukemia, Proc Natl Acad Sci USA, 2002, vol.99, pp. 15524-9[非專利文件 2]Michael MZ, SM 0C, van Hoist Pellekaan NG, Young GP, James RJ, Reduced accumulation of specific microRNAs in colorectal neoplasia, Mol Cancer Res, 2003, vol. 1，pp.882-9
發明內容
本發明要解決的問題然而，在臨床醫學實踐的領域中，需要癌症標誌物，使用癌症標誌物可以良好的可靠性確定癌症的發作和它們的進展。因此，仍然需要新的癌症標誌物的提供。因此，對於前述想法，本發明的目的是提供一種使用新的癌症標誌物來評估癌症的評估方法和要在該評估方法中使用的評估試劑。用於解決問題的手段本發明提供了一種用於評估癌症的可能性的評估方法，包括以下步驟檢測在樣品中的癌症標誌物；以及，基於所述癌症標誌物的表達水平來評估在所述樣品中的所述癌症可能性。在這種評估方法中，所述樣品是細胞或組織，並且所述癌症標誌物包括選自 hsa-miR-92 和 hsa-miR-494 的至少一個 miRNA。本發明的效果本發明的發明人進行了勤奮的研究，並且作為結果，他們發現hsa-miR-92和hsa-miR-494在細胞或組織中的表達水平伴隨癌症的發展而改變，由此實現本發明。根據本發明的評估方法，通過檢測在樣品中的上述miRNA的至少一個的表達水平，有可能例如以良好的可靠性來確定癌症發展或癌症進展的存在或不存在。而且，例如，在對癌變陰性和陽性之間看到這些miRNA的表達上的顯著差別。因此，根據本發明，變得有可能在初期容易地檢測癌症，而這樣的檢測通過一般的觸診等是困難的。而且，通過將本發明的評估方法與例如使用傳統的HE染色等的癌症評估相關聯，使得具有更高可靠性的癌症評估變得可能。


圖1是示出根據本發明的實施方案IB的癌症病理圖像診斷支持系統的框圖。圖2圖示在本發明的實施方案IB中的染色圖像資料庫的內容。圖3是圖示在圖1中所示的根據本發明的實施方案IB的癌症病理圖像診斷支持系統的操作的一個示例的流程圖。圖4是圖示在圖1中所示的根據本發明的實施方案IB的癌症病理圖像診斷支持系統的操作的另一個示例的流程圖。圖5是圖示在圖1中所示的根據本發明的實施方案IB的癌症病理圖像診斷支持系統的操作的另一個示例的流程圖。圖6是圖示在圖1中所示的根據本發明的實施方案IB的癌症病理圖像診斷支持系統的操作的另一個示例的流程圖。圖7是示出根據本發明的實施方案IC的癌症病理圖像診斷支持系統的框圖。圖8是圖示在圖7中所示的根據本發明的實施方案IC的癌症病理圖像診斷支持系統的操作的一個示例的流程圖。圖9是圖示在圖7中所示的根據本發明的實施方案IC的癌症病理圖像診斷支持系統的操作的另一個示例的流程圖。圖10是圖示在圖7中所示的根據本發明的實施方案IC的癌症病理圖像診斷支持系統的操作的另一個示例的流程圖。圖11是示出根據本發明的實施方案ID的癌症病理圖像診斷支持系統的框圖。圖12是示出根據本發明的實施方案IE的癌症病理圖像診斷支持系統的框圖。圖13是示出根據本發明的實施方案2A的執行特徵選擇方法的系統的配置的框圖。圖14是圖示根據本發明的實施方案2B的特徵選擇方法的流程圖。圖15是示出根據本發明的實施方案2B的用於建立類別表的處理的示例的流程圖。圖16示出在本發明的實施方案2B中建立的類別表的示例。圖17是示出在本發明的實施方案2B中的用於進行診斷的系統的配置的框圖。圖18是示出在本發明的實施方案2B中用於提取子圖像的處理的示例的流程圖。圖19是示出根據本發明的實施方案IA的癌症病理圖像診斷支持系統的配置的框圖。圖20是示出根據本發明的實施方案IA的癌症病理圖像診斷支持系統的框圖。圖21是圖示在圖20中所示的根據本發明的實施方案IA的癌症病理圖像診斷支持系統的操作的一個示例的流程圖。圖22示出用於示出在本發明的實施例1中白細胞的miRNA染色結果的照片。圖23示出用於示出在本發明的實施例2中乳房組織的miRNA染色結果的照片。圖M示出用於示出在本發明的實施例3中肝細胞的miRNA染色結果的照片。
具體實施例方式在本發明中使用的相應術語的含義如下。術語「癌症」 一般表示惡性腫瘤。術語 「癌變」通常表示癌症的發作，並且也包含「惡性轉化」。關於術語「發作」，例如，一個人通過基於疾病特異性臨床症狀或化驗數據等的綜合判斷被診斷為具有特定的疾病的時間點被稱為疾病的發作。術語「臨床前期」通常指的是在疾病發作之前的情況，其中，疾病特異性臨床症狀還沒有出現，但是處於疾病的早期，其中，痕量的惡性腫瘤細胞已經存在。術語「預後」表示例如在諸如手術的疾病治療後的病程。因為在本發明中使用的癌症標誌物可以提供用於例如預測預後、預見病程並且選擇適當的治療方法的有益信息，所以它也可以被稱為「預後因素」。可以基於例如癌性組織的種類等來適當地確定「癌症進展期」。通常，0期和I期可以被分類為初期癌症，II期可以被分類為早期癌症，而III期和IV期可以被分類為晚期癌症。在本發明中，「癌症的可能性」例如包含受檢者可能患上癌症的可能性，而不論是否已經出現癌變、癌症進展期諸如臨床前期或臨床期、或預後狀態等。在本發明中的癌症標誌物miRNA如上所述是選自hsa_miR-92和hsa_miR-494的至少一個miRNA。以下，癌症標誌物也被稱為「癌症標誌物miRNA」。在本發明中，癌症標誌物miRNA可以例如是單鏈(單體)或雙鏈(二聚體)。而且， 在本發明中，癌症標誌物miRNA可以例如是不成熟的miRNA或成熟的miRNA。不成熟miRNA 的示例包括初級轉錄物初始miRNA (pri-miRNA)和前體miRNA (pre_miRNA)。pri_miRNA具有因分子內結合所致的髮夾環結構。使用Drosha將pri-miRNA切開，由此將pri-miRNA轉換為具有莖-環結構的短pre-miRNA。以下，pre_miRNA也被稱為莖-環miRNA。使用Dicer 來將pre-miRNA切開，由此，產生更短的雙鏈RNA (miRNA-miRNA*)。這個雙鏈RNA在RISC上解開，由此產生兩個單鏈RNA。單鏈RNA是成熟miRNA。以下，成熟miRNA之一被稱為功能 miRNA,並且另一個被稱為微小miRNA*。在本發明中，癌症標誌物miRNA不被特別限制，並且優選是莖-環miRNA或成熟 miRNA,特別優選是成熟miRNA。hsa-miR-92 的示例包括 hsa_miR-92a 和 hsa_miR-92b。hsa-miR-9^i可以是不成熟miRNA或成熟miRNA，如上所述。以下，前者也被稱為不成熟hsa-miR-92a，並且後者也被稱為成熟hsa_miR-92a。不成熟 hsa-miR-92a 的示例包括 hsa-miR-92a_l 和 hsa-miR-92a_2，並且，不成熟 hsa-miR-92a 可以是它們的任何一個。hsa-miR-92a_l 和 hsa-miR-92a_2 是莖-環 miRNA。 以下，前者也被稱為莖-環hsa-miR-92a-l，並且後者也被稱為莖-環hsa-miR-92a_2。它們是從不同的基因組區域得出的轉錄產物，但是，它們的成熟形式的序列是相同的。莖-環 has-miR-92a-l的序列被註冊在例如登錄號MI0000093下，並且，莖-環has-miR-92a_2的序列被註冊在例如登錄號MI0000094下。成熟has-miR-9h可以例如是功能miRNA，並且，其序列被註冊在例如登錄號 MIMAT0000092下。這個功能性has-miR-9^i的序列被示出在下面的SEQ ID N0:1中。功能性has-miR_92a(SEQ ID NO 1)5' -uauugcacuugucccggccugu-3『成熟has-miR-92a的其他示例包括微小miRNA*。微小miRNA*的示例包括 has-miR-92a-r 和 has-miR-92a_2*。has-miR-92a_r 的序列被註冊在例如登錄號 MIMAT0004507下。這個序列被示出在SEQ ID N0:6中。has-miR-92a_2*的序列被註冊在登錄號MIMAT0004508下。這個序列被示出在SEQ ID NO :7中。微小hsa-miR-92a-l*(SEQ ID NO 6)5' -agguugggaucgguugcaaugcu-3『微小hsa-miR-92a-2*(SEQ ID NO 7)5' -ggguggggauuuguugcauuac-3『雖然has-miR-92b是從與haS-miR-9h不同的基因組區域得到的轉錄產物，但是 has-miR-92b 的種子序列與 has_miR-92a 的類似。因此，與 has_miR-92a 類似，has_miR-92b 可以被用作癌症標誌物。has-miR-92b可以是不成熟miRNA或初始miRNA，如上所述。以下， 前者也被稱為不成熟has-miR-92b，並且後者也被稱為成熟has-miR-92b。在各種不成熟has-miR-92b中，莖-環miRNA以下也被稱為莖-環has_miR-92b。 莖-環has-miR-92b的序列被註冊在例如登錄號MI0003560下。成熟has-miR-92b可以是例如功能性miRNA，並且其序列被註冊在登錄號 MIMAT0003218下。這個功能性has_miR-92b的序列被示出在SEQ ID NO :3中。功能性has-miR-92b(SEQ ID NO 3)5， -uauugcacucgucccggccucc-3，成熟has-miR-92b的其他示例包括微小miRNA*。微小miRNA*的示例包括 has-miR-92b*。雖然 has_miR-92b* 是從與 has-miR-92a_r 或 has-miR-92a_2* 不同的基因組區域得到的轉錄產物，但是其種子序列與haS-miR-92a-f或has-miR-92a-2*的類似。 因此，與hsa-miR-9h-r或hsa-miR-9h_2*類似，has_miR-92b*可以被用作癌症標誌物。 has-miR-92b*的序列被註冊在例如登錄號MIMAT0004792下。在SEQ ID NO :4中示出這個序列。微小hsa-miR_92b*(SEQ ID NO 4)5' -agggacgggacgcggugcagug-3『has-miR-494可以是不成熟miRNA或成熟miRNA，如上所述。以下，前者也被稱為不成熟has-miR-494，並且後者也被稱為成熟has-miR-494。不成熟has-miR-494的示例包括莖-環miRNA。以下，這也被稱為莖-環 has-miR-494 ο莖-環has-miR-494的序列被註冊在例如登錄號MI0003i;34下。成熟has-miR-494的示例包括功能miRNA，並且其序列被註冊在例如登錄號 MIMAT0002816下。這個功能性has-miR-494的序列被示出在SEQ ID NO :2.中。功能下hsa-miR_494(SEQ ID NO 2)5' -ugaaacauacacgggaaaccuc-3『
如在下面列出的文件中所公開，例如，每一個miRNA的5』端和3』端分別具有一些變化。因此，在本發明中的每一個miRNA也包含變化形式，每一個變化形式與其成熟形式的序列具有若干鹼基的不同。Wu H. et al. ,2007, PLoS ONE 2(10) :el020 miRNA profiling of naive, effector and memory CD8 T cellsPablo Landgraf et al.,2007, Cell, vol.129, pp. 1401-1414 A Mammalian microRNA Expression Atlas Based on Small RNA Library SequencingNeilson et al. ,2007,Genes Dev, vol. 21,pp.578-589 Dynamic regulation of miRNA expression in order to stage of cellular developmentRuby et al. ,2006, Cell, vol. 127, pp. 1193-1207 Large-scale sequencing reveals 2IU-RNAs and additional microRNAs and endogeneous siRNAs in C.elegansObernoster et al. , RNA 2006 12 :pp.1161-1167 Post-transcriptional regulation of microRNA expressionLagos-Quintana et al. ,2002, Curr Biol, vol.12, pp.735-739Identification of tissue-specific microRNAs from mouse在本發明中的癌症標誌物miRNA包含，例如具有與相應序列識別號的鹼基序列同源的鹼基序列的多核苷酸；以及，具有與其互補的鹼基序列的多核苷酸。「同源」指的是當適當比對要彼此比較的序列時在它們之間的同一性程度，並且表示在這些序列之間核苷酸完全匹配的出現比率(％)。當描述了多核苷酸的鹼基序列與本發明的miRNA的鹼基序列 「具有同源性」時，它表示該多核苷酸與該miRNA類似得足以能夠保持作為本發明的miRNA 的功能。比對，例如，可以通過使用諸如BLAST的任意算法來實現。即使當鹼基序列彼此的不同在於例如點突變諸如取代、缺失或添加時，也可以說它們是同源的，只要這樣的差別不影響miRNA的功能即可。在鹼基序列之間不同的鹼基的數量例如是1至20、1至15、1至10、 1至5、1至3、1至2、或1。而且，當要彼此比較的兩個多核苷酸的鹼基序列具有例如80%、 85%,90%,91%,92%,93%,94%,95%,96%,97%,98%,99%^； 100% 的同一性時，可以說它們是同源的。而且，例如，當兩個多核苷酸之一與具有在嚴格條件下與另一個多核苷酸互補的鹼基序列的多核苷酸雜交時，可以說這兩個多核苷酸是同源的。該嚴格條件不被特別限制，並且可以是例如將兩個多核苷酸在包含6X SSC、0. 5% SDS, 5XDenhardt溶液和 0.01%的變性的鮭魚精子核酸的溶液中保持在溫度「Tm (°C ) -25 0C 」下過夜。如上所述，根據本發明的評估方法包括以下步驟檢測在樣品中的癌症標誌物； 以及，基於所述癌症標誌物的表達水平來評估在樣品中的癌症的可能性。在這種評估方法中，樣品是細胞或組織，並且癌症標誌物包括選自has-miR-92和has-miR-494的至少一個 miRNA。根據本發明，例如，通過檢測在受檢者的樣品中的癌症標誌物，變得有可能評估例如受檢者可能患上癌症的可能性，而不論是否已經出現癌變、癌症進展期諸如臨床前期(初期)或臨床期、或預後狀態等。本發明的評估方法也可以例如被稱為一種用於評估受檢者是否具有癌症的方法。本發明的癌症標誌物如上所述。在本發明中，要檢測的癌症標誌物例如可以是 has-miR-92和has-miR-494的任何一個或可以是它們兩者。
當要檢測的癌症標誌物例如是has-miR-92時，它可以是成熟has-miR-92和不成熟has-miR-92的任何一個或可以是它們兩者。成熟has-miR-92和不成熟has-miR-92的種類也不被限制，並且，例如，可以使用它們的任何一種、它們的兩種或它們的全部種類。當要檢測的癌症標誌物是成熟has-miR-92時，它可以是，例如功能性 has-miR-92、微小has-miR-92a_l*和微小has-miR-92a_2*的任何一個；它們的任何兩個； 或它們的全部。當要檢測的癌症標誌物是不成熟haS-miR-92a時，它可以例如是莖-環 has-miR-92a-l和莖-環has-miR-92a_2的任何一個或它們兩者。當要檢測的癌症標誌物是成熟has-miR-^b時，它可以例如是功能性has-miR-^b和微小has_miR-92b*的任何一個或它們兩者。當要檢測的癌症標誌物是has-miR-494時，它可以例如是成熟has_miR-494和不成熟has-miR-494的任何一個或可以是它們兩者。成熟has-miR-494和不成熟癌症標誌物 miRNA的種類也不被限制，並且，例如，可以使用它們的任何一種、它們的兩種或它們的全部種類。在成熟has-miR-494的情況下，其示例包括功能性has-miR-494。本發明的特徵在於檢測癌症標誌物的表達水平，如上所述。用於檢測癌症標誌物的方法絕不受限，並且，可以使用已知方法。該檢測方法優選例如是包括癌症標誌物的可視化的方法。用於實現可視化的方法不被特別限制，並且優選通過例如顯色、螢光或放射自顯影等來實現該可視化。當通過顯色來可視化癌症標誌物時，可以例如通過目測觀察、吸光度測量或圖像處理等來檢測癌症標誌物。當通過螢光來可視化癌症標誌物時，可以通過目測觀察、螢光強度測量或圖像處理等來檢測癌症標誌物。以下，通過顯色或螢光進行的癌症標誌物miRNA的可視化被稱為miRNA染色。當通過例如放射自顯影來可視化癌症標誌物時，可以通過例如放射自顯影的目測觀察或放射自顯影的圖像處理等來檢測癌症標誌物miRNA。在本發明中，要評估的癌症不被特別限制。如上所述，癌症的示例包括結腸癌、直腸癌、膽囊癌、胃癌、乳腺癌、白血病、胰腺癌、肝癌、腦瘤和骨肉瘤。在本發明中，樣品是生物樣品，並且不被特別限制，只要它是細胞或組織即可。樣品的具體示例包括大腸、直腸、膽囊、胃、乳房、血細胞、肺、大腦、骨和骨周圍的組織和細胞；以及，在血液中的細胞，諸如白細胞。在本發明中，獲得樣品的受檢者不被特別限制，並且可以是例如人。受檢者的其他示例包括非人的哺乳動物，其中包括除了人之外的靈長類；嚙齒類；狗；以及貓。在本發明中，樣品中的癌症標誌物miRNA可以，例如，直接從樣品檢測、或可以間接地從自樣品收集的RNA檢測。根據本發明，可以例如指定在樣品中表達癌症標誌物的區域。因此，優選的是，從樣品直接地檢測癌症標誌物。首先，下面將描述使用從樣品收集的RNA來檢測樣品中的癌症標誌物miRNA的方法的示例用於從樣品收集RNA的方法不被特別限制，並且，可以使用已知的方法。具體地說，可以使用胍-CsCl超速離心方法或AGPC(酸胍-酚-氯仿)等。也可能使用市售的試劑或試劑盒。當從產品收集RNA時，也可能通過下述方式來間接地檢測癌症標誌物miRNA 例如，使用所收集的RNA作為模板來合成cDNA，然後從其檢測癌症標誌物miRNA的cDNA。當使用利用RNA作為模板合成的cDNA時，可以使用例如核酸擴增方法來執行癌症標誌物miRNA的檢測。核酸擴增方法不被特別限制，並且，其示例包括聚合酶鏈反應(PCR) 方法、逆轉錄PCR(RT-PCR)方法、實時PCR方法和實時RT-PCR方法。其中，優選的是實時 RT-PCR 方法。當利用例如核酸擴增方法時，首先，從樣品提取總RNA，並且使用隨機引物，以總 RNA作為模板合成cDNA。接下來，使用如此獲得的cDNA作為模板，使用可以擴增目標癌症標誌物miRNA的cDNA的引物來引起擴增反應，並且檢測擴增產物。通過檢測擴增產物的存在或不存在、或擴增產物的量，有可能檢測在樣品中的癌症標誌物miRNA的表達水平，即， 癌症標誌物miRNA的表達的存在或不存在、或在樣品中表達的癌症標誌物miRNA的量。要在合成cDNA的反應中使用的隨機引物不被特別限制，並且，可以例如使用市售的隨機引物。而且，要在擴增反應中使用的引物絕沒有限制，並且它可以是，例如可以與癌症標誌物miRNA的cDNA或與其互補的序列雜交的引物；或者，可以與癌症標誌物miRNA 的周邊區域的cDNA或與其互補的序列雜交的引物。可以基於癌症標誌物miRNA的鹼基序列和一般的技術常識來適當地設計引物。具體地說，引物可以是，例如由目標癌症標誌物miRNA的cDNA或與其互補的序列構成的引物；或者，由癌症標誌物miRNA的周邊區域的 cDNA或與其互補的序列構成的引物。優選的是，引物的序列與例如目標癌症標誌物miRNA 的cDNA或與其互補的序列或者癌症標誌物miRNA的周邊區域的cDNA或與其互補的序列至少大約70%互補，優選與它們至少80%互補，更優選與它們至少90%互補，更加優選與它們至少95%互補，特別優選與它們100%互補。引物的構成單元不被特別限制，並且可以使用已知的構成單元。構成單元的具體示例包括核苷酸，諸如脫氧核糖核苷酸和核糖核苷酸。構成單元的示例也包括PNA (肽核酸)和LNA(鎖核酸)。在構成單元中的鹼基不被特別限制。例如，構成單元可以包括天然鹼基(非人工鹼基)，諸如A、C、G、T和U，或者可以包括非天然鹼基(人工鹼基)。引物的長度不被特別限制，並且可以是通常的長度。用於檢測擴增產物的方法不被特別限制，並且可以使用已知方法。當實時地檢測擴增產物時，優選的是，例如，使得螢光試劑存在於擴增反應的反應溶液中。螢光試劑的示例包括與雙鏈核酸特異性結合的螢光物質；以及，插入雙鏈核酸內的螢光物質。在擴增反應中，當通過從已經與模板cDNA退火的引物的延伸來形成雙鏈核酸時，在反應溶液中存在的螢光物質結合到或插入雙鏈核酸內。然後，通過核查已經被結合或插入雙鏈核酸內的螢光物質的螢光，有可能核查擴增產物的存在或不存在，由此，可以間接核查目標癌症標誌物 miRNA的存在和不存在。而且，通過測量螢光物質的螢光強度，可以量化擴增產物，由此，可以間接地量化目標癌症標誌物miRNA。螢光試劑的示例包括STOR (商標)Green0例如，可以通過已知方法來執行使用螢光試劑的檢測。具體地說，在實時RT-PCR的情況下，可以例如使用市售的試劑，諸如STOR(商標)Green PCR Master Mix(商品名，Perkin-Elmer Applied Biosystem)以及，市售的檢測器，諸如 ABI Prim 7900 Sequence Detection System(商品名，Perkin-Elmer Applied Biosystem)，依照它們的手冊執行檢測。當實時地檢測擴增產物時，用於檢測擴增產物的方法的其他示例包括使得在擴增反應的反應溶液中存在標記探針。標記探針可以例如是具有螢光物質和猝滅劑的探針。 這樣的探針的具體示例包括TaqMan (商標)探針和與RNase —起使用的循環探針。當例如標記探針單獨存在時，通過猝滅劑來猝滅螢光物質的螢光。當標記探針形成雙鏈核酸時，消除猝滅效應，由此發射螢光。可以例如根據已知方法來使用這樣的標記探針。也可能使用探針來檢測癌症標誌物miRNA的cDNA。該探針可以是，例如，可以與癌症標誌物miRNA的cDNA或與其互補的序列雜交的引物。在本方法中，在癌症標誌物的 cDNA和探針之間引起雜交，並且，檢測已經與癌症標誌物的cDNA雜交的探針。已經與癌症標誌物的cDNA雜交的探針的存在或不存在或量對應於在從樣品收集的RNA中的癌症標誌物miRNA的存在或不存在或量。因此，通過檢測探針，有可能間接地檢測在樣品中的癌症標誌物miRNA的存在或不存在或量。例如，可以通過已知的方法來執行探針的檢測，該方法可以與下述的方法相同。此外，例如，當從樣品收集RNA時，可以從所收集的RNA直接地檢測癌症標誌物 miRNA。在該情況下，檢測方法可以是，例如，使用探針的雜交方法。作為探針，例如，可以使用能夠與癌症標誌物miRNA特異性雜交的探針。在該方法中，在癌症標誌物miRNA和探針之間引起雜交，並且檢測已經與癌症標誌物miRNA雜交的探針。已經與癌症標誌物雜交的探針的存在或不存在或量對應於在從樣品收集的RNA中的癌症標誌物miRNA的存在或不存在或量。因此，通過檢測探針，有可能間接地檢測在樣品中的癌症標誌物miRNA的存在或不存在或量。用於檢測探針的方法不被特別限制。檢測方法的具體示例是例如，使用標記性物質標記的標記探針被用作探針，並且可以通過檢測所述標記性物質來執行檢測。作為標記性物質，例如，可以使用本身可檢測的物質。所述物質可以例如是顯色物質、發出螢光的螢光物質、或放射性物質等。例如，在顯色物質的情況下，可以基於顯色的存在或不存在和強度來確定顯色物質的存在或不存在和量。顯色物質可以是，例如本身顯色的物質；通過酶反應等來釋放顯色的物質的物質；或者，通過酶反應或電子傳遞反應而轉化為顯色物質的物質。例如，在螢光物質的情況下，可以基於螢光的存在或不存在和強度來確定螢光物質的存在或不存在和量。該螢光物質可以是，例如本身發螢光的物質；通過酶反應等來釋放發螢光的物質的物質；或者，通過酶反應或電子傳遞反應而轉化為發螢光物質的物質。例如，在放射性物質的情況下，可以通過使用閃爍計數器測量放射水平或基於通過放射自顯影獲得的圖像的存在或不存在和顏色密度來確定標記性物質的存在或不存在和量。使用利用放射性物質標記的探針進行的雜交方法的示例包括Northern印跡法和微陣列分析。標記性物質可以是，例如，能夠用另一種試劑檢測的標記性物質。這樣的標記性物質的示例包括酶，諸如鹼性磷酸酶(AP)和辣根過氧化物酶(HRP)。當標記性物質是例如酶時，可以添加通過與酶的反應、或伴隨酶反應的電子傳送等而顯色或發射螢光的底物作為上述的另一種試劑，並且可以檢測通過與酶的反應的顯色或螢光的存在或不存在、吸光度、 或螢光強度。該底物不特別被限制，並且可以根據酶的種類等被適當地設置。具體示例如下在例如AP的情況下，可以使用溴氯羥吲哚磷酸鹽(BCIP)、或BCIP和四唑氮藍的組合等；並且，在HRP的情況下，例如，可以使用3，3' -二氨基聯苯胺四鹽酸鹽(DAB)等。可使用另一種試劑檢測的標記性物質的其他示例包括生物素和抗生物素蛋白。其中，生物素是優選的。當使用生物素來標記探針時，優選的是，例如，作為上述的另一種試劑添加上述的酶、顯色物質、螢光物質、或放射性物質等，其中每一種都具有與其結合的抗生物素蛋白。因為作為探針的標記性物質的生物素與抗生物素蛋白結合，所以可以通過上述
11方法的任何一種來檢測與抗生物素蛋白結合的酶等。此外，上述的另一種試劑可以是，例如，抗生物素蛋白和生物素與任何酶等的複合體，它是所謂的抗生物素蛋白-生物素複合體。這種方法是所謂的ABC(抗生物素蛋白-生物素複合體)方法。當使用這樣的複合體時，例如，在特定的複合體中的抗生物素蛋白可以與另一個複合體中存在的生物素結合，因此有可能增加與單個分子探針結合的酶等的分子數。因此，具有更高靈敏度的檢測變得可能。生物素可以是例如生物素衍生物，並且，抗生物素蛋白可以是例如諸如鏈黴抗生物素蛋白的抗生物素蛋白衍生物。而且，用於檢測與癌症標誌物miRNA雜交的探針的方法的示例包括其中將使用抗原標記的標記探針用作探針並且利用抗原-抗體反應的方法。這樣的方法的具體示例是除了抗原標記的探針之外還使用標記的第一抗體的方法，該標記的第一抗體可以特異性結合抗原結合併且被標記性物質標記。另一個示例是使用第一抗體和標記的第二抗體的方法， 該第一抗體可以特異性結合抗原，該標記第二抗體可以特異性結合第一抗體並且被標記性物質標記。當例如使用在前者中的標記第一抗體時，首先，在癌症標誌物miRNA和抗原標記的探針之間引起雜交。隨後，標記的第一抗體經由抗原結合到已經與癌症標誌物miRNA結合的抗原標記探針上。然後，檢測結合探針的標記第一抗體的標記性物質。以這種方式，可以檢測已經與癌症標誌物miRNA雜交的探針，由此，可以間接地檢測癌症標誌物miRNA。用於標記探針的抗原的種類不被特別限制，並且其示例包括異羥基洋地黃毒苷(DIG)。第一抗體不被特別限制，並且可以根據例如抗原的種類適當地設定。當抗原是例如DIG時，可以使用抗DIG抗體等。標記的第一抗體的標記性物質不特別被限制，並且可以與上述相同。使用標記的第二抗體的後一種方法是所謂的三明治方法。在該方法中，例如，首先，在癌症標誌物miRNA和抗原標記探針之間引起雜交。隨後，第一抗體經由抗原與已經結合癌症標誌物miRNA的抗原標記探針結合。而且，標記的第二抗體與已經結合探針的第一抗體結合。結果，標記的第二抗體經由第一抗體結合癌症標誌物miRNA。然後，檢測標記的第二抗體的標記性物質。以這種方式，可以檢測與癌症標誌物miRNA雜交的探針，由此可以間接地檢測癌症標誌物miRNA。標記探針的抗原的種類和第一抗體不特別被限制，並且可以與上述相同。第二抗體的標記性物質不特別被限制，並且可以與上述相同。接下來，將說明從樣品直接檢測癌症標誌物miRNA的說明性示例。根據本發明，例如，可以指定在樣品中表達癌症標誌物miRNA的區域。因此，優選的是，從樣品直接檢測癌症標誌物miRNA。在該情況下，優選的是，使得樣品固定化。用於檢測癌症標誌物miRNA的方法優選的是例如使用探針的雜交方法。具體地說，例如，優選的是，通過對於固定化樣品執行原位雜交方法來檢測癌症標誌物，並且，特別優選的是，使用抗原-抗體反應來應用免疫組織化學(IHC)。根據這樣的方法，有可能例如使用癌症標誌物miRNA來染色細胞質或細胞核的內部。作為探針，例如，標記探針是優選的，並且可以使用與上述相同的探針。可以例如根據已知的方法來執行原位雜交方法。而且，可以使用市售的試劑盒等根據其使用說明書來執行原位雜交方法。試劑盒的示例包括可從Ventana獲得的RiboMap 原位雜交試劑盒(商品名)。在例如原位雜交方法中，執行樣品的切片載片的製備、切片載片的預處理、標記探針的雜交、和雜交信號的檢測。下面將給出原位雜交方法的具體示例。然而，應當注意，本發明不限於此。首先，細胞或組織的切片載片被製備為樣品。可以通過下述方式來製備切片載片 使用固定化溶液來固定化樣品，包埋樣品，然後將樣品切割為具有期望厚度的片，並且將如此獲得的切割片置於載片上。固定溶液的示例包括交聯劑，諸如甲醛和多聚甲醛；PLP(高碘酸鹽-賴氨酸-多聚甲醛)；Zamboni溶液；戊二醛；以及，凝固和沉澱劑，諸如乙醇和丙酮。可以通過例如選自例如下列的任何製備方法來實現固定化對於未固定樣品的冷凍切片、對於固定化樣品的冷凍切片、和對於固定化樣品的石蠟包埋。固定化的條件不特別被限制，並且，例如，優選在室溫下執行固定至少1小時，更優選至少6小時。接下來，在雜交之前，預處理切片載片。該預處理可以是，例如，去石蠟化、再水化、 重新固定化、酸處理或使用蛋白酶K處理，以便改善標記探針的滲透性。而且，為了防止因添加甘氨酸或醋酸引起的探針的非特異性結合以便使得蛋白酶K失去活性，也可以執行中和正電荷等的處理。然後，向預處理的切片載片添加標記探針，以便引起雜交，並且以適合於標記探針的標記性物質的方式來執行雜交信號的檢測。要添加的標記探針量不被特別限制，並且可以根據例如標記性物質的種類、標記探針相對於作為整體要被使用的探針的比例等被適當地設置。作為具體示例，要添加的標記探針量可以但是絕不限於例如在原位雜交方法中通常使用的每一個單個載片1至 lOOOng。雜交的條件不被特別限制。具體示例如下。在雜交之前的熱變性處理優選地在 50°C至100°C執行1至60分鐘，更優選在60°C至95°C執行5至10分鐘。而且，雜交優選地在40°C至80°C執行1至36小時，更優選地在45°C至70°C執行4至M小時。接下來，執行雜交信號的檢測。用於檢測信號的方法不被特別限制，並且可以例如根據如上所述的標記探針和標記的第一抗體或標記的第二抗體的標記性物質的種類適當地確定。當例如檢測顯色或螢光時，可以基於顯色或螢光的存在或不存在、或基於所顯示的顏色的密度或螢光的強度來檢測在樣品中的癌症標誌物miRNA的存在或不存在或量。可以例如通過目測觀察或圖像處理來檢查顯色或螢光。當標記性物質是放射性物質時，可以例如使用放射自顯影，並且可以基於放射自顯影的存在或不存在或顏色密度來檢測在樣品中的癌症標誌物miRNA的存在或不存在或量。可以通過例如目測觀察或圖像處理來查看放射自顯影的存在或不存在或顏色密度。圖像處理不被特別限制，並且可以使用已知系統或已知軟體來被執行。當如上所述在癌症標誌物miRNA的檢測中使用探針時，探針的序列不被特別限制。探針的示例包括可以特異性結合任何上述癌症標誌物miRNA的探針。例如，市售的產品可以被用作探針，或可以自行製備探針。可以基於例如上述的癌症標誌物miRNA的鹼基序列和一般的技術常識來適當地設計探針的序列。具體地說，例如，探針可以是由與檢測目標癌症標誌物miRNA互補的序列構成的探針、或包括所述互補序列的探針。優選的是，例如， 探針的序列與目標癌症標誌物miRNA至少大約70%互補，更優選與其至少90%互補，並且特別優選與其100%互補。探針的構成單元不被特別限制，並且例如，可以使用已知的構成單元。構成單元的具體示例包括諸如脫氧核糖核苷酸和核糖核苷酸的核苷酸；PNA ；以及，LNA。LNA的示例包括BNA(橋接的核酸)，諸如2』，4』 -橋接核酸。在構成單元中的鹼基不被特別限制。它們可以是，例如，諸如腺嘌呤、鳥嘌呤、胞嘧啶、胸腺嘧啶和尿嘧啶的天然鹼基，或可以是非天然鹼基。探針的長度不被特別限制，並且是例如10至100鹼基，優選是15至40鹼基。下面示出探針的具體示例。然而，應當注意，本發明不限於此。探針的其他示例包括由與SEQ ID NO :5所示的鹼基序列互補的序列構成的多核苷酸。hsa-miR_92a 檢測探針(SEQ ID NO 5)5' -acaggccgggacaagtgcaata-3『本發明的評估方法在評估步驟中基於以上述方式檢測的癌症標誌物miRNA的表達水平來評估在樣品中的癌症的可能性。 癌症標誌物的表達水平可以是，例如，在樣品中癌症標誌物miRNA表達的存在或不存在或在樣品中表達的癌症標誌物miRNA的量。表達量可以是，例如，miRNA的實際量或與miRNA的實際量相關的值。後者的示例包括當檢測癌症標誌物miRNA時獲得的信號值。 例如，可以根據用於檢測miRNA的方法和用於檢測信號值的檢測器的種類等適當地確定信號值。當檢測方法是例如包括PCR方法諸如實時RT-PCR方法的任何核酸擴增方法時，可以將信號值表示為例如每Ιμ 1的拷貝數量(拷貝/ μ 1)等。而且，如下所述，當使用已經進行miRNA染色圖像(以下被稱為「miRNA染色圖像」)時，例如，顯色或螢光的值(亮度)或飽和度對應於信號值。在本發明的評估方法中，當如上所述檢測在固定化樣品中的癌症標誌物miRNA 時，優選的是，例如，提供將癌症標誌物miRNA可視化的切片載片(以下也稱為「癌症標誌物 miRNA可視化切片載片」)和使用HE (蘇木精&伊紅)染色的切片載片，並且將它們彼此對照。當前，對於由病理學家確定細胞或組織的癌變，使用HE染色圖像(以下稱為「HE 染色圖像」)。然而，HE染色具有例如下述問題對於邊界病理變化的評估變難；並且，當查看的細胞的數量是1或2時，評估變難。由於這個原因，相對於從同一樣品得出的切片載片執行癌症標誌物miRNA的HE染色和可視化，並且，將切片載片彼此對照。然後，通過將基於 HE染色指定的腫瘤區域與對於可視化的癌症標誌物miRNA陽性的區域對照，有可能以較高的可靠性來確定癌症的可能性。術語「陽性」表示例如存在癌症標誌物，並且，術語「陰性」 表示例如不存在癌症標誌物，並且癌症標誌物的存在量低於檢測限。通過將癌症標誌物miRNA可視化的切片載片與進行HE染色的切片載片進行對照而確定癌症可能性的方法不被特別限制，並且可以例如以下面的方式執行。首先，以後面敘述的方式相對於相鄰的切片載片執行miRNA的HE染色和可視化。關於HE染色的切片載片， 例如，通過使用顯微鏡等進行觀察來確定腫瘤區域。然後，將HE染色的切片載片與癌症標誌物可視化的切片載片對照。作為結果，例如，當在HE染色的切片載片中的腫瘤區域與在癌症標誌物可視化的切片載片中的癌症標誌物陽性區域一致時，可以確定該腫瘤區域和癌症標誌物陽性區域是癌性的。在對於樣品不僅執行癌症標誌物miRNA的可視化而且執行HE染色的情況下，優選的是，用於癌症標誌物miRNA檢測的切片載片和用於HE染色的切片載片是從固定化和包埋的樣品切出的相鄰的切片，具體地說，優選的是，相鄰的切片是連續切片。這允許更精確地對照圖像。優選地，通過例如對照圖像來執行在可視化的癌症標誌物miRNA和HE染色之間的對照。即，優選的是，相對於固定化樣品而言提供癌症標誌物可視化的圖像(以下也稱為 「癌症標誌物可視化圖像」)和使用HE染色圖像，並且將它們彼此對照。例如，通過下述方式來提供圖像通過CCD (電荷耦合器件圖像傳感器)或掃描器等將通過癌症標誌物miRNA 可視化的固定化樣品和通過HE染色可視化的固定化樣品轉換為數字圖像。通過使用如上所述的圖像，可以更容易和精確地執行在可視化的癌症標誌物 miRNA和HE染色之間的對照以及癌症可能性的確定。而且，通過累積圖像數據，進一步更可靠的評估變得可能。通過將癌症標誌物miRNA可視化圖像與HE染色圖像進行對照而確定癌症可能性的方法不被特別限制，並且可以例如以下面的方式執行。首先，對於如上所述的相鄰切片載片執行HE染色和癌症標誌物miRNA的可視化，因此提供HE染色圖像和癌症標誌物可視化圖像。然後，指定在HE染色圖像中的腫瘤區域，並且，將HE染色圖像和癌症標誌物可視化圖像彼此對照。結果，當在HE染色圖像中的腫瘤區域和在癌症標誌物可視化圖像中的癌症標誌物miRNA陽性區域彼此一致時，可以確定該腫瘤區域和癌症標誌物陽性區域是癌性的。而且，當在HE染色圖像中未找到腫瘤區域並且癌症標誌物可視化圖像對於癌症標誌物 miRNA是陰性的時，可以確定樣品不是癌性的。而且，當在HE染色圖像中的腫瘤區域與在癌症標誌物可視化圖像中的癌症標誌物陽性區域不一致時，將最後的判斷留給病理學家，並且這個數據可被存儲為累積數據，以便例如準備用於今後的判斷。本發明已經揭露，作為癌症標誌物miRNA的has_miR-9h和has_miR-494的表達水平例如在伴有癌變的細胞和組織中增加。從這個情況可以說明，例如，每一個癌症標誌物 miRNA的表達水平顯著增加在癌症發作後與在癌症的發作之前作比較；在臨床前期與在臨床前期之前作比較；在臨床期與在臨床期之前作比較；在初期與在初期之前作比較；以及，在初期後與初期中作比較。因此，本發明的評估方法可以例如在評估步驟中包括例如， 通過選自下面的(1)、(幻和C3)的至少一種方法來基於癌症標誌物miRNA的表達水平確定癌症的可能性。在本發明中，術語「正常者」表示，例如，未被確定為已經患上了要評估的癌症或具有他已經患上了癌症的可能性的評價對象。另一方面，術語「患者」表示，例如，未被確定為已經患上了要評估的癌症的評價對象。(1)將在受檢者的樣品中的癌症標誌物miRNA的表達水平與在正常者的樣品中的癌症標誌物miRNA的表達水平作比較，並且當在受檢者中的表達水平比在正常者中的表達水平高時，確定該受檢者具有癌症的高可能性。(2)將在受檢者的樣品中的癌症標誌物miRNA的表達水平與在正常者的樣品中的癌症標誌物miRNA的表達水平作比較，並且當在受檢者中的表達水平比在正常者中的表達水平相對變高時，確定在受檢者中的癌症相對進展。(3)將在受檢者的樣品中的癌症標誌物miRNA的表達水平與不同進展期的各癌症患者的樣品中的癌症標誌物miRNA的表達水平作比較，並且，確定在受檢者中的癌症與在顯示相同或類似表達水平的患者中的癌症處於相同的進展期。例如，可以使用從正常者收集的樣品來確定在方法(1)和O)中正常者的癌症標誌物miRNA的表達水平。而且，可以通過例如下述方式來確定在方法(3)中癌症患者的癌
15症標誌物miRNA的表達水平根據進展期來分類患者，並且在相應的進展期使用從患者收集的樣品。在方法(1)至(3)中，例如可以預先確定正常者和患者的表達水平，並且不必每次進行評估時確定它們。在方法(1)至(3)中，例如，正常者和患者的樣品的種類優選與受檢者的樣品的種類相同。而且，例如，正常者和患者的樣品優選與受檢者的樣品以相同的方式和在相同的條件下製備。正常者或各患者的癌症標誌物miRNA的表達水平可以是，例如， 從單個正常者或單個患者獲得的值，或者可以是通過統計方法從多個正常者或多個患者的表達水平計算的值。在如上所述的方法(1)中，當在受檢者中的表達水平高於在正常者中的表達水平時，可以確定受檢者具有癌症的高可能性。另一方面，當在受檢者中的表達水平等於或小於在正常者中的表達水平時，可以確定受檢者具有癌症的低可能性。癌症的可能性也可以被稱為例如已經發生癌變的可能性或受檢者可能罹患癌症的可能性。在如上所述的方法(2)中，當在受檢者中的表達水平比在正常者中的表達水平變得相對更高時，可以確定在受檢者中的癌症相對進展。而且，即使當在受檢者中的表達水平比在正常者中的表達水平高時，但在表達水平之間的差異變小時，可以確定癌症沒有相對進展。在方法(3)中，例如，確定在不同進展期的各癌症患者的表達水平。通過在各患者的表達水平和在受檢者中的表達水平之間的比較，可以不僅評估受檢者的癌變可能性，並且評估癌症的進展期。在方法(1)至(3)中，當將在受檢者中的表達水平與正常者或各患者的表達水平作比較時，例如，可以通過統計方法諸如t檢驗、F檢驗或卡方檢驗來確定其間的顯著差異。根據這樣的評估方法，例如，對於患有臨床前期癌症的受檢者，有可能以高可靠性判斷具有癌症的高可能性的受檢者，而這樣的判斷在傳統上是困難的。而且，例如，也可以高可靠性來判斷癌症進展期。因此，在癌症的預防或治療中，可以高可靠性來獲得例如在決定用藥、手術等的策略中重要的信息。而且，例如，本發明的評估方法可以通過計算染色陽性細胞的含量率來評估癌症。 術語「染色陽性細胞」表示例如具有癌症標誌物並且通過癌症標誌物的染色被染色的細胞。 在該情況下，在本發明的該評估方法中，例如，在癌症標誌物檢測步驟中獲得關於固定化樣品的已經進行了癌症標誌物染色圖像(以下稱為「癌症標誌物染色圖像」)。本發明的評估方法優選進一步包括HE染色圖像獲得步驟，獲得關於所述固定化樣品的HE染色圖像；信息獲得步驟，獲得在所述HE染色圖像中的腫瘤區域的信息；匹配步驟，計算在HE圖像獲得步驟中獲得的所述HE染色圖像和在所述癌症標誌物檢測步驟中獲得的所述癌症標誌物染色圖像的匹配位置；指定步驟，基於在所述信息獲得步驟中獲得的所述HE染色圖像中的所述腫瘤區域的信息和在所述匹配步驟中計算的所述匹配位置的信息，來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及染色陽性細胞檢測步驟，基於在所述指定步驟中指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息，來檢測在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞。
所述染色陽性細胞檢測步驟可以是例如計算步驟，基於在所述指定步驟中指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來計算在所述癌症標誌物染色圖像中所述腫瘤區域的染色陽性細胞含有率。所述癌症標誌物染色圖像可以是，例如，具有通過顯色或發光可視化的癌症標誌物miRNA的圖像。如上所述，例如，可以通過下述的癌症病理圖像診斷支持方法來執行包括與HE染色圖像的對照的癌症評估。可以通過例如操作癌症病理圖像診斷支持系統、癌症病理圖像診斷支持程序或癌症病理圖像診斷支持裝置——其中每一個將在下面被描述——來實現該方法。下面將對此詳細描述。〈評估試劑〉如上所述，本發明的評估試劑是要在本發明的評估方法中使用的評估試劑，並且其特徵在於它包含用於檢測本發明的癌症標誌物的試劑，即，用於檢測選自has-miR-92和 has-miR-494的至少一個miRNA的miRNA檢測試劑。根據這樣的評估試劑，有可能方便地執行本發明的評估方法。如上所述，本發明的特徵在於將has-miR-92和has-miR-494的至少一個作為癌症標誌物miRNA進行檢測，並且絕不限制用於檢測這些miRNA的方法。僅需要在本發明的評估試劑中包含的miRNA檢測試劑可以檢測這些miRNA的任何一種，並且絕不限制例如試劑的種類、成分等。而且，本領域內的技術人員可以基於一般的技術常識來設置用於這些癌症標誌物miRNA的檢測試劑。miRNA檢測試劑不被特別限制，並且其示例包括可以與癌症標誌物miRNA、諸如如上所述的癌症標誌物miRNA的任何一個雜交的探針。探針可以是如上所述的標記探針。而且，根據用於檢測miRNA的方法和在標記探針中使用的標記性物質的種類等，miRNA檢測試劑可以進一步包含其他試劑。本發明的評估試劑可以根據例如用於檢測miRNA的方法而進一步包含酶、緩衝液、洗滌液、溶解液、分散液和稀釋液等。而且，本發明的評估試劑的形式不被特別限制。例如，它可以是以液體狀態的溼型試劑或以乾燥狀態的幹型試劑。〈評估試劑盒〉本發明的評估試劑盒如上所述是要在本發明的評估方法中使用的評估試劑盒，並且其特徵在於它包括用於檢測選自has-miR-92和has-miR-494的至少一個miRNA的miRNA 檢測試劑。miRNA檢測試劑的示例包括如上所述的本發明的評估試劑。根據這樣的評估試劑盒，可以方便地執行本發明的評估方法。本發明的評估試劑盒的形式不被特別限制。它可以是例如液體狀態的溼型試劑盒或乾燥狀態的幹型試劑盒。例如，在本發明的評估試劑盒中的相應試劑可以分別提供，並當使用該試劑盒時一起使用，或可以在使用該試劑盒之前混合在一起。本發明的評估試劑盒可以例如包括使用說明書。本發明提供了系統、程序、方法和裝置，每種都用於支持基於病理圖像的癌症診斷，並且其示例包括下面的第一和第二實施方案。第一實施方案本發明提供了一種用於支持基於病理圖像的癌症診斷的癌症病理圖像診斷支持系統(以下稱為「圖像診斷支持系統」)，包括圖像獲得單元，其獲得HE染色圖像和癌症標誌物染色圖像來作為要診斷的病理圖像；信息獲得單元，其獲得在所述HE染色圖像中的腫瘤區域的信息；匹配單元，其計算通過所述圖像獲得單元獲得的所述HE染色圖像和所述癌症標誌物染色圖像的匹配位置；指定單元，其基於由所述信息獲得單元獲得的所述HE染色圖像中所述腫瘤區域的信息和由所述匹配單元計算的所述匹配位置的信息來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及染色陽性細胞檢測單元，其基於由所述指定單元指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來檢測在所述癌症標誌物染色圖像中所述腫瘤區域中的染色陽性細胞。所述染色陽性細胞檢測單元可以是，例如，基於由所述指定單元指定的所述癌症標誌物染色圖像中所述腫瘤區域的信息、計算在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞的含有率的計算單元(以下相同)。優選的是，所述計算單元除了所述染色陽性細胞含有率之外進一步計算染色強度。所述染色強度可以是，例如，在所述癌症標誌物染色圖像中所述腫瘤區域的染色強度。優選的是，本發明的所述圖像診斷支持系統進一步包括輸入接受單元，其接受用於指定要診斷的病理圖像的信息和用於指定檢查類型的信息的輸入；以及染色圖像資料庫，其存儲所述HE染色圖像和所述癌症標誌物染色圖像，其中所述圖像獲得單元基於所述指定信息從所述染色圖像資料庫獲得所述HE染色圖像和所述癌症標誌物染色圖像。在本發明的所述圖像診斷支持系統中，優選的是，用於指定要診斷的所述病理圖像的所述信息是所述HE染色圖像的圖像標識符，並且所述圖像獲得單元從所述染色圖像資料庫獲得具有所述圖像標識符的所述HE染色圖像和與所述HE染色圖像相鄰的所述癌症標誌物染色圖像。在本發明的所述圖像診斷支持系統中，優選的是，用於指定要診斷的所述病理圖像的所述信息是所述癌症標誌物染色圖像的圖像標識符，並且所述圖像獲得單元從所述染色圖像資料庫獲得具有所述圖像標識符的所述癌症標誌物染色圖像和與所述癌症標誌物染色圖像相鄰的所述HE染色圖像。在本發明的所述圖像診斷支持系統中，優選的是，用於指定要診斷的所述病理圖像的所述信息是診斷目標的受檢者標識符，並且所述圖像獲得單元從所述染色圖像資料庫獲得所述HE染色圖像和所述癌症標誌物染色圖像，其中每一個具有目標標識符。在本發明的所述圖像診斷支持系統中，優選的是，所述染色圖像資料庫也存儲所述HE染色圖像中所述腫瘤區域的所述信息，並且所述信息獲得單元從所述染色圖像資料庫獲得在所述HE染色圖像中的所述腫瘤區域的所述信息。優選的是，本發明的所述圖像診斷支持系統進一步包括腫瘤區域計算單元，其計算由所述圖像獲得單元獲得的所述HE染色圖像中的所述腫瘤區域，其中，所述信息獲得單元獲得由所述腫瘤區域計算單元計算的在所述HE染色圖像中的所述腫瘤區域的信息。優選的是，本發明的所述圖像診斷支持系統進一步包括輸入接受單元，其接受要診斷的載片的載片標識符和用於指定檢查類型的信息的輸入；載片資料庫，其存儲所述載片；以及載片獲得單元，其從所述載片資料庫獲得具有所述載片標識符的所述載片，其中所述圖像獲得單元通過將所述載片獲得單元獲得的所述載片成像，來獲得所述HE 染色圖像和所述癌症標誌物染色圖像。本發明提供了一種用於支持基於病理圖像進行癌症診斷的圖像診斷支持系統，包括終端和伺服器。所述終端和所述伺服器可以經由在所述系統外部設置的通信網絡而彼此連接。所述終端包括終端側發送單元，其將在所述終端中的信息經由所述通信網絡發送到所述伺服器；以及，終端側接收單元，其接收經由所述通信網絡從所述伺服器發送的信息。所述伺服器包括伺服器側發送單元，其將在所述伺服器中的信息經由所述通信網絡發送到所述終端；伺服器側接收單元，其接收從所述終端經由所述通信網絡發送的信息；圖像獲得單元，其獲得HE染色圖像和癌症標誌物染色圖像作為要診斷的病理圖像；信息獲得單元，其獲得在所述HE染色圖像中的腫瘤區域的信息；匹配單元，其計算通過所述圖像獲得單元獲得的所述HE染色圖像和所述癌症標誌物染色圖像的匹配位置；指定單元，其基於由所述信息獲得單元獲得的所述HE染色圖像中的所述腫瘤區域的所述信息和由所述匹配單元計算的所述匹配位置的信息來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及， 染色陽性細胞檢測單元，其基於在由所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來檢測在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞。在這個圖像診斷支持系統中，從所述終端側發送單元向所述伺服器側接收單元發送所述病理圖像的信息，並且，從所述伺服器側發送單元向所述終端側接收單元發送由所述伺服器的所述染色陽性細胞檢測單元檢測的所述染色陽性細胞的信息。在本發明的所述圖像診斷支持系統中，所述染色陽性細胞檢測單元可以是，例如， 基於由所述指定單元指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息、在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞的含有率。在該情況下，例如，從所述伺服器側發送單元向所述終端側接收單元發送由所述伺服器的所述計算單元計算的所述染色陽性細胞含有率的信息。本發明也提供了一種用於在本發明的所述圖像診斷支持系統中使用的伺服器。所述伺服器包括伺服器側發送單元，其將所述伺服器中的信息經由所述通信網絡發送到所述終端；伺服器側接收單元，其接收從所述終端經由所述通信網絡發送的信息；圖像獲得單元，其獲得HE染色圖像和癌症標誌物染色圖像作為要診斷的病理圖像；信息獲得單元， 其獲得在所述HE染色圖像中的腫瘤區域的信息；匹配單元，其計算通過所述圖像獲得單元獲得的所述HE染色圖像和所述癌症標誌物染色圖像的匹配位置；指定單元，其基於由所述信息獲得單元獲得的所述HE染色圖像中的所述腫瘤區域的所述信息和由所述匹配單元計算的所述匹配位置的信息來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及，染色陽性細胞檢測單元，其基於在所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來檢測在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞。
在本發明的伺服器中，所述染色陽性細胞檢測單元可以例如是計算單元，其基於由所述指定單元指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息，計算在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞的含有率。本發明也提供了一種在本發明的所述圖像診斷支持系統中使用的終端。所述終端包括終端側發送單元，其將所述終端中的信息經由通信網絡發送到伺服器；以及，終端側接收單元，其接收從所述伺服器經由所述通信網絡發送的信息。在所述終端中，從所述終端側發送單元向所述伺服器側接收單元發送病理圖像的信息，並且，從所述伺服器側發送單元向所述終端側接收單元發送由所述染色陽性細胞檢測單元檢測的染色陽性細胞的信息。而且，例如，可以從所述伺服器側發送單元向所述終端側接收單元發送由所述伺服器的所述計算單元計算的所述染色陽性細胞含有率的信息。本發明也提供了一種用於支持基於病理圖像進行癌症診斷的癌症病理圖像診斷支持方法(以下稱為「圖像診斷支持方法」)，包括以下步驟獲得HE染色圖像和癌症標誌物染色圖像作為要診斷的病理圖像；獲得在所述HE染色圖像中的腫瘤區域的信息；匹配圖像以計算在所述圖像獲得步驟中獲得的所述HE染色圖像和所述癌症標誌物染色圖像的匹配位置；基於在由所述信息獲得步驟獲得的所述HE染色圖像中的所述腫瘤區域的所述信息和由所述匹配步驟計算的所述匹配位置的信息來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及基於在由所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來檢測在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞。在本發明的圖像診斷支持方法中，所述染色陽性細胞檢測步驟可以例如是計算步驟，基於在所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來計算在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞的含有率(以下相同)。在本發明的圖像診斷支持方法中，優選的是，在所述計算步驟中，除了所述染色陽性細胞含有率之外進一步計算染色強度。所述染色強度可以例如是在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色強度。在本發明的圖像診斷支持方法中，優選的是，在所述圖像獲得步驟中，例如，基於用於指定要診斷的所述病理圖像的信息來獲得所述HE染色圖像和所述癌症標誌物染色圖像。優選的是，從例如存儲所述HE染色圖像和所述癌症標誌物染色圖像的所述染色圖像資料庫獲得所述HE染色圖像和所述癌症標誌物染色圖像。在本發明的圖像診斷支持方法中，優選的是，用於指定要診斷的所述病理圖像的所述信息是所述HE染色圖像的圖像標識符。在所述圖像獲得步驟中，優選的是，例如，從所述染色圖像資料庫獲得具有所述圖像標識符的所述HE染色圖像和與所述HE染色圖像相鄰的所述癌症標誌物染色圖像。在本發明的所述圖像診斷支持方法中，優選的是，用於指定要診斷的所述病理圖像的所述信息是所述癌症標誌物染色圖像的圖像標識符。在所述圖像獲得步驟中，優選的是，例如，從所述染色圖像資料庫獲得具有所述圖像標識符的所述癌症標誌物染色圖像和與所述癌症標誌物染色圖像相鄰的所述HE染色圖像。
在本發明的圖像診斷支持方法中，優選的是，用於指定要診斷的所述病理圖像的所述信息是診斷目標的受檢者標識符。在所述圖像獲得步驟中，優選的是，例如，從所述染色圖像資料庫獲得所述具有受檢者標識符的HE染色圖像和所述癌症標誌物染色圖像。在本發明的圖像診斷支持方法中，優選的是，所述染色圖像資料庫也存儲所述HE 染色圖像中的所述腫瘤區域的所述信息。在所述信息獲得步驟中，優選的是，例如，從染色圖像資料庫獲得在所述HE染色圖像中的所述腫瘤區域的所述信息。優選的是，本發明的所述圖像診斷支持方法進一步包括計算在所述圖像獲得步驟中獲得的所述HE染色圖像中的所述腫瘤區域的步驟。在所述信息獲得步驟中，優選的是， 獲得在所述腫瘤區域計算步驟中計算的所述HE染色圖像中的所述腫瘤區域的信息。本發明也提供了一種癌症病理圖像診斷支持程序(以下稱為「圖像診斷支持程序」)，用於支持基於病理圖像的癌症診斷。所述圖像診斷支持程序的特徵在於它可以使得計算機執行本發明的圖像診斷方法。本發明的所述圖像診斷支持程序使得計算機執行，例如圖像獲得步驟，獲得HE染色圖像和癌症標誌物染色圖像作為要診斷的病理圖像；信息獲得步驟，獲得在所述HE染色圖像中的腫瘤區域的信息；匹配步驟，計算所述圖像獲得步驟中獲得的所述HE染色圖像和所述癌症標誌物染色圖像的匹配位置；指定步驟，基於在所述信息獲得步驟中獲得的在所述HE染色圖像中的所述腫瘤區域的所述信息和在所述匹配步驟中計算的所述匹配位置的信息來指定在所述癌症標誌物染色圖像中的腫瘤區域；以及染色陽性細胞檢測步驟，基於在所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來檢測在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞。在本發明的所述圖像診斷支持程序中，所述染色陽性細胞檢測步驟可以例如是計算步驟，其基於在所述指定步驟指定的所述癌症標誌物染色圖像中的所述腫瘤區域的信息來計算在所述癌症標誌物染色圖像中的所述腫瘤區域中的染色陽性細胞的含有率。根據上述的支持系統、支持方法和支持程序，也可能例如在最後獲得染色陽性細胞含有率作為量化值。在下面，將具體上參考實施方案IA至ID來描述本發明的第一實施方案。以下，癌症標誌物染色圖像也被稱為「miRNA染色圖像」。應當注意，本發明絕不限於這些實施方案。(實施方案1A)圖19是示出具有根據本發明的圖像診斷支持系統的圖像診斷支持裝置的配置的示例的框圖。如圖19中所示，圖像診斷支持裝置190包括處理部191和存儲部192。圖像診斷支持裝置190被配置成使得它在處理部191處連接到與顯微鏡193連接的CXD 194， 並且連接到掃描器195和顯示器196。圖像診斷支持裝置190包括，例如，CPU(中央處理單元)、RAM(隨機存取存儲器)、輸入部、驅動器、輸入-輸出接口(I/F)和通信總線等。CPU 控制整個圖像診斷支持裝置。通過安裝例如用於提供在CPU中的各單元的功能的電腦程式，有可能構造在圖像診斷支持裝置190中的各單元，從而實現圖像診斷支持裝置190。而且，也可以通過配備電路部件而實現圖像診斷支持裝置190的操作，該電路部件包括硬體部件，諸如LSI (大規模集成)，其中安裝了用於實現各單元的功能的電腦程式。這樣的電腦程式可以是存儲電腦程式的記錄介質等的形式。記錄介質的示例包括HDD、FD、 CD-ROM (CD-R, CD-RW)、MO、DVD和存儲卡。存儲部192的示例包括ROM、HDD和HD。HDD例如在CPU的控制下控制關於HD讀取和寫入數據。HD例如在HDD的控制下存儲所寫入的數據。顯示器196例如顯示諸如圖像、數據和文件的各種信息。輸入部的示例包括鍵盤和滑鼠。例如，掃描器195掃描上述切片載片，並且將圖像光學轉換為電信號。例如，CCD 194將切片載片的顯微圖像轉換為電信號。圖像診斷支持裝置190可以例如能夠訪問在圖像診斷支持裝置190外部設置的、 用於積累關於染色圖像的信息的染色圖像資料庫。在該情況下，圖像診斷支持裝置190可以例如經由通信線連接到染色圖像資料庫。下面給出本發明的圖像診斷支持系統的說明性示例。圖20是示意性示出根據本實施方案的圖像診斷支持系統的配置的框圖。應當注意，本發明絕不限於這個實施方案。如圖20中所示，本實施方案的圖像診斷支持系統包括圖像獲得單元2001，其獲得HE染色圖像和miRNA染色圖像；信息獲得單元2002，其獲得在HE染色圖像中的腫瘤區域的信息；匹配單元2003，其計算由圖像獲得單元獲得的HE染色圖像和miRNA染色圖像的匹配位置；指定單元2004，其基於由信息獲得單元獲得的HE染色圖像中的腫瘤區域的信息和由匹配單元計算的匹配位置的信息來指定在miRNA染色圖像中的腫瘤區域；以及，計算單元2005，其基於由指定單元指定的miRNA染色圖像中的腫瘤區域的信息來計算在miRNA 染色圖像的腫瘤區域中的染色陽性細胞的含有率。圖像診斷支持系統可以進一步包括染色水平確定單元，其確定miRNA染色圖像的 miRNA染色水平。染色水平確定單元例如確定在miRNA染色圖像的指定腫瘤區域中的染色水平。這樣的系統的示例包括在圖19中所示的圖像診斷支持裝置。各構成單元可以例如由通過由計算機的CPU執行預定程序而實現的功能塊構成。因此，例如，各構成單元不一定提供為硬體部件，並且它們可以被提供為網絡系統。除非另外說明，本實施方案的圖像診斷支持系統與例如根據下述的實施方案IB至IE的圖像診斷支持系統相同。參考圖21，將描述在本實施方案的圖像診斷支持系統中的處理流程的一個示例。 圖21是示出該處理流程的流程圖。這處理是根據本發明的圖像診斷方法的示例，並且可以例如被本發明的圖像診斷支持系統或圖像診斷支持程序等執行。首先，獲得HE染色圖像和miRNA染色圖像(步驟S2101)。例如，圖像可以作為由諸如掃描器或CCD的圖像攝取裝置的轉換產生的電信號來獲得。接下來，關於HE染色圖像，獲得腫瘤區域的信息(S2102)。在HE染色圖像中的腫瘤區域的信息可以是例如由醫生等判定的信息，或可以是由已知方法計算的信息。接下來，通過將HE染色圖像和miRNA染色圖像之一與另一個重疊並且計算匹配位置來執行匹配，(S2103)。然後，基於HE染色圖像中的腫瘤區域的信息和如此獲得的匹配位置的信息，計算在miRNA染色圖像中的腫瘤區域。即，計算與HE染色圖像中的腫瘤區域對應的miRNA染色圖像的區域，然後，將該區域指定為腫瘤區域(S2104)。以下，基於HE染色圖像的信息而指定的miRNA染色圖像中的腫瘤區域也被稱為「基於HE染色圖像的腫瘤區域」。隨後，確定在基於HE染色圖像確定的miRNA染色圖像中的腫瘤區域的miRNA染色水平(S2105)。關於miRNA染色水平，例如，優選的是，執行圖像標準化，因為染色的程度根據染色處理、溫度、探針種類或者顯色物質或螢光物質的種類等而在載片之間不同。此時， 在miRNA染色圖像中，可以用相同的方式來確定除了基於HE染色圖像的腫瘤區域之外的區域的miRNA染色水平。然後，在諸如如上所述的染色圖像資料庫中累積在這個步驟中獲得的染色圖像信息(S2106)。接下來，基於如此確定的miRNA染色水平，再一次檢測在miRNA染色圖像中的腫瘤區域(S2107)。即，關於miRNA染色圖像的染色水平，確定它是否達到表示腫瘤細胞的水平或小於表示腫瘤細胞的水平。然後，將顯示前一種染色水平的區域指定為基於miRNA染色水平的腫瘤區域。結果，當基於HE染色圖像的腫瘤區域與基於miRNA染色水平的腫瘤區域一致時，基於miRNA染色水平的腫瘤區域被確定為檢測目標區域。而且，當該區域未被確定為HE染色圖像中的腫瘤區域並且該區域被確定為基於miRNA染色水平的腫瘤區域時，基於 miRNA染色水平的腫瘤區域被確定為檢測目標區域。例如，可以通過檢測miRNA染色圖像中多個水平的miRN染色強度來確定表示腫瘤的染色水平和小於表示腫瘤的染色水平之間的閾值。因此，例如，即使當非腫瘤細胞僅輕度染色時，可以確定這不表示該染色指示腫瘤細胞。例如，關於閾值的數據也被存儲在染色圖像資料庫中作為關於染色圖像的信息。以上述方式確定的檢測目標區域被輸出為確定的癌症區域。或者，對于于檢測目標區域，計算染色陽性細胞含有率，並且輸出計算結果。當在染色圖像資料庫中累積miRNA染色圖像的信息時，例如，也可能基於該資料庫而不進行與HE染色圖像的匹配來確定在miRNA染色圖像中的腫瘤區域。(實施方案1B)圖1是示出根據本發明的圖像診斷支持系統的示例的框圖。這個系統是用於支持基於病理圖像的癌症診斷的系統。該系統包括圖像獲得單元，其獲得HE染色圖像和miRNA 染色圖像作為要診斷的病理圖像；信息獲得單元，其獲得在HE染色圖像中的腫瘤區域的信息；匹配單元，其計算由圖像獲得單元獲得的HE染色圖像和miRNA染色圖像的匹配位置； 指定單元，其基於由信息獲得單元獲得的HE染色圖像中的腫瘤區域的信息和由匹配單元計算的匹配位置的信息來指定在miRNA染色圖像中的腫瘤區域；以及，計算單元，其基於由指定單元指定的miRNA染色圖像中的腫瘤區域的信息來計算在miRNA染色圖像的腫瘤區域中的染色陽性細胞的含有率。更詳細地，本實施方案的系統包括輸入裝置111、輸出裝置112、染色圖像資料庫 113、處理裝置120和存儲裝置130。染色圖像資料庫113存儲一個或多個HE染色圖像；與所述HE染色圖像的樣本 (切片載片)相鄰的連續切片的樣本的miRNA染色圖像；關於上述的HE染色圖像和上述的 miRNA染色圖像的樣本相鄰信息；以及，從上述HE染色圖像計算或由醫生確定的腫瘤區域
fn息等。每個圖像具有受檢者標識符，關於受檢者的相關信息通過它與各圖像相關。例如，如圖2中所示，染色圖像資料庫113包括受檢者標識符201，用於唯一地標識受檢者；圖像標識符202 ；染色信息203 ；圖像數據204 ；樣品相鄰信息205 ；以及，HE染色圖像腫瘤區域信息206。圖像標識符202是用於識別每一個受檢者的多個病理圖像的標識符。染色信息 203、圖像數據204和腫瘤區域信息206通過圖像標識符202與其他圖像的那些相區別。各染色信息203指示圖像的染色信息，並且染色信息的示例包括關於HE染色的信息和關於癌症標誌物miRNA染色的信息。各圖像數據204存儲圖像數據。樣本相鄰信息205通過使用圖像標識符202來存儲對應性關係。HE染色圖像腫瘤區域信息206存儲從HE染色圖像計算或由醫生等確定的腫瘤區域信息。同時，可以使得HE染色圖像腫瘤區域信息206對應於圖像標識符202，並且單獨存儲。作為輸入裝置111和輸出裝置112，可以例如使用在計算機上設置的正常輸入/輸出裝置。輸入裝置111例如是鍵盤或滑鼠。輸出裝置112例如是顯示裝置或印表機。輸入裝置111和輸出裝置112可以是輸入文件和/或輸出文件，或可以是另一個計算機等。存儲裝置130由在計算機上設置的主存儲裝置和輔助存儲裝置構成，並且例如用於存儲在處理裝置120中執行的各種程序以及數據。處理裝置120包括計算機的CPU，並且通過程序控制而運行。處理裝置120包括輸入接受處理部121、染色圖像和腫瘤區域信息獲得部122、圖像匹配處理部(匹配單元)123、miRNA染色圖像腫瘤區域提取部(指定單元)124和染色陽性細胞含有率計算部(計算單元)125。染色圖像和腫瘤區域信息獲得部122具有上述的圖像獲得單元和信息獲得單元二者的功能。輸入接受處理部121通過輸入裝置111從用戶等接受用於指定要診斷的病理圖像的信息和用於指定檢查類型的信息。檢查類型的示例包括要檢測的癌症標誌物miRNA的類型。而且，輸入接受處理部121在存儲裝置130的診斷圖像信息和檢查對象存儲部131中存儲那些信息，並且將處理轉移到染色圖像和腫瘤區域信息獲得部122。在本實施方案的情況下，用於指定要診斷的病理圖像的信息是圖像標識符202。圖像標識符202是HE染色圖像或miRNA染色圖像，並且有可能指定它們的一個或多個。而且，用於指定檢查類型的信息是關於miRNA染色的項目，並且有可能在本發明的癌症標誌物miRNA中指定任何一個miRNA 或兩個以上miRNA。染色圖像和腫瘤區域信息獲得部122從染色圖像資料庫113獲得要診斷的HE染色圖像和miRNA染色圖像與在HE染色圖像中的腫瘤區域的信息，並且將它們分別存儲在存儲裝置130中的HE染色圖像數據存儲部132、miRNA染色圖像數據存儲部134和HE染色圖像腫瘤區域信息存儲部133中，並且將處理轉移到圖像匹配處理部123。在診斷圖像信息和檢查對象存儲部131中存儲的具有圖像標識符202的染色信息 203是HE染色的情況下，具有圖像標識符202的圖像數據204被存儲在HE染色圖像數據存儲部132中。而且，通過參考在診斷圖像信息和檢查對象存儲部131中存儲的檢查類型和樣本相鄰信息205，在miRNA染色圖像數據存儲部134中存儲與要診斷的HE圖像樣本相鄰的連續切片樣本的miRNA染色圖像的圖像數據204。而且，HE染色圖像腫瘤區域信息206 的信息被存儲在HE染色圖像腫瘤區域信息存儲部133中。另一方面，在診斷圖像信息和檢查對象存儲部131中存儲的具有圖像標識符的染色信息203是miRNA染色的情況下，在miRNA染色圖像數據存儲部134中存儲具有圖像標識符202的圖像數據204。而且，通過參考樣本相鄰信息205，在HE染色圖像數據存儲部 132中存儲與要診斷的miRNA染色圖像樣本相鄰的連續切片樣本的HE染色圖像的圖像數據 204。而且，在HE染色圖像腫瘤區域信息存儲部133中存儲HE染色圖像腫瘤區域信息206 的信息。當指定多個圖像標識符時，搜索、對應和存儲它們的每一個。圖像匹配處理部123分別從HE染色圖像數據存儲部132和miRNA染色圖像數據存儲部134讀取HE染色圖像和miRNA染色圖像，並且計算該HE染色圖像和miRNA染色圖像的匹配位置。而且，圖像匹配處理部123在匹配位置信息存儲部135中存儲匹配位置信息，並且將處理轉移到miRNA染色圖像腫瘤區域提取部124。匹配位置信息的示例包括旋轉角度和水平/垂直未對準寬度。因為HE染色圖像和miRNA染色圖像是通過染色連續的切片而獲得的圖像，所以它們可能彼此非常類似。例如，可以使用相同色調或不同色調的顏色來執行HE染色和miRNA染色。然而，因為HE染色圖像和miRNA染色圖像進行匹配處理，所以優選的是，在miRNA染色中使用與HE染色中使用的顏色不同色調的顏色來染色細胞。通常，在HE染色中，使用蘇木精將細胞核染色為藍色，並且使用曙紅將細胞質染色為粉紅。例如，可以通過要使用的顯色物質或螢光物質等來適當地設置在miRNA染色中使用的顏色的色調。在圖像匹配中，每一個圖像被二值化，並且，可以使用純相位相關方法、序貫相似檢測算法和使用特異點的方法。miRNA染色圖像腫瘤區域提取部IM分別從HE染色圖像腫瘤區域信息存儲部 133、miRNA染色圖像數據存儲部134和匹配位置信息存儲部135讀取HE染色圖像腫瘤區域信息、miRNA染色圖像數據和匹配位置信息，並且，計算在miRNA染色圖像數據中的腫瘤區域。而且，miRNA染色圖像腫瘤區域提取部IM在miRNA染色圖像腫瘤區域信息存儲部136 中存儲miRNA染色圖像數據中的腫瘤區域的信息，並且將處理轉移到染色陽性細胞含有率計算部U5。染色陽性細胞含有率計算部125分別從miRNA染色圖像數據存儲部134和miRNA 染色圖像腫瘤區域信息存儲部136讀取miRNA染色圖像數據和腫瘤區域信息。然後計數在腫瘤區域中的染色陽性細胞核的數量和染色陰性細胞核的數量，並且計算染色陽性細胞含有率以從輸出裝置112輸出。參考圖3至6中所示的流程圖，下面將作為根據本發明的圖像診斷支持方法和圖像診斷支持程序的實施方案IB來描述在圖1中所示的系統的操作示例。在本實施方案中， 將基於下述假設進行說明在miRNA染色中，陽性細胞核被染色為藍色，並且陰性細胞核被染色為棕紅色。然而，應當注意，本發明不限於此，並且可以例如通過用於指定染色細胞核的一般方法來計數陽性細胞核和陰性細胞核。具體地說，例如，關於要進行miRNA染色的載片，可以通過一般的染色方法來染色細胞核，並且可以計數miRNA染色陽性細胞核和miRNA 染色陰性細胞核。總之，這個實施方案的方法是用於支持基於病理圖像的癌症診斷的方法，並且包括下面的步驟(a)至(e)。而且，這個實施方案的程序是用於支持基於病理圖像的癌症的診斷的程序，該程序使得計算機執行(a)至(e)。(a)圖像獲得步驟，獲得HE染色圖像和miRNA染色圖像作為要診斷的病理圖像；(b)信息獲得步驟，獲得在HE染色圖像中的腫瘤區域的信息；
(c)匹配步驟，計算圖像獲得步驟中獲得的HE染色圖像和miRNA染色圖像的匹配位置；(d)指定步驟，基於在信息獲得步驟中獲得的在HE染色圖像中的腫瘤區域的信息和在匹配步驟中計算的匹配位置的信息來指定在miRNA染色圖像中的腫瘤區域；以及(e)計算步驟，基於在指定步驟指定的miRNA染色圖像中的腫瘤區域的信息來計算在miRNA染色圖像的腫瘤區域中的染色陽性細胞的含有率。更詳細而言，當開始處理時，在染色圖像資料庫113中存儲受檢者標識符201、圖像標識符202、染色信息203、圖像數據204、樣本相鄰信息205和HE染色圖像腫瘤區域信息 206，它們全部是受檢者的一系列數據。腫瘤區域信息206是通過從HE染色圖像預先計算腫瘤區域而獲得的信息、或由醫生指定的腫瘤區域信息。當在這樣的狀態中啟動處理裝置 120時，開始在圖3中所示的處理。首先，從輸入裝置111向處理裝置120的輸入接受處理部121提供HE染色圖像的圖像標識符或miRNA染色圖像的圖像標識符，其指定診斷圖像；以及，miRNA檢查項目要求，其指定檢查對象癌症標誌物miRNA。輸入接受處理部121將用於指定診斷圖像的信息和用於指定檢查對象的信息從存儲裝置130的診斷圖像信息和檢查對象存儲部131傳送到染色圖像和腫瘤區域信息獲得部122。然後，處理轉移到染色圖像和腫瘤區域信息獲得部 122(步驟 S301)。接下來，染色圖像和腫瘤區域信息獲得部122在診斷圖像信息和檢查對象存儲部 131中對染色圖像資料庫113搜索圖像標識符。當具有指定的圖像標識符的染色信息203 是HE染色時，染色圖像和腫瘤區域信息獲得部122在HE染色圖像數據存儲部132中存儲具有圖像標識符的圖像數據204。而且，HE染色圖像腫瘤區域信息206被存儲在HE染色圖像腫瘤區域信息存儲部133中。而且，讀取在診斷圖像信息和檢查對象存儲部131中的 miRNA檢查項目，參考在染色圖像資料庫113中的樣本相鄰信息205，並且，在miRNA染色圖像數據存儲部134中存儲作為與HE染色圖像相鄰的連續切片樣本的miRNA染色圖像數據 204。另一方面，當具有指定的圖像標識符的染色信息203是miRNA染色是，在miRNA染色圖像數據存儲部134中存儲具有圖像標識符的圖像數據204。而且，參考染色圖像資料庫113的樣本相鄰信息205，並且在HE染色圖像數據存儲部132中存儲作為與miRNA染色圖像相鄰的連續切片樣本的HE染色圖像數據204。而且，在HE染色圖像腫瘤區域信息存儲部133中存儲HE染色圖像腫瘤區域信息206。然後，處理轉移到圖像匹配處理部123(步驟 S302)。圖像匹配處理部123計算在HE染色圖像數據存儲部132中存儲的HE染色圖像和在miRNA染色圖像數據存儲部134中存儲的miRNA染色圖像的匹配位置。例如，在調整兩個圖像的色標後，通過使用純相位相關方法來執行匹配位置的計算。如此獲得的匹配位置信息被存儲在匹配位置信息存儲部135中。匹配位置信息的示例包括旋轉角度和水平/垂直未對準寬度。然後，處理轉移到miRNA染色圖像腫瘤區域提取部124(步驟S303)。miRNA染色圖像腫瘤區域提取部IM計算從在HE染色圖像腫瘤區域信息存儲部 133中存儲的HE染色圖像的腫瘤區域信息和在匹配位置信息存儲部135中存儲的匹配位置信息來計算在miRNA染色圖像數據存儲部134中存儲的miRNA染色圖像中的腫瘤區域。miRNA染色圖像腫瘤區域提取部124在miRNA染色圖像腫瘤區域信息存儲部136中存儲如此獲得的miRNA染色圖像的腫瘤區域信息。然後，處理轉移到染色陽性細胞含有率計算部 125(步驟 S304)。染色陽性細胞率計算部125接收在miRNA染色圖像數據存儲部134中存儲的 miRNA染色圖像數據和在miRNA染色圖像腫瘤區域信息存儲部136中存儲的腫瘤區域信息。 然後，染色陽性細胞率計算部125計數在腫瘤區域中的染色陽性細胞核的數量和染色陰性細胞核的數量，並且計算染色陽性細胞含有率以從輸出裝置112輸出(步驟S305)。當染色陽性細胞核被染色為棕紅色並且染色陰性細胞核被染色為藍色時，計數被染色為棕色的細胞核的數量和被染色為藍色的細胞核的數量。例如，根據在圖4、5和6中所示的過程，並且如下所述，執行這個處理。首先，基於所接收的miRNA染色圖像數據和腫瘤區域信息來遮蔽miRNA染色圖像數據的腫瘤區域的外部(步驟S401)。在腫瘤區域中，通過判別分析來識別作為染成棕色的區域的棕色區域和染成藍色的區域的藍色區域(步驟S402)。在這個處理中，首先，圖像數據被轉換為HSV顏色空間(步驟S501)，根據S (飽和度)和V(明度)來去除未染色的區域(步驟S502)，並且，將H(色調)的值範圍從
向
轉換(步驟S503)。接下來，查看所有像素的H(色調)值是否被包括在範圍
和範圍
的任何一個中(步驟S504)。當在一個區域中包括所有的像素時，
被輸出為藍色區域，並且W.8，1.3]被輸出為棕色區域(步驟S507)。當在兩個區域中存在像素時，通過判別分析來計算閾值t (步驟S505)，並且，
被輸出為藍色區域，[t，1. 3]被輸出為棕色區域(步驟S506)。接下來，在棕色區域中執行核提取(步驟S40;3)，並且隨後，在藍色區域中執行核提取(步驟S404)。在這些步驟中，首先，當輸入棕色區域或藍色區域時(步驟S601)，根據 V(明度)值的平均值和分布來計算通過使用S型函數來強調V(明度)值而獲得的V』值 (步驟seo》。然後，以下述方式來執行向二值圖像的轉換當V』值等於或小於特定閾值時，輸入區域被設置為在核區域內(=1)；並且，當V』值大於閾值時，輸入區域被設置為在核區域之外(=0)(步驟S603)。接下來，通過向二值圖像應用高斯濾波器執行相鄰像素比較，來計算核的位置(步驟S604)。接下來，計數在棕色區域中檢測到的核數量(步驟S4(^)，並且計數在藍色區域中檢測到的核數量(步驟S406)。最後，計算棕色核的數量與核的總數的比率，S卩，棕色核的數量/ (棕色核的數量+藍色核的數量)(步驟S407)。下面描述本實施方案的效果。在本實施方案中，圖像獲得單元獲得HE染色圖像和 miRNA染色圖像，並且信息獲得單元獲得在HE染色圖像中的腫瘤區域的信息。其後，匹配單元計算HE染色圖像和miRNA染色圖像的匹配位置。隨後，指定單元基於在HE染色圖像的腫瘤區域的信息和匹配位置的信息來指定在miRNA染色圖像中的腫瘤區域。然後，計算單元基於在miRNA染色圖像中的腫瘤區域的信息來計算在miRNA染色圖像的腫瘤區域中的染色陽性細胞含有率。由此，可以作為量化值獲得染色陽性細胞的含有率。結果，變得有可能醫生可以通過基於該量化值的miRNA染色來執行診斷。而且，因為近些年來組織診斷和細胞學診斷的病例數量增加並且病理學家的數量較少，所以已經有迫使病理學家長時間工作的問題。在這一點上，根據本實施方案，可以減輕醫生等的勞動負擔。另外，根據本實施方案，通過作為連續切片樣本圖像的HE染色圖像和miRNA染色圖像的匹配，可以將在HE染色圖像中確定的腫瘤區域與miRNA染色圖像相對應。而且，例如，通過對H(色調)值應用判別分析，可以識別棕色區域和藍色區域。而且，通過在各個棕色區域和藍色區域中執行核提取，可以計算棕色核的數量與核的總數的比率。因此，通過向醫生等提供染色陽性細胞的含有率，有可能對醫生的診斷提供有幫助的信息，由此支持診斷。(實施方案1C)圖7是示出根據本發明的圖像診斷支持系統的另一個示例的框圖。本實施方案的系統與在圖1中所示的根據實施方案IB的系統的不同在於染色陽性細胞含有率計算部 125除了染色陽性細胞含有率之外也計算染色強度。除非另外說明，其他配置和操作與實施方案IB的那些相同。在圖7中，染色陽性細胞的含有率和染色強度計算部725分別從miRNA染色圖像數據存儲部134和miRNA染色圖像腫瘤區域信息存儲部136讀取miRNA染色圖像數據和腫瘤區域信息。然後，染色陽性細胞含有率和染色強度計算部725計數在腫瘤區域中的染色陽性細胞核的數量和染色陰性細胞核的數量，以計算染色陽性細胞的含有率，並且進一步計算染色強度以從輸出裝置112輸出。參考在圖8至10中所示的流程圖，下面作為根據本發明的圖像診斷支持方法和圖像診斷支持程序的實施方案IC來描述在圖7中所示的系統的操作示例。本實施方案的處理與圖3中所示的實施方案IB的處理的不同在於不僅計算染色陽性細胞的含有率，而且計算染色強度，並且其他操作與在實施方案IB中的那些相同。染色陽性細胞的含有率和染色強度計算部725接收在miRNA染色圖像數據存儲部 134中存儲的miRNA染色圖像數據和在miRNA染色圖像腫瘤區域信息存儲部136中存儲的腫瘤區域。然後，染色陽性細胞的含有率和染色強度計算部725計數在腫瘤區域中的染色陽性細胞核的數量和染色陰性細胞核的數量，以計算染色陽性細胞的含有率，並且計算染色強度(0 陰性，1:弱陽性，2:中等陽性，3:強陽性)以從輸出裝置112輸出(步驟S805)。 例如，根據在圖9和10中所示的過程，並且如下所述，執行這個處理。該處理與在圖4中所示的實施方案IB的處理直到圖9的步驟S407都相同。在步驟S407之後，在棕色區域中計算核染色強度(步驟S908)。首先，輸入在圖9的步驟S402中確定的棕色區域(步驟S1001)。然後，根據V(明度)的平均值和分布，計算通過使用S型函數來強調V而獲得的V』(步驟S10(^)。當V』 值等於或小於特定閾值χ時，輸入區域被設置為在核區域內，並且計數其中的像素X的數量 (步驟 S1003)。接下來，設置滿足0 < a < b < c < 1的常數a、b和c，並且，確定滿足條件V < a 的像素數量與在核區域中的像素數量的比率。當該比率不小於特定比率時(步驟S1004)， 它被輸出為染色強度「3 強陽性」(步驟S1005)。如果不是這種情況，則確定滿足條件V彡b 的像素數量與在核區域中的像素數量的比率。當該比率不小於特定比率時(步驟S1006)， 它被輸出為染色強度「2 中等陽性」(步驟S1007)。如果不是這種情況，則確定滿足條件
c的像素數量與在核區域中的像素數量的比率。當該比率不小於特定比率時(步驟S1008)，它被輸出為染色強度「1 弱陽性」(步驟S1009)。如果不是這種情況，則它被輸出為染色強度「0 :陰性」(步驟S1010)。下面描述本實施方案的效果。雖然在實施方案IB中僅向醫生提供染色陽性細胞的含有率，但是在實施方案IC中有可能向醫生等不僅提供染色陽性細胞的含有率而且提供染色強度。因此，有可能對醫生的診斷提供更有幫助的信息，由此支持診斷。本實施方案的其他效果與實施方案IB的那些相同。(實施方案1D)圖11是示出根據本發明的圖像診斷支持系統的另一個示例的框圖。本實施方案的系統與在圖1中所示的根據實施方案IB的系統的不同在於本實施方案的系統具有腫瘤確定和腫瘤區域計算部(腫瘤區域計算單元)1126。除非另外說明，其他配置和操作與在實施方案IB中的那些相同。另外，在染色圖像資料庫113中累積至少一個HE染色圖像、作為與HE染色圖像的樣本相鄰的連續切片的樣本的miRNA染色圖像、和HE染色圖像與miRNA 染色圖像的樣本相鄰信息。在本實施方案中，從miRNA染色圖像計算或由醫生等確定的腫瘤區域信息的存在不是必要的。在圖11中，染色圖像和腫瘤區域信息獲得部122從染色圖像資料庫113獲得HE 染色圖像204、miRNA染色圖像204和HE染色圖像腫瘤區域信息206，並且將它們分別存儲在存儲裝置130的HE染色圖像數據存儲部132、miRNA染色圖像數據存儲部134和HE染色圖像腫瘤區域信息存儲部133中。在此，當存在腫瘤區域信息206時，處理轉移到圖像匹配處理部123 ；然而，當不存在腫瘤區域信息206時，處理轉移到腫瘤確定和腫瘤區域計算部 1126。腫瘤確定和腫瘤區域計算部11 從HE染色圖像數據存儲部132讀取HE染色圖像數據，確定腫瘤和計算腫瘤區域，並且將處理轉移到圖像匹配處理部123。作為腫瘤確定的方法和腫瘤區域計算的方法，例如，可以使用在專利文件1中公開的那些。下面描述本實施方案的效果。在本實施方案中，即使當在HE染色圖像中未確定腫瘤時，可以通過提供腫瘤確定和腫瘤區域計算部來執行一系列處理。因此，可以向醫生等提供從癌症診斷到免疫組織化學染色圖像診斷整合的診斷信息。因此，有可能提供有益於醫生診斷的信息，由此支持診斷。本實施方案的其他效果與在實施方案IB中的那些相同。同時，在本實施方案中，可以象在實施方案IC中那樣與染色陽性細胞的含有率一起計算染色強度。(實施方案1E)圖12是示出根據本發明的圖像診斷支持系統的另一個示例的框圖。本實施方案的系統包括載片成像部1222(載片獲得單元)，其取代在圖1等中所示的染色圖像和腫瘤區域信息獲得部122 ；載片資料庫1213，其取代染色圖像資料庫113 ；以及，診斷載片信息和檢查對象存儲部1231，其取代診斷圖像信息和檢查對象存儲部131。而且，系統具有載片成像裝置1214以及腫瘤確定和腫瘤區域計算部1126。除非另外說明，其他配置和操作與在實施方案IB中的那些相同。在載片資料庫1213中累積至少一個HE染色載片、作為與HE染色載片的樣本相鄰的連續切片的樣本的miRNA染色載片、以及HE染色載片和miRNA染色載片的樣本相鄰信息。關於受檢者的相關信息通過受檢者標識符與每一個載片相關聯。載片成像裝置1214
29成像指定的載片以轉換為數字數據。輸入接受處理部121通過輸入裝置111從用戶等接受用於指定要診斷的載片的信息(載片標識符)和用於指定檢查類型的信息。然後，輸入接受處理部121將它們存儲在存儲裝置130的診斷載片信息和檢查對象存儲部1231中，並且將處理轉移到載片成像部 1222。載片成像部1222從載片資料庫1213獲得作為要診斷的相鄰樣本的HE染色載片和miRNA染色載片。而且，載片成像部1222通過成像由載片成像裝置1214獲得的載片並且將它們轉換為數字數據，來獲得HE染色圖像和miRNA圖像。然後，這些圖像被分別存儲在存儲裝置130的HE染色圖像數據存儲部132和miRNA染色圖像數據存儲部134中，並且處理轉移到腫瘤確定和腫瘤區域計算部11沈。如上所述，在本實施方案中，載片成像部1222 具有載片獲得單元和圖像獲得單元兩者的功能。下面說明本實施方案的效果。在本實施方案中，即使當病理載片未被轉換為數字數據時，也通過提供載片成像裝置、載片數據和載片成像部來執行一系列處理。因此，可以向醫生等提供從載片成像至癌症診斷並且進一步至免疫組織化學地染色圖像診斷的綜合診斷信息。因此，有可能提供有益於醫生診斷的信息，由此支持診斷。本實施方案的其他效果與在實施方案IB中的那些相同。同時，在本實施方案中，可以象在實施方案IC中那樣與染色陽性細胞的含有率一起計算染色強度。本發明不限於上述示例性實施方案，並且可以進行各種修改。例如，上述示例性實施方案涉及輸入接受處理部121接受用於指定診斷圖像的圖像標識符的情況。然而，輸入接受處理部121可以接受診斷目標的受檢者標識符來代替圖像標識符。在該情況下，染色圖像和腫瘤區域信息獲得部122可以對染色圖像資料庫113搜索具有受檢者標識符和腫瘤區域信息的圖像。第二實施方案根據本發明的癌症病理圖像診斷支持裝置(以下稱為「圖像診斷支持裝置」)包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元計算與每個所述候選特徵對應的每個所述學習模式的特徵，並且作為所述特徵集合的第一特徵確定候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值；並且，在已知確定的特徵的條件下依序確定作為所述特徵集的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個學習模式的所述類別信息之間的相互信息量取最大值。所述目錄表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，產生包括所述學習模式的每一個特徵和所述類別信息的所述分類表，並且使用所述分類表來分類所述模式。所述特徵提取單元使用所述特徵集合來計算輸入模式的每一個特徵。所述診斷單元根據所述診斷的結果和所述分類表來診斷所述輸入模式。根據本發明的所述圖像診斷支持裝置包括學習模式輸入單元，用於從要用來學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於一所述學習模式集合的類別信息的相互信息量取最大值，根據如此確定的所述特徵來分配具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知關於分別包含所述學習模式和所述確定的特徵的集合的信息的條件下，依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值。所述分類表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，產生包括所述學習模式的每一個特徵和所述類別信息的所述分類表，並且使用所述分類表來分類所述模式。所述特徵提取單元使用所述特徵集合來計算輸入模式的每一個特徵。所述診斷單元根據所述輸入模式的每一個特徵和遷移表來引起每一個所述輸入模式的遷移，所述轉換表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的一集合，並且所述診斷單元根據作為所述遷移的結果的所述輸入模式所屬的集合來診斷所述輸入模式。根據本發明的圖像診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；
候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於一集合所述學習模式的類別信息的相互信息量取最大值，根據如此確定的所述特徵來分發具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知關於分別包含所述學習模式和所述確定的特徵的集合的信息的條件下，依序確定作為所述特徵集合的下一個徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值。所述分類表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和分類信息的分類表來分類所述模式。所述特徵提取單元使用所述特徵集合來計算輸入模式的每一個特徵，所述每一個特徵用於指示在某個順序的所述特徵取預定值的概率。所述診斷單元根據所述輸入模式的每一個特徵和遷移表來計算所述輸入模式包括預定的類別信息的概率，然後進行所述診斷，所述轉換表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的集合。在本發明的所述圖像診斷支持裝置中，優選的是，所述學習模式輸入單元和所述模式輸入單元從在預先染色的所述病理圖像中的每一個像素的R、G和B值選擇屬於預定腫瘤的細胞核所屬的色區域的像素，計算在所述色區域的分布中心和屬於所述色區域的每一個像素之間的距離，根據所述距離向每一個像素分配信號，檢測在所述病理圖像中的信號分布的峰值，並且輸入以所述峰值為中心的圖像作為所述學習模式。在本發明的所述圖像診斷支持裝置中，優選的是，由所述特徵產生單元產生的候選特徵包括從特徵提取函數獲得的候選特徵。在本發明的所述圖像診斷支持裝置中，優選的是，由所述特徵產生單元產生的所述候選特徵包括使用通過歸一化復變Gabor函數而獲得的特徵提取函數而獲得的候選特徵。在根據本發明的所述圖像診斷支持裝置中，優選的是，由所述候選特徵產生單元產生的候選特徵包括用於區分腫瘤的顏色的候選特徵。在根據本發明的所述圖像診斷支持裝置中，優選的是，所述特徵確定單元將由所述學習模式輸入單元計算的所述學習模式中包括的每一個像素的信號與預定閾值作比較。在根據本發明的所述圖像診斷支持裝置中，優選的是，所述特徵確定單元將由所述學習模式輸入單元計算的學習模式中包括的每一個像素的信號與在所述像素附近的像素的信號的平均值作比較。在根據本發明的所述圖像診斷支持裝置中，優選的是，所述特徵確定單元使用每一個所述候選特徵的預定噪聲參數來對所述學習模式的每一個進行操作。在根據本發明的所述圖像診斷支持裝置中，優選的是，所述特徵確定單元計算所述學習模式的特徵取預定值的概率，作為與每一個所述候選特徵對應的每一個所述學習模式的特徵。在根據本發明的所述圖像診斷支持裝置中，優選的是，當可以與特徵的值無關地分類所述學習模式時，所述分類表產生單元在所述分類表的相關位置處用冗餘項代替特徵的值。在根據本發明的所述圖像診斷支持裝置中，優選的是，所述輸入模式的每一個特徵是所述特徵在某個順序時取預定值的概率的值；並且，所述診斷單元通過下述方式來進行判斷使用所述特徵來計算在所述分類表中包含的每一個所述特徵模式取分類信息的預定值的概率。而且，根據本發明的圖像診斷支持程序的特徵在於，它可以使得計算機執行本發明的圖像診斷方法。本發明的圖像診斷支持程序是例如用於圖像診斷支持裝置的圖像診斷支持程序，所述圖像診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述程序使得相應的單元執行下面的處理處理，其中所述特徵確定單元計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值；並且，在已知所述確定的特徵的條件下依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和所述相關聯的一個學習模式的所述類別信息之間的相互信息量取最大值；處理，其中，所述分類表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和所述類別信息的所述分類表來分類所述模式；處理，其中，所述特徵提取單元使用所述特徵集合來計算輸入模式的每一個特徵； 以及
處理，其中，所述診斷單元根據所述計算的結果和所述分類表來診斷所述輸入模式。具體地說，根據本發明的所述程序是使得所述圖像診斷支持裝置的相應單元執行上述處理步驟的程序。本發明的圖像診斷支持程序是用於一種圖像診斷支持裝置的圖像診斷支持程序， 所述圖像診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述程序使得相應單元執行下面的處理處理，其中所述特徵確定單元根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式的集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值，根據如此確定的所述特徵來分配具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知關於分別包含所述學習模式和所述確定的特徵的集合的信息的條件下，依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值；處理，其中，所述分類表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，產生包括所述學習模式的每一個特徵和所述類別信息的所述分類表，並且使用所述分類表來分類所述模式；以及處理，其中，所述診斷單元根據所述輸入模式的每一個特徵和遷移表來引起每一個所述輸入模式的遷移，所述遷移表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的集合，並且所述診斷單元根據作為所述遷移的結果的所述輸入模式所屬的集合來診斷所述輸入模式。具體地說，根據本發明的所述程序是用於使得所述圖像診斷支持裝置的相應單元執行上述處理步驟的程序。本發明的圖像診斷支持程序是用於一種圖像診斷支持裝置的圖像診斷支持程序， 所述圖像診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；
候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述程序使得相應單元執行下面所述的一系列處理處理，其中，所述特徵確定單元根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值，根據如此確定的所述特徵來分配具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知關於分別包含所述學習模式和所述確定的特徵的集合的信息的條件下，依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值；處理，其中，所述分類表產生單元使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和分類信息的分類表來分類所述模式；處理，其中，所述特徵提取單元使用所述特徵集合來計算輸入模式的每一個特徵， 所述每一個特徵用於指示所述特徵在某個順序時取預定值的概率；以及處理，其中，所述診斷單元根據所述輸入模式的每一個特徵和遷移表來計算所述輸入模式包括預定的類別信息的概率，然後進行所述診斷，所述遷移表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的集合。具體地說，根據本發明的所述程序是用於使得所述圖像診斷支持裝置的相應單元執行上述處理步驟的程序(以下相同)。在本發明的所述圖像診斷支持程序中，優選的是，例如，所述學習模式輸入單元和所述模式輸入單元包括用於從在預先染色的所述病理圖像中的每一個像素的R、G和B值中選擇屬於預定治療的細胞核所屬的色區域的像素的處理，用於計算在所述色區域的分布中心和屬於所述色區域的每一個像素之間的距離的處理；用於根據所述距離向每一個像素分配信號的處理；用於檢測在所述病理圖像中的信號的分布的峰值的處理；以及，用於輸入以所述峰值為中心的圖像來作為所述學習模式的處理。在本發明的所述圖像診斷支持程序中，優選的是，由所述特徵產生單元產生的候選特徵包括從特徵提取函數獲得的候選特徵。在本發明的所述圖像診斷支持程序中，優選的是，由所述特徵產生單元產生的所述候選特徵包括使用通過歸一化復變Gabor函數而獲得的特徵提取函數所獲得的候選特徵。在本發明的所述圖像診斷支持程序中，優選的是，由所述候選特徵產生單元產生的候選特徵包括用於區分腫瘤的顏色的候選特徵。本發明的所述圖像診斷支持程序優選包括例如處理，其中，所述特徵確定單元將由所述學習模式輸入單元計算的所述學習模式中包括的每一個像素的信號與預定閾值作比較。本發明的所述圖像診斷支持程序優選包括例如處理，其中，所述特徵確定單元將由所述學習模式輸入單元計算的學習模式中包括的每一個像素的信號與在所述像素附近的像素的信號的平均值作比較。本發明的所述圖像診斷支持程序優選包括例如處理，其中，所述特徵確定單元使用每一個所述候選特徵的預定噪聲參數來對於所述學習模式的每一個進行操作。本發明的所述圖像診斷支持程序優選包括例如處理，其中，所述特徵確定單元計算所述學習模式的特徵取預定值的概率，作為與每一個所述候選特徵對應的每一個所述學習模式的特徵。本發明的所述圖像診斷支持程序優選包括例如處理，其中，當可以與特徵的值無關地分類所述學習模式時，所述分類表產生單元在所述分類表的相關聯的位置處用冗餘項代替特徵的值。在根據本發明的所述圖像診斷支持程序中，優選的是，所述輸入模式的特徵的每一個是所述特徵在某個順序時取預定值的概率的值；並且，所述程序進一步包括處理，其中，所述診斷單元通過使用所述特徵來計算在所述分類表中包含的所述特徵模式的每一個取分類信息的預定值的概率，以便進行確定。本發明提供了一種使用病理診斷支持裝置的病理診斷支持方法，所述病理診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元執行下述步驟計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值，並且在已知所述確定的特徵的條件下依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值。所述分類表產生單元執行下述步驟使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和所述類別信息的所述分類表來分類所述模式。所述特徵提取單元執行使用所述特徵集合來計算輸入模式的每一個特徵的步驟。所述診斷單元執行根據所述計算的結果和所述分類表來診斷所述輸入模式的步驟。在本發明的方法中，圖像診斷支持裝置的使用不是必要的，並且它可以是其中執行上述相應的各個步驟的方法。本發明提供了一種使用病理診斷支持裝置的圖像病理診斷支持方法，所述病理診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元執行以下步驟根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式的集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值， 根據如此確定的所述特徵來分配具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知所述確定的特徵的條件下，依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值。所述分類表產生單元執行以下步驟使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和所述類別信息的所述分類表來分類所述模式。所述特徵提取單元執行使用所述特徵集合來計算輸入模式的每一個特徵的步驟。所述診斷單元執行以下步驟根據所述輸入模式的每一個特徵和遷移表來引起每一個所述輸入模式的遷移，所述遷移表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的集合，並且根據作為所述遷移的結果的所述輸入模式所屬的集合來診斷所述輸入模式。在本發明的方法中，圖像診斷支持裝置的使用不是必要的，並且它可以是其中執行上述相應的各個步驟的方法。本發明提供了一種使用病理診斷支持裝置的圖像病理診斷支持方法，所述病理診斷支持裝置包括學習模式輸入單元，用於從要用於學習的病理圖像獲得以腫瘤為中心的圖像，並且將所述圖像作為學習模式向其輸入；學習模式存儲單元，用於存儲和保持附有類別信息的所述學習模式；
候選特徵產生單元，用於產生多個候選特徵；特徵確定單元，用於使用由所述候選特徵產生單元產生的候選特徵來確定適合於診斷的特徵的特徵集合；特徵存儲單元，用於存儲和保持由所述特徵確定單元確定的特徵的集合；分類表產生單元，用於產生分類表；模式輸入單元，用於從要診斷的病理圖像獲得以候選腫瘤為中心的圖像，並且將所述圖像作為輸入模式輸入；特徵提取單元，用於從所述輸入模式提取特徵；以及診斷單元，用於基於所述特徵來進行診斷。所述特徵確定單元執行以下步驟根據所述特徵的值來準備要進行遷移的預定數量的所述學習模式的集合，計算與每一個所述候選特徵對應的每一個所述學習模式的特徵，並且確定作為所述特徵集合的第一特徵的候選特徵，對於這個候選特徵而言，關於所述學習模式集合的類別信息的相互信息量取最大值， 根據如此確定的所述特徵來分配具有權重的所述學習模式，依序引起所述學習模式向與所述特徵對應的所述集合之一的遷移，並且，在已知所述確定的特徵的條件下，依序確定作為所述特徵集合的下一個特徵的候選特徵，對於這個候選特徵而言，在與每一個候選特徵對應的每一個學習模式的特徵和相關聯的一個所述學習模式的所述類別信息之間的相互信息量取最大值。所述分類表產生單元執行以下步驟使用所述特徵集合來計算每一個所述學習模式的每一個特徵，並且使用包括所述學習模式的每一個特徵和分類信息的分類表來分類所述模式。所述特徵提取單元執行以下步驟使用所述特徵集合來計算輸入模式的每一個特徵，所述每一個特徵用於指示所述特徵在某個順序時取預定值的概率的每一個特徵。所述診斷單元執行以下步驟根據所述輸入模式的每一個特徵和遷移表來計算所述輸入模式包括預定的類別信息的概率，然後進行所述診斷，所述遷移表依序記錄了在確定所述特徵集合的每個特徵時所述學習模式所屬的集合。在本發明的方法中，圖像診斷支持裝置的使用不是必要的，並且它可以是其中執行上述相應的各個步驟的方法。在本發明的所述圖像診斷支持方法中，優選的是，所述學習模式輸入單元和所述模式輸入單元執行從在預先染色的所述病理圖像中的每一個像素的R、G和B值選擇屬於預定腫瘤的細胞核所屬的色區域的像素的步驟；計算在所述色區域的分布中心和屬於所述色區域的每一個像素之間的距離的步驟；根據所述距離向每一個像素分配信號的步驟；檢測在所述病理圖像中的信號的分布的峰值的步驟；和輸入以所述峰值為中心的圖像來作為所述學習模式的步驟。在本發明的所述圖像診斷支持方法中，優選的是，由所述特徵產生單元產生的候選特徵包括從特徵提取函數獲得的候選特徵。在本發明的所述圖像診斷支持方法中，優選的是，由所述特徵產生器單元產生的所述候選特徵包括使用通過歸一化復變Gabor函數而獲得的特徵提取函數來獲得的候選特徵。在本發明的所述圖像診斷支持方法中，優選的是，由所述候選特徵產生單元產生的候選特徵包括用於區分腫瘤的顏色的候選特徵。在本發明的所述圖像診斷支持方法中，優選的是，所述特徵確定單元執行以下步驟將在由所述學習模式輸入單元計算的所述學習模式中包括的每一個像素的信號與預定閾值作比較。在本發明的所述圖像診斷支持方法中，優選的是，所述特徵確定單元執行以下步驟將在由所述學習模式輸入單元計算的學習模式中包括的每一個像素的信號與在所述像素附近的像素的信號的平均值作比較。在本發明的所述圖像診斷支持方法中，優選的是，所述特徵確定單元執行以下步驟使用每一個所述候選特徵的預定噪聲參數來對於每一個所述學習模式進行操作。在本發明的所述圖像診斷支持方法中，優選的是，所述特徵確定單元執行以下步驟計算所述學習模式的特徵取預定值的概率，作為與每一個所述候選特徵對應的每一個所述學習模式的的特徵。在本發明的所述圖像診斷支持方法中，優選的是，當可以與特徵的值無關地分類所述學習模式時，所述分類表產生單元執行以下步驟在所述分類表的相關聯的位置處用冗餘項代替特徵的值。在本發明的所述圖像診斷支持方法中，優選的是，所述輸入模式的每一個特徵是所述特徵在某個順序時取預定值的概率的值；並且，所述診斷單元執行通過下述方式來進行判斷的步驟通過使用所述特徵來計算在所述分類表中包含的每一個所述特徵模式取分類信息的預定值的概率。本發明提供了一種圖像診斷支持系統，包括信息處理終端，用於保存病理圖像數據，所述病理圖像數據包括病理圖像和所述圖像附有的對於患者唯一的信息；以及圖像診斷伺服器，用於診斷所述病理圖像數據。所述圖像診斷伺服器包括根據本發明的圖像診斷支持裝置，用於診斷在所述病理圖像數據中包含的所述病理圖像；以及診斷結果存儲單元，用於存儲來自所述圖像診斷支持裝置的診斷結果以及對於所述患者唯一的所述信息。所述信息處理終端請求診斷結果與對於患者唯一的信息一起發送，並且圖像診斷伺服器將從信息處理終端接收的對於患者唯一的信息與連同診斷結果一起存儲的對於患者唯一的信息作比較，然後，如果從信息處理終端接收的對於患者唯一的信息與連同診斷結果一起存儲的對於患者唯一的信息相匹配，則向所述信息處理終端發送診斷結果。本發明的圖像診斷支持系統優選進一步包括計費伺服器，用於分別存儲圖像診斷支持裝置和信息處理終端的使用費用的量。在本發明的圖像診斷支持系統中，優選的是，當診斷結果存儲單元存儲診斷結果時，計費伺服器累積圖像診斷支持系統的使用費用的量。在本發明的圖像診斷支持系統中，優選的是，當信息處理終端接收到診斷結果時， 計費伺服器累積信息處理終端的使用費用的量。根據本發明的伺服器是在本發明的圖像診斷支持系統中使用的伺服器。該伺服器包括伺服器側發送單元，其在伺服器中經由通信網絡向終端發送信息；伺服器側接收器單元，其接收從終端經由通信網絡發送的信息；根據本發明的圖像診斷支持裝置，用於使用病理圖像數據來診斷受檢者；以及，診斷結果存儲單元，用於存儲圖像診斷支持裝置的診斷
39結果以及對於患者唯一的信息。伺服器將從信息處理終端接收的對於患者唯一的信息與連同診斷結果一起存儲的對於患者唯一的信息作比較，然後如果從信息處理終端接收的對於患者唯一的信息與連同診斷結果一起存儲的對於患者唯一的信息相匹配，則向所述信息處理終端發送診斷結果。本發明的終端是在本發明的圖像診斷支持系統中使用的終端。該終端是信息處理終端，用於保存包括病理圖像和圖像附有的對於患者唯一的信息的病理圖像數據。該終端包括終端側發送單元，其將終端中的信息經由通信網絡向伺服器發送；以及，終端側接收單元，其經由通信網絡接收從伺服器發送的信息。該終端請求發送帶有對於患者唯一的信息的診斷結果，並且接收從伺服器發送的診斷結果。按照本發明的圖像診斷支持裝置、圖像診斷支持方法、圖像診斷支持程序和圖像診斷支持系統，在考慮細胞核和其外圍組織等中出現的改變在判別腫瘤的性質是良性還是惡性中的意義時，從病理圖像提取主要包括細胞核和間質的子圖像(子圖像的圖像數據)， 並且，子圖像被存儲為學習模式和輸入模式。基於子圖像，可以在短時間中高精度地確定腫瘤的存在或不存在和其良性或惡性。在本發明中，病理圖像是上述的癌症標誌物染色圖像。根據如上所述的本發明的第二實施方案，例如，在考慮細胞核和其外圍組織等中出現的改變在判別腫瘤的性質是良性還是惡性中的意義時，提取子圖像，並且子圖像被存儲為學習模式和輸入模式。因此，基於子圖像，可以在短時間中高精度地確定例如腫瘤的存在或不存在和其良性或惡性。以下，參考實施方案2A和2B描述本發明。下面，癌症標誌物染色圖像被稱為 「miRNA染色圖像」。然而，應當注意，本發明絕不限於這些實施方案。(實施方案2A)圖13是示出根據本實施方案的圖像診斷支持裝置的配置的框圖。如圖13中所示，根據本實施方案的圖像診斷支持裝置包括學習模式輸入單元1300、學習模式存儲單元 1301、候選特徵產生單元1302、特徵確定單元1303、特徵存儲單元1304、分類表產生單元 1305和分類表1306。學習模式輸入單元1300從miRNA染色圖像提取包括細胞核和細胞質等的子圖像， 然後在學習模式存儲單元1301中存儲子圖像。學習模式存儲單元1301是在其中存儲和保存用於學習的期望數量的子圖像的單兀。候選特徵產生單元1302是使用預定數量的特徵參數集合來依序生成候選特徵的單元。特徵確定單元1303在由候選特徵產生單元1302產生的候選特徵中確定最適合於模式判別的最佳特徵集合。特徵存儲單元1304是在其中存儲和保存由特徵確定單元1303確定的特徵集合的單元。分類表產生單元1305是使用由特徵確定單元1303確定的特徵集合來生成用於診斷的分類表1306的單元。參見圖14，將說明特徵確定處理的過程。圖14是說明在根據本實施方案的圖像診斷支持裝置中執行的特徵確定處理的過程的流程圖。
候選特徵產生單元1302根據預先指定的大量(例如，N個)特徵參數集合來依序生成候選特徵(S1401)。在本實施方案中，在N個特徵參數集合中，參數集合1至N_1是關於紋理的候選特徵，參數集合N_l+1至N_l+N_2是關於顏色的候選特徵，並且，參數集合 N_l+N_2+1至N是關於使用外圍像素平均的顏色的候選特徵。雖然在本實施方案中指定了關於紋理、顏色和使用外圍像素平均的顏色的候選特徵，但是候選特徵不限於此。即，確定每一個像素的特徵所需要並且在病理圖像中包含的任何元素可以作為候選特徵產生。接下來，將說明根據由候選特徵產生單元1302產生的候選特徵來確定由子圖像處理的特徵的方法。通過下面的程序1至3的任何一種來確定特徵。程序1候選特徵產生單元1302首先獲取第s個特徵參數集合。S = I至N，並且，處理以 s = 1開始。如果s ( N_l，則候選特徵產生單元1302用第s個特徵參數集合(k_s，r0_s, 0_s,th_s)取代(k，!^，σ，th)，以產生包括參數Lrtl和σ的如下面的表達式(1)中所示的復變Gabor函數Gab和高斯函數G。如果s彡N_l，則將在學習模式存儲單元1301中作為學習模式存儲的顏色的子圖像根據灰度級轉換為灰度圖像。使用如此獲得的灰度圖像來計算特徵C。Gab (r ；k, r0> σ )= exp (ik (r-r0) -1 r—r。17 (2 σ 2))G(r ；r0, σ )...⑴= exp (-1 r_r017 (2 σ 2) / (2 π σ 2))在表達式(1)中，r= (x，y)指示位置向量，並且i2 = _l。候選特徵產生單元1302 向特徵確定單元1303提供在表達式(1)中的復變Gabor函數Gab和高斯函數G以及候選特徵的閾值參數th和標識號s (S1402)。學習模式存儲單元1301向特徵確定單元1303發送多對數據項，其中每一個包括預定的M個子圖像I_t (r, i_rgb) (t = 1至Μ)之一和該子圖像所屬的類別qt (t = 1至Μ) (步驟S1403)。在本實施方案的說明中，為了說明的簡單，該裝置使用兩個類別(q = 0或 1)。本發明不限於此，並且當然適用於包括三個類別或更多的情況。使用從學習模式存儲單元1301依序接收的子圖像，特徵確定單元1303使用候選特徵根據下面的表達式( 來計算特徵c (步驟S1404)。候選特徵是例如表達式(1)的復變Gabor函數和高斯函數以及其他參數。假定第t個學習模式是I_t (r, i_rgb)，對於所有的學習模式(M個模式)重複地執行計算。
Λ = I Σ1 l(rj_rgb)6 b(.『
ffll Cf I
c = 1如果a彡th c = 0否則
在表達式O)的上行中，分母是歸一化(標準化)因子，用於抑制由於學習模式 (圖像亮度)的大小導致的「a」值的變化。該分母可以被替代為另一個歸一化因子。根據要處理的學習模式，可以省略該歸一化因子。
程序 2
候選特徵產生單元1302首先獲取第s個特徵參數集合。s是1至N，並且處理以s =1開始。如果N_l+1彡s彡N_l+N_2,則候選特徵產生單元1302向特徵確定單元1303提供第s個特徵參數集合(x_s，y_s, color_index)和該候選特徵的標識號s (步驟S1402)。在本說明書中，(x_s,y_s)指示用於確定在子圖像中的特徵c的像素的位置，並且 color_inde( = 1至4)表示與特徵c對應的顏色。順便提及，color_index ( = 1至4)對應於例如顏色，如下所述。癌症標誌物miRNA的細胞的miRNA染色是表徵病理圖像中的重要因素。因此，優選的是，使用不同的顏色來染色細胞核、細胞質、間質和孔等。對於從這樣的染色產生的miRNA 染色圖像，color_index = 1，2，3，4分別分配給細胞核、細胞質、間質和孔的顏色。學習模式存儲單元1301向特徵確定單元1303提供數據項對，其中每一個包括預定的M個學習模式(彩色子圖像)I_t(r，i_rgb)之一和該學習模式所屬的類別qt(t = 1 至M)(步驟SA1403)。r是像素坐標，並且i_rgb = 1至3是用於指定像素的r、g、b信號的參數，並且t = l至M。在本實施方案中，為了說明的簡單，該裝置處理兩個類別(q = 0或 1)。本發明不限於此，並且當然適用於包括三個類別或更多的情況。對於從學習模式存儲單元1301接收的學習模式(步驟S1403)，特徵確定單元 1303以下面的方式來確定位於學習模式中的位置(x_s，y_s)處的像素的顏色。如果該顏色與由參數colorjndex指定的顏色匹配，則特徵確定單元1303將特徵c的值設置為1。 否則，特徵確定單元1303將該值設置為0 (步驟S1404)。假定第t個學習模式為I_t (r, i_ rgb)，則對於所有的學習模式(M個模式)重複地進行用於確定特徵c的值的操作。對於細胞核的顏色(colorjndex = 1)，在子圖像檢測中計算的每一個像素的蘇木精信號與閾值(例如，0.25)作比較。如果該信號大於閾值，則確定像素的顏色是細胞核的顏色。為了自適應地確定閾值，則僅對於在所考慮的像素附近、蘇木精信號值是例如至少 0. 25的像素，彼此相加蘇木精信號值，由此計算蘇木精信號值的平均值。該平均值乘以例如 0. 9，以獲得所考慮的像素的閾值。如果所考慮的像素的蘇木精信號值大於閾值，則可以將像素的顏色看作細胞核的顏色。對於細胞核以外，即對於孔、細胞質和間質，根據預定的顏色區域來分類顏色。例如，對於每一個像素的R、G和B值執行HSV轉換，並且這些值被轉換為色調(H = 0至1)、 飽和度(S = 0至1)和明度(V = 0至1)的值。如果所考慮的像素未被分類為具有細胞核的顏色的像素並且具有明度V > 0. 92和飽和度S < 0. 2，則像素的顏色被看作孔的顏色 (color_index = 2)。如果像素顏色不是細胞核的顏色，也不是毛孔的顏色，並且具有色調H < 0. 9並且明度V < 0. 85，則認為該像素顏色是細胞質的顏色(colorjndex = 3)。在非上述情況下，確定該像素的顏色是間質的顏色(colorjndex = 4)。程序3候選特徵產生單元1302首先獲取第s個特徵參數集合，s = 1至N，並且處理以s =1開始。如果N_l+N_2+1彡s彡N，則候選特徵產生單元1302向特徵確定單元1303提供第s個的特徵參數集合(x_s，y_s, color_index, th_s)和該候選特徵的標識號s (步驟 S1402)。在本說明書中，(x_s，y_s)指定用於確定在子圖像中的特徵c的像素的位置， colorjndex ( = 1至4)指示與特徵c對應的顏色，並且th表示閾值參數。
42
對於從學習模式存儲單元1301接收的學習模式(步驟S1403)，特徵確定單元 1303以下面的方式來確定特徵c (步驟S1404)。假定第t個學習模式被表示為I_t(r，i_ rgb)，則對於所有的學習模式(M個模式)重複地執行用於確定特徵c的操作。用於確定所考慮的像素的顏色對應於colorjndex ( = 1至4)的處理與程序2幾乎相同，從而省略其說明。首先，特徵確定單元1303查看在子圖像像素位置(X_s，y_s)附近的像素，即，在χ 軸方向和y軸方向上與像素(x_s，y_s)間隔兩個像素的範圍內的像素(χ』，r )是否具有與由colorjndex指定的顏色匹配的顏色。像素(x』，y』)例如在與所考慮的像素(x_s，y_ s)間隔兩個像素的範圍內，並且被表示為|x-x』 I彡2和|y-y』 |彡2。特徵確定單元1303 然後計數在該像素附近存在並且具有與colorjndex的顏色匹配的顏色的像素。特徵確定單元1303然後將像素的數量除以在該像素附近的像素的總數，由此獲得平均值。如果平均值超過閾值參數(th_s)，則特徵c被設置為1。否則，特徵c被設置為0。特徵確定單元1303也可以除了上述的三個程序之外進一步使用下述的程序來確定所考慮的像素的特徵。首先，特徵確定單元1303對包括所考慮的像素的子圖像中的每一個像素的R、G和 B值進行HSV轉換，然後將這些值轉換為色調(H = O至1)、飽和度(S = O至1)和明度(V =0至1)的值。特徵確定單元1303然後以例如5個等級來表示H、S和V值。如果例如所考慮的像素的這些值的每一個等於或小於0.2( = 1/5)，則將像素的顏色表示為(1，1，1)。 如果H和S值等於或小於0. 2並且V值是0. 2 < V < 0. 4，則將像素的顏色表示為(1，1，2)。 當由從候選特徵產生單元102接收的(X，y，H』，S』，V』)指定的子圖像中的位置(x，y)處的像素作為特徵參數集合具有被表示為(H』，S』，V』)的顏色時，特徵c是「1」。否則，特徵 c 是 「0」。如上，當使用第s個候選特徵(特徵參數集合)對每一個子圖像計算特徵c時，特徵確定單元1303根據下面的表達式C3)來計算從第s個候選特徵獲得的相互信息量MI，然後與候選特徵的標識號s 一起存儲該量MI (步驟S1405)。
權利要求
1.一種用於評估癌症的可能性的評估方法，所述評估方法包括以下步驟檢測在樣品中的癌症標誌物；以及基於癌症標誌物的表達水平來評估樣品中的癌症的可能性，其中所述樣品是細胞或組織，並且所述癌症標誌物包括選自has-miR-92和has-miR-494的至少一種miRNA。
2.根據權利要求1所述的評估方法，其中has-miR-92是選自hsa-miR-92a、 hsa-miR-92a*、hsa_miR-92b 和 hsa_miR-92b* 的至少一種。
3.根據權利要求2所述的評估方法，其中haS-miR-92a是haS-miR-92a-l和 has-miR-92a-2中的至少一種。
4.根據權利要求2所述的評估方法，其中has-miR-92a*是haS-miR-92a-f和 has-miR-92a-2* 中的至少一種。
5.根據權利要求1所述的評估方法，其中所述miRNA是haS-miR-92a。
6.根據權利要求1至5任一項所述的評估方法，其中癌症是選自結腸癌、直腸癌、膽囊癌、胃癌、乳腺癌、白血病、胰腺癌、肝癌、腦瘤和骨肉瘤的至少一種癌症。
7.根據權利要求1至6任一項所述的評估方法，其中所述評估方法確定癌症發作的存在或不存在、癌症進展期或預後狀態。
8.根據權利要求1至7任一項所述的評估方法，其中在癌症標誌物檢測步驟中，通過選自顯色、螢光和放射自顯影的至少一種來使所述癌症標誌物可視化。
9.根據權利要求1至8任一項所述的評估方法，其中樣品被固定化，並且通過原位雜交方法來檢測癌症標誌物。
10.根據權利要求1至9任一項所述的評估方法，其中由樣品中表達的癌症標誌物的量來表示癌症標誌物的表達水平。
11.根據權利要求1至10任一項所述的評估方法，其中基於評估步驟中檢測的癌症標誌物的表達水平，通過選自以下(1)、(2)和(3)的至少一種方法來評估癌症的可能性(1)將受檢者樣品中癌症標誌物的表達水平與正常受檢者樣品中癌症標誌物的表達水平進行比較，並且當受檢者中的表達水平比正常受檢者中的表達水平高時，確定受檢者具有癌症的高可能性；(2)將受檢者樣品中癌症標誌物的表達水平與正常受檢者樣品中癌症標誌物的表達水平進行比較，並且當受檢者中的表達水平比正常受檢者中的表達水平相對變高時，確定所述受檢者的癌症相對晚期；和(3)將受檢者樣品中癌症標誌物的表達水平與不同進展期的各癌症患者樣品中癌症標誌物的表達水平進行比較，並且，確定受檢者中的癌症與顯示相同或類似表達水平的患者中的癌症處於相同的進展期。
12.根據權利要求9至11任一項所述的評估方法，其中在癌症標誌物檢測步驟中，對於所述固定化樣品獲得將癌症標誌物染色的癌症標誌物染色圖像，並且所述評估方法還包括HE染色圖像獲得步驟，其獲得對於固定化樣品的HE染色圖像；信息獲得步驟，其獲得在HE染色圖像中的腫瘤區域的信息；匹配步驟，其計算在HE圖像獲得步驟中獲得的HE染色圖像與在癌症標誌物檢測步驟中獲得的癌症標誌物染色圖像的匹配位置；指定步驟，其基於所述信息獲得步驟中獲得的HE染色圖像中腫瘤區域的信息和在匹配步驟中計算的匹配位置的信息，來指定在癌症標誌物染色圖像中的腫瘤區域；以及染色陽性細胞檢測步驟，其基於在所述指定步驟中指定的癌症標誌物染色圖像中的腫瘤區域的信息，來檢測在癌症標誌物染色圖像中腫瘤區域中的染色陽性細胞。
13.根據權利要求12所述的評估方法，其中染色陽性細胞檢測步驟是計算步驟，其基於在指定步驟中指定的癌症標誌物染色圖像中腫瘤區域的信息，來計算在癌症標誌物染色圖像中腫瘤區域中的染色陽性細胞含有率。
全文摘要
本發明提供了一種使用新的癌症標誌物的癌症評估方法，用於評估在受檢者中的癌症發作、臨床前期、臨床期或預後。選自has-miR-92和has-miR-494的至少一個miRNA在癌症評估中被用作新的癌症標誌物。檢測在細胞或組織的樣品中的癌症標誌物，並且，基於癌症標誌物的表達水平來評估在樣品中的癌症的可能性。根據這種評估方法，通過檢測作為癌症標誌物的miRNA，變得有可能以良好的可靠性評估在樣品中的癌症的可能性。作為檢測癌症標誌物的方法，優選的是，例如，對於已經固定化的樣品使用標記探針來執行原位雜交方法。
文檔編號C12Q1/02GK102421916SQ20108001792
公開日2012年4月18日 申請日期2010年4月21日 優先權日2009年4月21日
發明者佐野真貴, 齋藤彰, 黑田雅彥 申請人:學校法人東京醫科大學, 日本電氣株式會社