CN102421916A - 用于评估癌症的方法 - Google Patents

Abstract

本发明提供了一种使用新的癌症标志物的癌症评估方法，用于评估在受检者中的癌症发作、临床前期、临床期或预后。选自has-miR-92和has-miR-494的至少一个miRNA在癌症评估中被用作新的癌症标志物。检测在细胞或组织的样品中的癌症标志物，并且，基于癌症标志物的表达水平来评估在样品中的癌症的可能性。根据这种评估方法，通过检测作为癌症标志物的miRNA，变得有可能以良好的可靠性评估在样品中的癌症的可能性。作为检测癌症标志物的方法，优选的是，例如，对于已经固定化的样品使用标记探针来执行原位杂交方法。

Description

用于评估癌症的方法

技术领域

本发明涉及通过检测新的癌症标志物来评估癌症的可能性的方法。

背景技术

在临床医学实践的领域中，要求容易地确定疾病的存在或不存在、疾病的进展程度、在治疗后获得的效果等。在这些情况下，作为用于间接地确定它们的方法，已经提出了检测标志物，该标志物的表达量伴随每种疾病的发作或进展而特异性改变，并且实际上进行了将其投入实际使用的尝试。

在各种疾病中，早期检测作为所谓的癌症的恶性肿瘤并且适当地选择和改变对其的治疗策略特别重要。因此，为了实现如上所述的通过标志物的检测的间接判定，已经报告了各种癌症标志物。癌症标志物也被称为肿瘤标志物。癌症标志物的具体示例包括PSA(***特异抗原)、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，在非专利文件1和2中描述了在淋巴细胞性白血病和结肠癌等中miRNA诸如has-mir-15、has-mir-16、miR-143和miR-145的表达下调(非专利文件1和2)。

[引用列表]

[非专利文件]

[非专利文件1]Calin GA，Dumitru CD，Shimizu M et al.，Frequentdeletions and down-regulation of micro-RNA genes miR15 and miR16 at13q14 in chronic lymphocytic leukemia，Proc Natl Acad Sci USA，2002，vol.99，pp.15524-9

[非专利文件2]Michael MZ，SM OC，van Holst Pellekaan NG，Young GP，James RJ，Reduced accumulation of specific microRNAs incolorectal neoplasia，Mol Cancer Res，2003，vol.1，pp.882-91

发明内容

本发明要解决的问题

然而，在临床医学实践的领域中，需要癌症标志物，使用癌症标志物可以良好的可靠性确定癌症的发作和它们的进展。因此，仍然需要新的癌症标志物的提供。因此，对于前述想法，本发明的目的是提供一种使用新的癌症标志物来评估癌症的评估方法和要在该评估方法中使用的评估试剂。

用于解决问题的手段

本发明提供了一种用于评估癌症的可能性的评估方法，包括以下步骤：检测在样品中的癌症标志物；以及，基于所述癌症标志物的表达水平来评估在所述样品中的所述癌症可能性。在这种评估方法中，所述样品是细胞或组织，并且所述癌症标志物包括选自hsa-miR-92和hsa-miR-494的至少一个miRNA。

本发明的效果

本发明的发明人进行了勤奋的研究，并且作为结果，他们发现hsa-miR-92和hsa-miR-494在细胞或组织中的表达水平伴随癌症的发展而改变，由此实现本发明。根据本发明的评估方法，通过检测在样品中的上述miRNA的至少一个的表达水平，有可能例如以良好的可靠性来确定癌症发展或癌症进展的存在或不存在。而且，例如，在对癌变阴性和阳性之间看到这些miRNA的表达上的显著差别。因此，根据本发明，变得有可能在初期容易地检测癌症，而这样的检测通过一般的触诊等是困难的。而且，通过将本发明的评估方法与例如使用传统的HE染色等的癌症评估相关联，使得具有更高可靠性的癌症评估变得可能。

附图说明

图1是示出根据本发明的实施方案1B的癌症病理图像诊断支持***的框图。

图2图示在本发明的实施方案1B中的染色图像数据库的内容。

图3是图示在图1中所示的根据本发明的实施方案1B的癌症病理图像诊断支持***的操作的一个示例的流程图。

图4是图示在图1中所示的根据本发明的实施方案1B的癌症病理图像诊断支持***的操作的另一个示例的流程图。

图5是图示在图1中所示的根据本发明的实施方案1B的癌症病理图像诊断支持***的操作的另一个示例的流程图。

图6是图示在图1中所示的根据本发明的实施方案1B的癌症病理图像诊断支持***的操作的另一个示例的流程图。

图7是示出根据本发明的实施方案1C的癌症病理图像诊断支持***的框图。

图8是图示在图7中所示的根据本发明的实施方案1C的癌症病理图像诊断支持***的操作的一个示例的流程图。

图9是图示在图7中所示的根据本发明的实施方案1C的癌症病理图像诊断支持***的操作的另一个示例的流程图。

图10是图示在图7中所示的根据本发明的实施方案1C的癌症病理图像诊断支持***的操作的另一个示例的流程图。

图11是示出根据本发明的实施方案1D的癌症病理图像诊断支持***的框图。

图12是示出根据本发明的实施方案1E的癌症病理图像诊断支持***的框图。

图13是示出根据本发明的实施方案2A的执行特征选择方法的***的配置的框图。

图14是图示根据本发明的实施方案2B的特征选择方法的流程图。

图15是示出根据本发明的实施方案2B的用于建立类别表的处理的示例的流程图。

图16示出在本发明的实施方案2B中建立的类别表的示例。

图17是示出在本发明的实施方案2B中的用于进行诊断的***的配置的框图。

图18是示出在本发明的实施方案2B中用于提取子图像的处理的示例的流程图。

图19是示出根据本发明的实施方案1A的癌症病理图像诊断支持***的配置的框图。

图20是示出根据本发明的实施方案1A的癌症病理图像诊断支持***的框图。

图21是图示在图20中所示的根据本发明的实施方案1A的癌症病理图像诊断支持***的操作的一个示例的流程图。

图22示出用于示出在本发明的实施例1中白细胞的miRNA染色结果的照片。

图23示出用于示出在本发明的实施例2中***组织的miRNA染色结果的照片。

图24示出用于示出在本发明的实施例3中肝细胞的miRNA染色结果的照片。

具体实施方式

在本发明中使用的相应术语的含义如下。术语“癌症”一般表示恶性肿瘤。术语“癌变”通常表示癌症的发作，并且也包含“恶性转化”。关于术语“发作”，例如，一个人通过基于疾病特异性临床症状或化验数据等的综合判断被诊断为具有特定的疾病的时间点被称为疾病的发作。术语“临床前期”通常指的是在疾病发作之前的情况，其中，疾病特异性临床症状还没有出现，但是处于疾病的早期，其中，痕量的恶性肿瘤细胞已经存在。术语“预后”表示例如在诸如手术的疾病治疗后的病程。因为在本发明中使用的癌症标志物可以提供用于例如预测预后、预见病程并且选择适当的治疗方法的有益信息，所以它也可以被称为“预后因素”。可以基于例如癌性组织的种类等来适当地确定“癌症进展期”。通常，0期和I期可以被分类为初期癌症，II期可以被分类为早期癌症，而III期和IV期可以被分类为晚期癌症。

在本发明中，“癌症的可能性”例如包含受检者可能患上癌症的可能性，而不论是否已经出现癌变、癌症进展期诸如临床前期或临床期、或预后状态等。

<癌症标志物>

在本发明中的癌症标志物miRNA如上所述是选自hsa-miR-92和hsa-miR-494的至少一个miRNA。以下，癌症标志物也被称为“癌症标志物miRNA”。

在本发明中，癌症标志物miRNA可以例如是单链(单体)或双链(二聚体)。而且，在本发明中，癌症标志物miRNA可以例如是不成熟的miRNA或成熟的miRNA。不成熟miRNA的示例包括初级转录物初始miRNA(pri-miRNA)和前体miRNA(pre-miRNA)。pri-miRNA具有因分子内结合所致的发夹环结构。使用Drosha将pri-miRNA切开，由此将pri-miRNA转换为具有茎-环结构的短pre-miRNA。以下，pre-miRNA也被称为茎-环miRNA。使用Dicer来将pre-miRNA切开，由此，产生更短的双链RNA(miRNA-miRNA^*)。这个双链RNA在RISC上解开，由此产生两个单链RNA。单链RNA是成熟miRNA。以下，成熟miRNA之一被称为功能miRNA，并且另一个被称为微小miRNA^*。

在本发明中，癌症标志物miRNA不被特别限制，并且优选是茎-环miRNA或成熟miRNA，特别优选是成熟miRNA。

hsa-miR-92的示例包括hsa-miR-92a和hsa-miR-92b。

hsa-miR-92a可以是不成熟miRNA或成熟miRNA，如上所述。以下，前者也被称为不成熟hsa-miR-92a，并且后者也被称为成熟hsa-miR-92a。

不成熟hsa-miR-92a的示例包括hsa-miR-92a-1和hsa-miR-92a-2，并且，不成熟hsa-miR-92a可以是它们的任何一个。hsa-miR-92a-1和hsa-miR-92a-2是茎-环miRNA。以下，前者也被称为茎-环hsa-miR-92a-1，并且后者也被称为茎-环hsa-miR-92a-2。它们是从不同的基因组区域得出的转录产物，但是，它们的成熟形式的序列是相同的。茎-环has-miR-92a-1的序列被注册在例如登录号MI0000093下，并且，茎-环has-miR-92a-2的序列被注册在例如登录号MI0000094下。

成熟has-miR-92a可以例如是功能miRNA，并且，其序列被注册在例如登录号MIMAT0000092下。这个功能性has-miR-92a的序列被示出在下面的SEQ ID NO：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-1^*和has-miR-92a-2^*。has-miR-92a-1^*的序列被注册在例如登录号MIMAT0004507下。这个序列被示出在SEQ ID NO：6中。has-miR-92a-2^*的序列被注册在登录号MIMAT0004508下。这个序列被示出在SEQ ID NO：7中。

微小hsa-miR-92a-1^*(SEQ ID NO：6)

5’-agguugggaucgguugcaaugcu-3’

微小hsa-miR-92a-2^*(SEQ ID NO：7)

5’-ggguggggauuuguugcauuac-3’

虽然has-miR-92b是从与has-miR-92a不同的基因组区域得到的转录产物，但是has-miR-92b的种子序列与has-miR-92a的类似。因此，与has-miR-92a类似，has-miR-92b可以被用作癌症标志物。has-miR-92b可以是不成熟miRNA或初始miRNA，如上所述。以下，前者也被称为不成熟has-miR-92b，并且后者也被称为成熟has-miR-92b。

在各种不成熟has-miR-92b中，茎-环miRNA以下也被称为茎-环has-miR-92b。茎-环has-miR-92b的序列被注册在例如登录号MI0003560下。

成熟has-miR-92b可以是例如功能性miRNA，并且其序列被注册在登录号MIMAT0003218下。这个功能性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^*。虽然has-miR-92b^*是从与has-miR-92a-1^*或has-miR-92a-2^*不同的基因组区域得到的转录产物，但是其种子序列与has-miR-92a-1^*或has-miR-92a-2^*的类似。因此，与hsa-miR-92a-1^*或hsa-miR-92a-2^*类似，has-miR-92b^*可以被用作癌症标志物。has-miR-92b^*的序列被注册在例如登录号MIMAT0004792下。在SEQ IDNO：4中示出这个序列。

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，前者也被称为不成熟has-miR-494，并且后者也被称为成熟has-miR-494。

不成熟has-miR-494的示例包括茎-环miRNA。以下，这也被称为茎-环has-miR-494。茎-环has-miR-494的序列被注册在例如登录号MI0003134下。

成熟has-miR-494的示例包括功能miRNA，并且其序列被注册在例如登录号MIMAT0002816下。这个功能性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开，例如，每一个miRNA的5’端和3’端分别具有一些变化。因此，在本发明中的每一个miRNA也包含变化形式，每一个变化形式与其成熟形式的序列具有若干碱基的不同。

Wu H.et al.，2007，PLoS ONE 2(10)：e1020 miRNA profiling ofnaive，effector and memory CD8 T cells

Pablo Landgraf et al.，2007，Cell，vol.129，pp.1401-1414 AMammalian microRNA Expression Atlas Based on Small RNA LibrarySequencing

Neilson et al.，2007，Genes Dev，vol.21，pp.578-589 Dynamicregulation of miRNA expression in order to stage of cellular development

Ruby et al.，2006，Cell，vol.127，pp.1193-1207 Large-scalesequencing reveals 21U-RNAs and additional microRNAs andendogeneous siRNAs in C.elegans

Obernoster et al.，RNA 2006 12：pp.1161-1167 Post-transcriptionalregulation of microRNA expression

Lagos-Quintana et al.，2002，Curr Biol，vol.12，pp.735-739Identification of tissue-specific microRNAs from mouse

在本发明中的癌症标志物miRNA包含，例如：具有与相应序列识别号的碱基序列同源的碱基序列的多核苷酸；以及，具有与其互补的碱基序列的多核苷酸。“同源”指的是当适当比对要彼此比较的序列时在它们之间的同一性程度，并且表示在这些序列之间核苷酸完全匹配的出现比率(％)。当描述了多核苷酸的碱基序列与本发明的miRNA的碱基序列“具有同源性”时，它表示该多核苷酸与该miRNA类似得足以能够保持作为本发明的miRNA的功能。比对，例如，可以通过使用诸如BLAST的任意算法来实现。即使当碱基序列彼此的不同在于例如点突变诸如取代、缺失或添加时，也可以说它们是同源的，只要这样的差别不影响miRNA的功能即可。在碱基序列之间不同的碱基的数量例如是1至20、1至15、1至10、1至5、1至3、1至2、或1。而且，当要彼此比较的两个多核苷酸的碱基序列具有例如80％、85％、90％、91％、92％、93％、94％、95％、96％、97％、98％、99％或100％的同一性时，可以说它们是同源的。而且，例如，当两个多核苷酸之一与具有在严格条件下与另一个多核苷酸互补的碱基序列的多核苷酸杂交时，可以说这两个多核苷酸是同源的。该严格条件不被特别限制，并且可以是例如将两个多核苷酸在包含6×SSC、0.5％SDS，5×Denhardt溶液和0.01％的变性的鲑鱼***核酸的溶液中保持在温度“Tm(℃)-25℃”下过夜。

<评估方法>

如上所述，根据本发明的评估方法包括以下步骤：检测在样品中的癌症标志物；以及，基于所述癌症标志物的表达水平来评估在样品中的癌症的可能性。在这种评估方法中，样品是细胞或组织，并且癌症标志物包括选自has-miR-92和has-miR-494的至少一个miRNA。根据本发明，例如，通过检测在受检者的样品中的癌症标志物，变得有可能评估例如受检者可能患上癌症的可能性，而不论是否已经出现癌变、癌症进展期诸如临床前期(初期)或临床期、或预后状态等。本发明的评估方法也可以例如被称为一种用于评估受检者是否具有癌症的方法。

本发明的癌症标志物如上所述。在本发明中，要检测的癌症标志物例如可以是has-miR-92和has-miR-494的任何一个或可以是它们两者。

当要检测的癌症标志物例如是has-miR-92时，它可以是成熟has-miR-92和不成熟has-miR-92的任何一个或可以是它们两者。成熟has-miR-92和不成熟has-miR-92的种类也不被限制，并且，例如，可以使用它们的任何一种、它们的两种或它们的全部种类。

当要检测的癌症标志物是成熟has-miR-92时，它可以是，例如：功能性has-miR-92、微小has-miR-92a-1^*和微小has-miR-92a-2^*的任何一个；它们的任何两个；或它们的全部。当要检测的癌症标志物是不成熟has-miR-92a时，它可以例如是茎-环has-miR-92a-1和茎-环has-miR-92a-2的任何一个或它们两者。当要检测的癌症标志物是成熟has-miR-92b时，它可以例如是功能性has-miR-92b和微小has-miR-92b^*的任何一个或它们两者。

当要检测的癌症标志物是has-miR-494时，它可以例如是成熟has-miR-494和不成熟has-miR-494的任何一个或可以是它们两者。成熟has-miR-494和不成熟癌症标志物miRNA的种类也不被限制，并且，例如，可以使用它们的任何一种、它们的两种或它们的全部种类。在成熟has-miR-494的情况下，其示例包括功能性has-miR-494。

本发明的特征在于检测癌症标志物的表达水平，如上所述。用于检测癌症标志物的方法绝不受限，并且，可以使用已知方法。该检测方法优选例如是包括癌症标志物的可视化的方法。用于实现可视化的方法不被特别限制，并且优选通过例如显色、荧光或放射自显影等来实现该可视化。当通过显色来可视化癌症标志物时，可以例如通过目测观察、吸光度测量或图像处理等来检测癌症标志物。当通过荧光来可视化癌症标志物时，可以通过目测观察、荧光强度测量或图像处理等来检测癌症标志物。以下，通过显色或荧光进行的癌症标志物miRNA的可视化被称为miRNA染色。当通过例如放射自显影来可视化癌症标志物时，可以通过例如放射自显影的目测观察或放射自显影的图像处理等来检测癌症标志物miRNA。

在本发明中，要评估的癌症不被特别限制。如上所述，癌症的示例包括结肠癌、直肠癌、胆囊癌、胃癌、乳腺癌、白血病、胰腺癌、肝癌、脑瘤和骨肉瘤。

在本发明中，样品是生物样品，并且不被特别限制，只要它是细胞或组织即可。样品的具体示例包括：大肠、直肠、胆囊、胃、***、血细胞、肺、大脑、骨和骨周围的组织和细胞；以及，在血液中的细胞，诸如白细胞。

在本发明中，获得样品的受检者不被特别限制，并且可以是例如人。受检者的其他示例包括非人的哺乳动物，其中包括：除了人之外的灵长类；啮齿类；狗；以及猫。

在本发明中，样品中的癌症标志物miRNA可以，例如，直接从样品检测、或可以间接地从自样品收集的RNA检测。根据本发明，可以例如指定在样品中表达癌症标志物的区域。因此，优选的是，从样品直接地检测癌症标志物。

首先，下面将描述使用从样品收集的RNA来检测样品中的癌症标志物miRNA的方法的示例

用于从样品收集RNA的方法不被特别限制，并且，可以使用已知的方法。具体地说，可以使用胍-CsCl超速离心方法或AGPC(酸胍-酚-氯仿)等。也可能使用市售的试剂或试剂盒。

当从产品收集RNA时，也可能通过下述方式来间接地检测癌症标志物miRNA：例如，使用所收集的RNA作为模板来合成cDNA，然后从其检测癌症标志物miRNA的cDNA。

当使用利用RNA作为模板合成的cDNA时，可以使用例如核酸扩增方法来执行癌症标志物miRNA的检测。核酸扩增方法不被特别限制，并且，其示例包括聚合酶链反应(PCR)方法、逆转录PCR(RT-PCR)方法、实时PCR方法和实时RT-PCR方法。其中，优选的是实时RT-PCR方法。

当利用例如核酸扩增方法时，首先，从样品提取总RNA，并且使用随机引物，以总RNA作为模板合成cDNA。接下来，使用如此获得的cDNA作为模板，使用可以扩增目标癌症标志物miRNA的cDNA的引物来引起扩增反应，并且检测扩增产物。通过检测扩增产物的存在或不存在、或扩增产物的量，有可能检测在样品中的癌症标志物miRNA的表达水平，即，癌症标志物miRNA的表达的存在或不存在、或在样品中表达的癌症标志物miRNA的量。

要在合成cDNA的反应中使用的随机引物不被特别限制，并且，可以例如使用市售的随机引物。而且，要在扩增反应中使用的引物绝没有限制，并且它可以是，例如：可以与癌症标志物miRNA的cDNA或与其互补的序列杂交的引物；或者，可以与癌症标志物miRNA的周边区域的cDNA或与其互补的序列杂交的引物。可以基于癌症标志物miRNA的碱基序列和一般的技术常识来适当地设计引物。具体地说，引物可以是，例如：由目标癌症标志物miRNA的cDNA或与其互补的序列构成的引物；或者，由癌症标志物miRNA的周边区域的cDNA或与其互补的序列构成的引物。优选的是，引物的序列与例如目标癌症标志物miRNA的cDNA或与其互补的序列或者癌症标志物miRNA的周边区域的cDNA或与其互补的序列至少大约70％互补，优选与它们至少80％互补，更优选与它们至少90％互补，更加优选与它们至少95％互补，特别优选与它们100％互补。

引物的构成单元不被特别限制，并且可以使用已知的构成单元。构成单元的具体示例包括核苷酸，诸如脱氧核糖核苷酸和核糖核苷酸。构成单元的示例也包括PNA(肽核酸)和LNA(锁核酸)。在构成单元中的碱基不被特别限制。例如，构成单元可以包括天然碱基(非人工碱基)，诸如A、C、G、T和U，或者可以包括非天然碱基(人工碱基)。引物的长度不被特别限制，并且可以是通常的长度。

用于检测扩增产物的方法不被特别限制，并且可以使用已知方法。当实时地检测扩增产物时，优选的是，例如，使得荧光试剂存在于扩增反应的反应溶液中。荧光试剂的示例包括：与双链核酸特异性结合的荧光物质；以及，***双链核酸内的荧光物质。在扩增反应中，当通过从已经与模板cDNA退火的引物的延伸来形成双链核酸时，在反应溶液中存在的荧光物质结合到或***双链核酸内。然后，通过核查已经被结合或***双链核酸内的荧光物质的荧光，有可能核查扩增产物的存在或不存在，由此，可以间接核查目标癌症标志物miRNA的存在和不存在。而且，通过测量荧光物质的荧光强度，可以量化扩增产物，由此，可以间接地量化目标癌症标志物miRNA。荧光试剂的示例包括SYBR(商标)Green。例如，可以通过已知方法来执行使用荧光试剂的检测。具体地说，在实时RT-PCR的情况下，可以例如使用市售的试剂，诸如SYBR(商标)Green PCR Master Mix(商品名，Perkin-ElmerApplied Biosystem)以及，市售的检测器，诸如ABI Prim 7900 SequenceDetection System(商品名，Perkin-Elmer Applied Biosystem)，依照它们的手册执行检测。

当实时地检测扩增产物时，用于检测扩增产物的方法的其他示例包括：使得在扩增反应的反应溶液中存在标记探针。标记探针可以例如是具有荧光物质和猝灭剂的探针。这样的探针的具体示例包括TaqMan(商标)探针和与RNase一起使用的循环探针。当例如标记探针单独存在时，通过猝灭剂来猝灭荧光物质的荧光。当标记探针形成双链核酸时，消除猝灭效应，由此发射荧光。可以例如根据已知方法来使用这样的标记探针。

也可能使用探针来检测癌症标志物miRNA的cDNA。该探针可以是，例如，可以与癌症标志物miRNA的cDNA或与其互补的序列杂交的引物。在本方法中，在癌症标志物的cDNA和探针之间引起杂交，并且，检测已经与癌症标志物的cDNA杂交的探针。已经与癌症标志物的cDNA杂交的探针的存在或不存在或量对应于在从样品收集的RNA中的癌症标志物miRNA的存在或不存在或量。因此，通过检测探针，有可能间接地检测在样品中的癌症标志物miRNA的存在或不存在或量。例如，可以通过已知的方法来执行探针的检测，该方法可以与下述的方法相同。

此外，例如，当从样品收集RNA时，可以从所收集的RNA直接地检测癌症标志物miRNA。在该情况下，检测方法可以是，例如，使用探针的杂交方法。作为探针，例如，可以使用能够与癌症标志物miRNA特异性杂交的探针。在该方法中，在癌症标志物miRNA和探针之间引起杂交，并且检测已经与癌症标志物miRNA杂交的探针。已经与癌症标志物杂交的探针的存在或不存在或量对应于在从样品收集的RNA中的癌症标志物miRNA的存在或不存在或量。因此，通过检测探针，有可能间接地检测在样品中的癌症标志物miRNA的存在或不存在或量。

用于检测探针的方法不被特别限制。检测方法的具体示例是例如，使用标记性物质标记的标记探针被用作探针，并且可以通过检测所述标记性物质来执行检测。

作为标记性物质，例如，可以使用本身可检测的物质。所述物质可以例如是显色物质、发出荧光的荧光物质、或放射性物质等。例如，在显色物质的情况下，可以基于显色的存在或不存在和强度来确定显色物质的存在或不存在和量。显色物质可以是，例如：本身显色的物质；通过酶反应等来释放显色的物质的物质；或者，通过酶反应或电子传递反应而转化为显色物质的物质。例如，在荧光物质的情况下，可以基于荧光的存在或不存在和强度来确定荧光物质的存在或不存在和量。该荧光物质可以是，例如：本身发荧光的物质；通过酶反应等来释放发荧光的物质的物质；或者，通过酶反应或电子传递反应而转化为发荧光物质的物质。例如，在放射性物质的情况下，可以通过使用闪烁计数器测量放射水平或基于通过放射自显影获得的图像的存在或不存在和颜色密度来确定标记性物质的存在或不存在和量。使用利用放射性物质标记的探针进行的杂交方法的示例包括Northern印迹法和微阵列分析。

标记性物质可以是，例如，能够用另一种试剂检测的标记性物质。这样的标记性物质的示例包括酶，诸如碱性磷酸酶(AP)和辣根过氧化物酶(HRP)。当标记性物质是例如酶时，可以添加通过与酶的反应、或伴随酶反应的电子传送等而显色或发射荧光的底物作为上述的另一种试剂，并且可以检测通过与酶的反应的显色或荧光的存在或不存在、吸光度、或荧光强度。该底物不特别被限制，并且可以根据酶的种类等被适当地设置。具体示例如下：在例如AP的情况下，可以使用溴氯羟吲哚磷酸盐(BCIP)、或BCIP和四唑氮蓝的组合等；并且，在HRP的情况下，例如，可以使用3，3′-二氨基联苯胺四盐酸盐(DAB)等。

可使用另一种试剂检测的标记性物质的其他示例包括生物素和抗生物素蛋白。其中，生物素是优选的。当使用生物素来标记探针时，优选的是，例如，作为上述的另一种试剂添加上述的酶、显色物质、荧光物质、或放射性物质等，其中每一种都具有与其结合的抗生物素蛋白。因为作为探针的标记性物质的生物素与抗生物素蛋白结合，所以可以通过上述方法的任何一种来检测与抗生物素蛋白结合的酶等。此外，上述的另一种试剂可以是，例如，抗生物素蛋白和生物素与任何酶等的复合体，它是所谓的抗生物素蛋白-生物素复合体。这种方法是所谓的ABC(抗生物素蛋白-生物素复合体)方法。当使用这样的复合体时，例如，在特定的复合体中的抗生物素蛋白可以与另一个复合体中存在的生物素结合，因此有可能增加与单个分子探针结合的酶等的分子数。因此，具有更高灵敏度的检测变得可能。生物素可以是例如生物素衍生物，并且，抗生物素蛋白可以是例如诸如链霉抗生物素蛋白的抗生物素蛋白衍生物。

而且，用于检测与癌症标志物miRNA杂交的探针的方法的示例包括其中将使用抗原标记的标记探针用作探针并且利用抗原-抗体反应的方法。这样的方法的具体示例是除了抗原标记的探针之外还使用标记的第一抗体的方法，该标记的第一抗体可以特异性结合抗原结合并且被标记性物质标记。另一个示例是使用第一抗体和标记的第二抗体的方法，该第一抗体可以特异性结合抗原，该标记第二抗体可以特异性结合第一抗体并且被标记性物质标记。

当例如使用在前者中的标记第一抗体时，首先，在癌症标志物miRNA和抗原标记的探针之间引起杂交。随后，标记的第一抗体经由抗原结合到已经与癌症标志物miRNA结合的抗原标记探针上。然后，检测结合探针的标记第一抗体的标记性物质。以这种方式，可以检测已经与癌症标志物miRNA杂交的探针，由此，可以间接地检测癌症标志物miRNA。用于标记探针的抗原的种类不被特别限制，并且其示例包括异羟基洋地黄毒苷(DIG)。第一抗体不被特别限制，并且可以根据例如抗原的种类适当地设定。当抗原是例如DIG时，可以使用抗DIG抗体等。标记的第一抗体的标记性物质不特别被限制，并且可以与上述相同。

使用标记的第二抗体的后一种方法是所谓的三明治方法。在该方法中，例如，首先，在癌症标志物miRNA和抗原标记探针之间引起杂交。随后，第一抗体经由抗原与已经结合癌症标志物miRNA的抗原标记探针结合。而且，标记的第二抗体与已经结合探针的第一抗体结合。结果，标记的第二抗体经由第一抗体结合癌症标志物miRNA。然后，检测标记的第二抗体的标记性物质。以这种方式，可以检测与癌症标志物miRNA杂交的探针，由此可以间接地检测癌症标志物miRNA。标记探针的抗原的种类和第一抗体不特别被限制，并且可以与上述相同。第二抗体的标记性物质不特别被限制，并且可以与上述相同。

接下来，将说明从样品直接检测癌症标志物miRNA的说明性示例。

根据本发明，例如，可以指定在样品中表达癌症标志物miRNA的区域。因此，优选的是，从样品直接检测癌症标志物miRNA。在该情况下，优选的是，使得样品固定化。用于检测癌症标志物miRNA的方法优选的是例如使用探针的杂交方法。具体地说，例如，优选的是，通过对于固定化样品执行原位杂交方法来检测癌症标志物，并且，特别优选的是，使用抗原-抗体反应来应用免疫组织化学(IHC)。根据这样的方法，有可能例如使用癌症标志物miRNA来染色细胞质或细胞核的内部。作为探针，例如，标记探针是优选的，并且可以使用与上述相同的探针。

可以例如根据已知的方法来执行原位杂交方法。而且，可以使用市售的试剂盒等根据其使用说明书来执行原位杂交方法。试剂盒的示例包括可从Ventana获得的RiboMap原位杂交试剂盒(商品名)。

在例如原位杂交方法中，执行样品的切片载片的制备、切片载片的预处理、标记探针的杂交、和杂交信号的检测。下面将给出原位杂交方法的具体示例。然而，应当注意，本发明不限于此。

首先，细胞或组织的切片载片被制备为样品。可以通过下述方式来制备切片载片：使用固定化溶液来固定化样品，包埋样品，然后将样品切割为具有期望厚度的片，并且将如此获得的切割片置于载片上。固定溶液的示例包括：交联剂，诸如甲醛和多聚甲醛；PLP(高碘酸盐-赖氨酸-多聚甲醛)；Zamboni溶液；戊二醛；以及，凝固和沉淀剂，诸如乙醇和丙酮。可以通过例如选自例如下列的任何制备方法来实现固定化：对于未固定样品的冷冻切片、对于固定化样品的冷冻切片、和对于固定化样品的石蜡包埋。固定化的条件不特别被限制，并且，例如，优选在室温下执行固定至少1小时，更优选至少6小时。

接下来，在杂交之前，预处理切片载片。该预处理可以是，例如，去石蜡化、再水化、重新固定化、酸处理或使用蛋白酶K处理，以便改善标记探针的渗透性。而且，为了防止因添加甘氨酸或醋酸引起的探针的非特异性结合以便使得蛋白酶K失去活性，也可以执行中和正电荷等的处理。

然后，向预处理的切片载片添加标记探针，以便引起杂交，并且以适合于标记探针的标记性物质的方式来执行杂交信号的检测。

要添加的标记探针量不被特别限制，并且可以根据例如标记性物质的种类、标记探针相对于作为整体要被使用的探针的比例等被适当地设置。作为具体示例，要添加的标记探针量可以但是绝不限于例如在原位杂交方法中通常使用的每一个单个载片1至1000ng。

杂交的条件不被特别限制。具体示例如下。在杂交之前的热变性处理优选地在50℃至100℃执行1至60分钟，更优选在60℃至95℃执行5至10分钟。而且，杂交优选地在40℃至80℃执行1至36小时，更优选地在45℃至70℃执行4至24小时。

接下来，执行杂交信号的检测。用于检测信号的方法不被特别限制，并且可以例如根据如上所述的标记探针和标记的第一抗体或标记的第二抗体的标记性物质的种类适当地确定。当例如检测显色或荧光时，可以基于显色或荧光的存在或不存在、或基于所显示的颜色的密度或荧光的强度来检测在样品中的癌症标志物miRNA的存在或不存在或量。可以例如通过目测观察或图像处理来检查显色或荧光。当标记性物质是放射性物质时，可以例如使用放射自显影，并且可以基于放射自显影的存在或不存在或颜色密度来检测在样品中的癌症标志物miRNA的存在或不存在或量。可以通过例如目测观察或图像处理来查看放射自显影的存在或不存在或颜色密度。图像处理不被特别限制，并且可以使用已知***或已知软件来被执行。

当如上所述在癌症标志物miRNA的检测中使用探针时，探针的序列不被特别限制。探针的示例包括可以特异性结合任何上述癌症标志物miRNA的探针。例如，市售的产品可以被用作探针，或可以自行制备探针。可以基于例如上述的癌症标志物miRNA的碱基序列和一般的技术常识来适当地设计探针的序列。具体地说，例如，探针可以是由与检测目标癌症标志物miRNA互补的序列构成的探针、或包括所述互补序列的探针。优选的是，例如，探针的序列与目标癌症标志物miRNA至少大约70％互补，更优选与其至少90％互补，并且特别优选与其100％互补。

探针的构成单元不被特别限制，并且例如，可以使用已知的构成单元。构成单元的具体示例包括诸如脱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(桥接的核酸)，诸如2’，4’-桥接核酸。在构成单元中的碱基不被特别限制。它们可以是，例如，诸如腺嘌呤、鸟嘌呤、胞嘧啶、胸腺嘧啶和尿嘧啶的天然碱基，或可以是非天然碱基。探针的长度不被特别限制，并且是例如10至100碱基，优选是15至40碱基。

下面示出探针的具体示例。然而，应当注意，本发明不限于此。探针的其他示例包括由与SEQ ID NO：5所示的碱基序列互补的序列构成的多核苷酸。

hsa-miR-92a检测探针(SEQ ID NO：5)

5’-acaggccgggacaagtgcaata-3’

本发明的评估方法在评估步骤中基于以上述方式检测的癌症标志物miRNA的表达水平来评估在样品中的癌症的可能性。

癌症标志物的表达水平可以是，例如，在样品中癌症标志物miRNA表达的存在或不存在或在样品中表达的癌症标志物miRNA的量。表达量可以是，例如，miRNA的实际量或与miRNA的实际量相关的值。后者的示例包括当检测癌症标志物miRNA时获得的信号值。例如，可以根据用于检测miRNA的方法和用于检测信号值的检测器的种类等适当地确定信号值。当检测方法是例如包括PCR方法诸如实时RT-PCR方法的任何核酸扩增方法时，可以将信号值表示为例如每1μl的拷贝数量(拷贝/μl)等。而且，如下所述，当使用已经进行miRNA染色图像(以下被称为“miRNA染色图像”)时，例如，显色或荧光的值(亮度)或饱和度对应于信号值。

在本发明的评估方法中，当如上所述检测在固定化样品中的癌症标志物miRNA时，优选的是，例如，提供将癌症标志物miRNA可视化的切片载片(以下也称为“癌症标志物miRNA可视化切片载片”)和使用HE(苏木精&伊红)染色的切片载片，并且将它们彼此对照。

当前，对于由病理学家确定细胞或组织的癌变，使用HE染色图像(以下称为“HE染色图像”)。然而，HE染色具有例如下述问题：对于边界病理变化的评估变难；并且，当查看的细胞的数量是1或2时，评估变难。由于这个原因，相对于从同一样品得出的切片载片执行癌症标志物miRNA的HE染色和可视化，并且，将切片载片彼此对照。然后，通过将基于HE染色指定的肿瘤区域与对于可视化的癌症标志物miRNA阳性的区域对照，有可能以较高的可靠性来确定癌症的可能性。术语“阳性”表示例如存在癌症标志物，并且，术语“阴性”表示例如不存在癌症标志物，并且癌症标志物的存在量低于检测限。

通过将癌症标志物miRNA可视化的切片载片与进行HE染色的切片载片进行对照而确定癌症可能性的方法不被特别限制，并且可以例如以下面的方式执行。首先，以后面叙述的方式相对于相邻的切片载片执行miRNA的HE染色和可视化。关于HE染色的切片载片，例如，通过使用显微镜等进行观察来确定肿瘤区域。然后，将HE染色的切片载片与癌症标志物可视化的切片载片对照。作为结果，例如，当在HE染色的切片载片中的肿瘤区域与在癌症标志物可视化的切片载片中的癌症标志物阳性区域一致时，可以确定该肿瘤区域和癌症标志物阳性区域是癌性的。

在对于样品不仅执行癌症标志物miRNA的可视化而且执行HE染色的情况下，优选的是，用于癌症标志物miRNA检测的切片载片和用于HE染色的切片载片是从固定化和包埋的样品切出的相邻的切片，具体地说，优选的是，相邻的切片是连续切片。这允许更精确地对照图像。

优选地，通过例如对照图像来执行在可视化的癌症标志物miRNA和HE染色之间的对照。即，优选的是，相对于固定化样品而言提供癌症标志物可视化的图像(以下也称为“癌症标志物可视化图像”)和使用HE染色图像，并且将它们彼此对照。例如，通过下述方式来提供图像：通过CCD(电荷耦合器件图像传感器)或扫描器等将通过癌症标志物miRNA可视化的固定化样品和通过HE染色可视化的固定化样品转换为数字图像。

通过使用如上所述的图像，可以更容易和精确地执行在可视化的癌症标志物miRNA和HE染色之间的对照以及癌症可能性的确定。而且，通过累积图像数据，进一步更可靠的评估变得可能。

通过将癌症标志物miRNA可视化图像与HE染色图像进行对照而确定癌症可能性的方法不被特别限制，并且可以例如以下面的方式执行。首先，对于如上所述的相邻切片载片执行HE染色和癌症标志物miRNA的可视化，因此提供HE染色图像和癌症标志物可视化图像。然后，指定在HE染色图像中的肿瘤区域，并且，将HE染色图像和癌症标志物可视化图像彼此对照。结果，当在HE染色图像中的肿瘤区域和在癌症标志物可视化图像中的癌症标志物miRNA阳性区域彼此一致时，可以确定该肿瘤区域和癌症标志物阳性区域是癌性的。而且，当在HE染色图像中未找到肿瘤区域并且癌症标志物可视化图像对于癌症标志物miRNA是阴性的时，可以确定样品不是癌性的。而且，当在HE染色图像中的肿瘤区域与在癌症标志物可视化图像中的癌症标志物阳性区域不一致时，将最后的判断留给病理学家，并且这个数据可被存储为累积数据，以便例如准备用于今后的判断。

本发明已经揭露，作为癌症标志物miRNA的has-miR-92a和has-miR-494的表达水平例如在伴有癌变的细胞和组织中增加。从这个情况可以说明，例如，每一个癌症标志物miRNA的表达水平显著增加：在癌症发作后与在癌症的发作之前作比较；在临床前期与在临床前期之前作比较；在临床期与在临床期之前作比较；在初期与在初期之前作比较；以及，在初期后与初期中作比较。因此，本发明的评估方法可以例如在评估步骤中包括：例如，通过选自下面的(1)、(2)和(3)的至少一种方法来基于癌症标志物miRNA的表达水平确定癌症的可能性。在本发明中，术语“正常者”表示，例如，未被确定为已经患上了要评估的癌症或具有他已经患上了癌症的可能性的评价对象。另一方面，术语“患者”表示，例如，未被确定为已经患上了要评估的癌症的评价对象。

(1)将在受检者的样品中的癌症标志物miRNA的表达水平与在正常者的样品中的癌症标志物miRNA的表达水平作比较，并且当在受检者中的表达水平比在正常者中的表达水平高时，确定该受检者具有癌症的高可能性。

(2)将在受检者的样品中的癌症标志物miRNA的表达水平与在正常者的样品中的癌症标志物miRNA的表达水平作比较，并且当在受检者中的表达水平比在正常者中的表达水平相对变高时，确定在受检者中的癌症相对进展。

(3)将在受检者的样品中的癌症标志物miRNA的表达水平与不同进展期的各癌症患者的样品中的癌症标志物miRNA的表达水平作比较，并且，确定在受检者中的癌症与在显示相同或类似表达水平的患者中的癌症处于相同的进展期。

例如，可以使用从正常者收集的样品来确定在方法(1)和(2)中正常者的癌症标志物miRNA的表达水平。而且，可以通过例如下述方式来确定在方法(3)中癌症患者的癌症标志物miRNA的表达水平：根据进展期来分类患者，并且在相应的进展期使用从患者收集的样品。在方法(1)至(3)中，例如可以预先确定正常者和患者的表达水平，并且不必每次进行评估时确定它们。在方法(1)至(3)中，例如，正常者和患者的样品的种类优选与受检者的样品的种类相同。而且，例如，正常者和患者的样品优选与受检者的样品以相同的方式和在相同的条件下制备。正常者或各患者的癌症标志物miRNA的表达水平可以是，例如，从单个正常者或单个患者获得的值，或者可以是通过统计方法从多个正常者或多个患者的表达水平计算的值。

在如上所述的方法(1)中，当在受检者中的表达水平高于在正常者中的表达水平时，可以确定受检者具有癌症的高可能性。另一方面，当在受检者中的表达水平等于或小于在正常者中的表达水平时，可以确定受检者具有癌症的低可能性。癌症的可能性也可以被称为例如已经发生癌变的可能性或受检者可能罹患癌症的可能性。

在如上所述的方法(2)中，当在受检者中的表达水平比在正常者中的表达水平变得相对更高时，可以确定在受检者中的癌症相对进展。而且，即使当在受检者中的表达水平比在正常者中的表达水平高时，但在表达水平之间的差异变小时，可以确定癌症没有相对进展。

在方法(3)中，例如，确定在不同进展期的各癌症患者的表达水平。通过在各患者的表达水平和在受检者中的表达水平之间的比较，可以不仅评估受检者的癌变可能性，并且评估癌症的进展期。

在方法(1)至(3)中，当将在受检者中的表达水平与正常者或各患者的表达水平作比较时，例如，可以通过统计方法诸如t检验、F检验或卡方检验来确定其间的显著差异。

根据这样的评估方法，例如，对于患有临床前期癌症的受检者，有可能以高可靠性判断具有癌症的高可能性的受检者，而这样的判断在传统上是困难的。而且，例如，也可以高可靠性来判断癌症进展期。因此，在癌症的预防或治疗中，可以高可靠性来获得例如在决定用药、手术等的策略中重要的信息。

而且，例如，本发明的评估方法可以通过计算染色阳性细胞的含量率来评估癌症。术语“染色阳性细胞”表示例如具有癌症标志物并且通过癌症标志物的染色被染色的细胞。在该情况下，在本发明的该评估方法中，例如，在癌症标志物检测步骤中获得关于固定化样品的已经进行了癌症标志物染色图像(以下称为“癌症标志物染色图像”)。本发明的评估方法优选进一步包括：

HE染色图像获得步骤，获得关于所述固定化样品的HE染色图像；

信息获得步骤，获得在所述HE染色图像中的肿瘤区域的信息；

匹配步骤，计算在HE图像获得步骤中获得的所述HE染色图像和在所述癌症标志物检测步骤中获得的所述癌症标志物染色图像的匹配位置；

指定步骤，基于在所述信息获得步骤中获得的所述HE染色图像中的所述肿瘤区域的信息和在所述匹配步骤中计算的所述匹配位置的信息，来指定在所述癌症标志物染色图像中的肿瘤区域；以及

染色阳性细胞检测步骤，基于在所述指定步骤中指定的所述癌症标志物染色图像中的所述肿瘤区域的信息，来检测在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞。

所述染色阳性细胞检测步骤可以是例如计算步骤，基于在所述指定步骤中指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来计算在所述癌症标志物染色图像中所述肿瘤区域的染色阳性细胞含有率。所述癌症标志物染色图像可以是，例如，具有通过显色或发光可视化的癌症标志物miRNA的图像。

如上所述，例如，可以通过下述的癌症病理图像诊断支持方法来执行包括与HE染色图像的对照的癌症评估。可以通过例如操作癌症病理图像诊断支持***、癌症病理图像诊断支持程序或癌症病理图像诊断支持装置——其中每一个将在下面被描述——来实现该方法。下面将对此详细描述。

<评估试剂>

如上所述，本发明的评估试剂是要在本发明的评估方法中使用的评估试剂，并且其特征在于它包含用于检测本发明的癌症标志物的试剂，即，用于检测选自has-miR-92和has-miR-494的至少一个miRNA的miRNA检测试剂。根据这样的评估试剂，有可能方便地执行本发明的评估方法。

如上所述，本发明的特征在于将has-miR-92和has-miR-494的至少一个作为癌症标志物miRNA进行检测，并且绝不限制用于检测这些miRNA的方法。仅需要在本发明的评估试剂中包含的miRNA检测试剂可以检测这些miRNA的任何一种，并且绝不限制例如试剂的种类、成分等。而且，本领域内的技术人员可以基于一般的技术常识来设置用于这些癌症标志物miRNA的检测试剂。

miRNA检测试剂不被特别限制，并且其示例包括可以与癌症标志物miRNA、诸如如上所述的癌症标志物miRNA的任何一个杂交的探针。探针可以是如上所述的标记探针。而且，根据用于检测miRNA的方法和在标记探针中使用的标记性物质的种类等，miRNA检测试剂可以进一步包含其他试剂。

本发明的评估试剂可以根据例如用于检测miRNA的方法而进一步包含酶、缓冲液、洗涤液、溶解液、分散液和稀释液等。而且，本发明的评估试剂的形式不被特别限制。例如，它可以是以液体状态的湿型试剂或以干燥状态的干型试剂。

<评估试剂盒>

本发明的评估试剂盒如上所述是要在本发明的评估方法中使用的评估试剂盒，并且其特征在于它包括用于检测选自has-miR-92和has-miR-494的至少一个miRNA的miRNA检测试剂。miRNA检测试剂的示例包括如上所述的本发明的评估试剂。根据这样的评估试剂盒，可以方便地执行本发明的评估方法。

本发明的评估试剂盒的形式不被特别限制。它可以是例如液体状态的湿型试剂盒或干燥状态的干型试剂盒。例如，在本发明的评估试剂盒中的相应试剂可以分别提供，并当使用该试剂盒时一起使用，或可以在使用该试剂盒之前混合在一起。本发明的评估试剂盒可以例如包括使用说明书。

<基于癌症病理图像的诊断支持>

本发明提供了***、程序、方法和装置，每种都用于支持基于病理图像的癌症诊断，并且其示例包括下面的第一和第二实施方案。

第一实施方案

本发明提供了一种用于支持基于病理图像的癌症诊断的癌症病理图像诊断支持***(以下称为“图像诊断支持***”)，包括：

图像获得单元，其获得HE染色图像和癌症标志物染色图像来作为要诊断的病理图像；

信息获得单元，其获得在所述HE染色图像中的肿瘤区域的信息；

匹配单元，其计算通过所述图像获得单元获得的所述HE染色图像和所述癌症标志物染色图像的匹配位置；

指定单元，其基于由所述信息获得单元获得的所述HE染色图像中所述肿瘤区域的信息和由所述匹配单元计算的所述匹配位置的信息来指定在所述癌症标志物染色图像中的肿瘤区域；以及

染色阳性细胞检测单元，其基于由所述指定单元指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来检测在所述癌症标志物染色图像中所述肿瘤区域中的染色阳性细胞。

所述染色阳性细胞检测单元可以是，例如，基于由所述指定单元指定的所述癌症标志物染色图像中所述肿瘤区域的信息、计算在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞的含有率的计算单元(以下相同)。

优选的是，所述计算单元除了所述染色阳性细胞含有率之外进一步计算染色强度。所述染色强度可以是，例如，在所述癌症标志物染色图像中所述肿瘤区域的染色强度。

优选的是，本发明的所述图像诊断支持***进一步包括：

输入接受单元，其接受用于指定要诊断的病理图像的信息和用于指定检查类型的信息的输入；以及

染色图像数据库，其存储所述HE染色图像和所述癌症标志物染色图像，其中

所述图像获得单元基于所述指定信息从所述染色图像数据库获得所述HE染色图像和所述癌症标志物染色图像。

在本发明的所述图像诊断支持***中，优选的是，用于指定要诊断的所述病理图像的所述信息是所述HE染色图像的图像标识符，并且所述图像获得单元从所述染色图像数据库获得具有所述图像标识符的所述HE染色图像和与所述HE染色图像相邻的所述癌症标志物染色图像。

在本发明的所述图像诊断支持***中，优选的是，用于指定要诊断的所述病理图像的所述信息是所述癌症标志物染色图像的图像标识符，并且所述图像获得单元从所述染色图像数据库获得具有所述图像标识符的所述癌症标志物染色图像和与所述癌症标志物染色图像相邻的所述HE染色图像。

在本发明的所述图像诊断支持***中，优选的是，用于指定要诊断的所述病理图像的所述信息是诊断目标的受检者标识符，并且所述图像获得单元从所述染色图像数据库获得所述HE染色图像和所述癌症标志物染色图像，其中每一个具有目标标识符。

在本发明的所述图像诊断支持***中，优选的是，所述染色图像数据库也存储所述HE染色图像中所述肿瘤区域的所述信息，并且所述信息获得单元从所述染色图像数据库获得在所述HE染色图像中的所述肿瘤区域的所述信息。

优选的是，本发明的所述图像诊断支持***进一步包括：肿瘤区域计算单元，其计算由所述图像获得单元获得的所述HE染色图像中的所述肿瘤区域，其中，所述信息获得单元获得由所述肿瘤区域计算单元计算的在所述HE染色图像中的所述肿瘤区域的信息。

优选的是，本发明的所述图像诊断支持***进一步包括：

输入接受单元，其接受要诊断的载片的载片标识符和用于指定检查类型的信息的输入；

载片数据库，其存储所述载片；以及

载片获得单元，其从所述载片数据库获得具有所述载片标识符的所述载片，其中

所述图像获得单元通过将所述载片获得单元获得的所述载片成像，来获得所述HE染色图像和所述癌症标志物染色图像。

本发明提供了一种用于支持基于病理图像进行癌症诊断的图像诊断支持***，包括：终端和服务器。所述终端和所述服务器可以经由在所述***外部设置的通信网络而彼此连接。所述终端包括：终端侧发送单元，其将在所述终端中的信息经由所述通信网络发送到所述服务器；以及，终端侧接收单元，其接收经由所述通信网络从所述服务器发送的信息。所述服务器包括：服务器侧发送单元，其将在所述服务器中的信息经由所述通信网络发送到所述终端；服务器侧接收单元，其接收从所述终端经由所述通信网络发送的信息；图像获得单元，其获得HE染色图像和癌症标志物染色图像作为要诊断的病理图像；信息获得单元，其获得在所述HE染色图像中的肿瘤区域的信息；匹配单元，其计算通过所述图像获得单元获得的所述HE染色图像和所述癌症标志物染色图像的匹配位置；指定单元，其基于由所述信息获得单元获得的所述HE染色图像中的所述肿瘤区域的所述信息和由所述匹配单元计算的所述匹配位置的信息来指定在所述癌症标志物染色图像中的肿瘤区域；以及，染色阳性细胞检测单元，其基于在由所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来检测在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞。在这个图像诊断支持***中，从所述终端侧发送单元向所述服务器侧接收单元发送所述病理图像的信息，并且，从所述服务器侧发送单元向所述终端侧接收单元发送由所述服务器的所述染色阳性细胞检测单元检测的所述染色阳性细胞的信息。

在本发明的所述图像诊断支持***中，所述染色阳性细胞检测单元可以是，例如，基于由所述指定单元指定的所述癌症标志物染色图像中的所述肿瘤区域的信息、在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞的含有率。在该情况下，例如，从所述服务器侧发送单元向所述终端侧接收单元发送由所述服务器的所述计算单元计算的所述染色阳性细胞含有率的信息。

本发明也提供了一种用于在本发明的所述图像诊断支持***中使用的服务器。所述服务器包括：服务器侧发送单元，其将所述服务器中的信息经由所述通信网络发送到所述终端；服务器侧接收单元，其接收从所述终端经由所述通信网络发送的信息；图像获得单元，其获得HE染色图像和癌症标志物染色图像作为要诊断的病理图像；信息获得单元，其获得在所述HE染色图像中的肿瘤区域的信息；匹配单元，其计算通过所述图像获得单元获得的所述HE染色图像和所述癌症标志物染色图像的匹配位置；指定单元，其基于由所述信息获得单元获得的所述HE染色图像中的所述肿瘤区域的所述信息和由所述匹配单元计算的所述匹配位置的信息来指定在所述癌症标志物染色图像中的肿瘤区域；以及，染色阳性细胞检测单元，其基于在所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来检测在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞。

在本发明的服务器中，所述染色阳性细胞检测单元可以例如是计算单元，其基于由所述指定单元指定的所述癌症标志物染色图像中的所述肿瘤区域的信息，计算在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞的含有率。

本发明也提供了一种在本发明的所述图像诊断支持***中使用的终端。所述终端包括：终端侧发送单元，其将所述终端中的信息经由通信网络发送到服务器；以及，终端侧接收单元，其接收从所述服务器经由所述通信网络发送的信息。在所述终端中，从所述终端侧发送单元向所述服务器侧接收单元发送病理图像的信息，并且，从所述服务器侧发送单元向所述终端侧接收单元发送由所述染色阳性细胞检测单元检测的染色阳性细胞的信息。

而且，例如，可以从所述服务器侧发送单元向所述终端侧接收单元发送由所述服务器的所述计算单元计算的所述染色阳性细胞含有率的信息。

本发明也提供了一种用于支持基于病理图像进行癌症诊断的癌症病理图像诊断支持方法(以下称为“图像诊断支持方法”)，包括以下步骤：

获得HE染色图像和癌症标志物染色图像作为要诊断的病理图像；

获得在所述HE染色图像中的肿瘤区域的信息；

匹配图像以计算在所述图像获得步骤中获得的所述HE染色图像和所述癌症标志物染色图像的匹配位置；

基于在由所述信息获得步骤获得的所述HE染色图像中的所述肿瘤区域的所述信息和由所述匹配步骤计算的所述匹配位置的信息来指定在所述癌症标志物染色图像中的肿瘤区域；以及

基于在由所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来检测在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞。

在本发明的图像诊断支持方法中，所述染色阳性细胞检测步骤可以例如是计算步骤，基于在所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来计算在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞的含有率(以下相同)。

在本发明的图像诊断支持方法中，优选的是，在所述计算步骤中，除了所述染色阳性细胞含有率之外进一步计算染色强度。所述染色强度可以例如是在所述癌症标志物染色图像中的所述肿瘤区域中的染色强度。

在本发明的图像诊断支持方法中，优选的是，在所述图像获得步骤中，例如，基于用于指定要诊断的所述病理图像的信息来获得所述HE染色图像和所述癌症标志物染色图像。优选的是，从例如存储所述HE染色图像和所述癌症标志物染色图像的所述染色图像数据库获得所述HE染色图像和所述癌症标志物染色图像。

在本发明的图像诊断支持方法中，优选的是，用于指定要诊断的所述病理图像的所述信息是所述HE染色图像的图像标识符。在所述图像获得步骤中，优选的是，例如，从所述染色图像数据库获得具有所述图像标识符的所述HE染色图像和与所述HE染色图像相邻的所述癌症标志物染色图像。

在本发明的所述图像诊断支持方法中，优选的是，用于指定要诊断的所述病理图像的所述信息是所述癌症标志物染色图像的图像标识符。在所述图像获得步骤中，优选的是，例如，从所述染色图像数据库获得具有所述图像标识符的所述癌症标志物染色图像和与所述癌症标志物染色图像相邻的所述HE染色图像。

在本发明的图像诊断支持方法中，优选的是，用于指定要诊断的所述病理图像的所述信息是诊断目标的受检者标识符。在所述图像获得步骤中，优选的是，例如，从所述染色图像数据库获得所述具有受检者标识符的HE染色图像和所述癌症标志物染色图像。

在本发明的图像诊断支持方法中，优选的是，所述染色图像数据库也存储所述HE染色图像中的所述肿瘤区域的所述信息。在所述信息获得步骤中，优选的是，例如，从染色图像数据库获得在所述HE染色图像中的所述肿瘤区域的所述信息。

优选的是，本发明的所述图像诊断支持方法进一步包括计算在所述图像获得步骤中获得的所述HE染色图像中的所述肿瘤区域的步骤。在所述信息获得步骤中，优选的是，获得在所述肿瘤区域计算步骤中计算的所述HE染色图像中的所述肿瘤区域的信息。

本发明也提供了一种癌症病理图像诊断支持程序(以下称为“图像诊断支持程序”)，用于支持基于病理图像的癌症诊断。所述图像诊断支持程序的特征在于它可以使得计算机执行本发明的图像诊断方法。

本发明的所述图像诊断支持程序使得计算机执行，例如：

图像获得步骤，获得HE染色图像和癌症标志物染色图像作为要诊断的病理图像；

信息获得步骤，获得在所述HE染色图像中的肿瘤区域的信息；

匹配步骤，计算所述图像获得步骤中获得的所述HE染色图像和所述癌症标志物染色图像的匹配位置；

指定步骤，基于在所述信息获得步骤中获得的在所述HE染色图像中的所述肿瘤区域的所述信息和在所述匹配步骤中计算的所述匹配位置的信息来指定在所述癌症标志物染色图像中的肿瘤区域；以及

染色阳性细胞检测步骤，基于在所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来检测在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞。

在本发明的所述图像诊断支持程序中，所述染色阳性细胞检测步骤可以例如是计算步骤，其基于在所述指定步骤指定的所述癌症标志物染色图像中的所述肿瘤区域的信息来计算在所述癌症标志物染色图像中的所述肿瘤区域中的染色阳性细胞的含有率。

根据上述的支持***、支持方法和支持程序，也可能例如在最后获得染色阳性细胞含有率作为量化值。

在下面，将具体上参考实施方案1A至1D来描述本发明的第一实施方案。以下，癌症标志物染色图像也被称为“miRNA染色图像”。应当注意，本发明绝不限于这些实施方案。

(实施方案1A)

图19是示出具有根据本发明的图像诊断支持***的图像诊断支持装置的配置的示例的框图。如图19中所示，图像诊断支持装置190包括处理部191和存储部192。图像诊断支持装置190被配置成使得它在处理部191处连接到与显微镜193连接的CCD 194，并且连接到扫描器195和显示器196。图像诊断支持装置190包括，例如，CPU(中央处理单元)、RAM(随机存取存储器)、输入部、驱动器、输入-输出接口(I/F)和通信总线等。CPU控制整个图像诊断支持装置。通过安装例如用于提供在CPU中的各单元的功能的计算机程序，有可能构造在图像诊断支持装置190中的各单元，从而实现图像诊断支持装置190。而且，也可以通过配备电路部件而实现图像诊断支持装置190的操作，该电路部件包括硬件部件，诸如LSI(大规模集成)，其中安装了用于实现各单元的功能的计算机程序。这样的计算机程序可以是存储计算机程序的记录介质等的形式。记录介质的示例包括HDD、FD、CD-ROM(CD-R，CD-RW)、MO、DVD和存储卡。存储部192的示例包括ROM、HDD和HD。HDD例如在CPU的控制下控制关于HD读取和写入数据。HD例如在HDD的控制下存储所写入的数据。

显示器196例如显示诸如图像、数据和文件的各种信息。输入部的示例包括键盘和鼠标。例如，扫描器195扫描上述切片载片，并且将图像光学转换为电信号。例如，CCD 194将切片载片的显微图像转换为电信号。

图像诊断支持装置190可以例如能够访问在图像诊断支持装置190外部设置的、用于积累关于染色图像的信息的染色图像数据库。在该情况下，图像诊断支持装置190可以例如经由通信线连接到染色图像数据库。

下面给出本发明的图像诊断支持***的说明性示例。图20是示意性示出根据本实施方案的图像诊断支持***的配置的框图。应当注意，本发明绝不限于这个实施方案。

如图20中所示，本实施方案的图像诊断支持***包括：图像获得单元2001，其获得HE染色图像和miRNA染色图像；信息获得单元2002，其获得在HE染色图像中的肿瘤区域的信息；匹配单元2003，其计算由图像获得单元获得的HE染色图像和miRNA染色图像的匹配位置；指定单元2004，其基于由信息获得单元获得的HE染色图像中的肿瘤区域的信息和由匹配单元计算的匹配位置的信息来指定在miRNA染色图像中的肿瘤区域；以及，计算单元2005，其基于由指定单元指定的miRNA染色图像中的肿瘤区域的信息来计算在miRNA染色图像的肿瘤区域中的染色阳性细胞的含有率。

图像诊断支持***可以进一步包括染色水平确定单元，其确定miRNA染色图像的miRNA染色水平。染色水平确定单元例如确定在miRNA染色图像的指定肿瘤区域中的染色水平。

这样的***的示例包括在图19中所示的图像诊断支持装置。各构成单元可以例如由通过由计算机的CPU执行预定程序而实现的功能块构成。因此，例如，各构成单元不一定提供为硬件部件，并且它们可以被提供为网络***。除非另外说明，本实施方案的图像诊断支持***与例如根据下述的实施方案1B至1E的图像诊断支持***相同。

参考图21，将描述在本实施方案的图像诊断支持***中的处理流程的一个示例。图21是示出该处理流程的流程图。这处理是根据本发明的图像诊断方法的示例，并且可以例如被本发明的图像诊断支持***或图像诊断支持程序等执行。

首先，获得HE染色图像和miRNA染色图像(步骤S2101)。例如，图像可以作为由诸如扫描器或CCD的图像摄取装置的转换产生的电信号来获得。

接下来，关于HE染色图像，获得肿瘤区域的信息(S2102)。在HE染色图像中的肿瘤区域的信息可以是例如由医生等判定的信息，或可以是由已知方法计算的信息。

接下来，通过将HE染色图像和miRNA染色图像之一与另一个重叠并且计算匹配位置来执行匹配，(S2103)。然后，基于HE染色图像中的肿瘤区域的信息和如此获得的匹配位置的信息，计算在miRNA染色图像中的肿瘤区域。即，计算与HE染色图像中的肿瘤区域对应的miRNA染色图像的区域，然后，将该区域指定为肿瘤区域(S2104)。以下，基于HE染色图像的信息而指定的miRNA染色图像中的肿瘤区域也被称为“基于HE染色图像的肿瘤区域”。

随后，确定在基于HE染色图像确定的miRNA染色图像中的肿瘤区域的miRNA染色水平(S2105)。关于miRNA染色水平，例如，优选的是，执行图像标准化，因为染色的程度根据染色处理、温度、探针种类或者显色物质或荧光物质的种类等而在载片之间不同。此时，在miRNA染色图像中，可以用相同的方式来确定除了基于HE染色图像的肿瘤区域之外的区域的miRNA染色水平。

然后，在诸如如上所述的染色图像数据库中累积在这个步骤中获得的染色图像信息(S2106)。

接下来，基于如此确定的miRNA染色水平，再一次检测在miRNA染色图像中的肿瘤区域(S2107)。即，关于miRNA染色图像的染色水平，确定它是否达到表示肿瘤细胞的水平或小于表示肿瘤细胞的水平。然后，将显示前一种染色水平的区域指定为基于miRNA染色水平的肿瘤区域。结果，当基于HE染色图像的肿瘤区域与基于miRNA染色水平的肿瘤区域一致时，基于miRNA染色水平的肿瘤区域被确定为检测目标区域。而且，当该区域未被确定为HE染色图像中的肿瘤区域并且该区域被确定为基于miRNA染色水平的肿瘤区域时，基于miRNA染色水平的肿瘤区域被确定为检测目标区域。

例如，可以通过检测miRNA染色图像中多个水平的miRN染色强度来确定表示肿瘤的染色水平和小于表示肿瘤的染色水平之间的阈值。因此，例如，即使当非肿瘤细胞仅轻度染色时，可以确定这不表示该染色指示肿瘤细胞。例如，关于阈值的数据也被存储在染色图像数据库中作为关于染色图像的信息。

以上述方式确定的检测目标区域被输出为确定的癌症区域。或者，对于于检测目标区域，计算染色阳性细胞含有率，并且输出计算结果。

当在染色图像数据库中累积miRNA染色图像的信息时，例如，也可能基于该数据库而不进行与HE染色图像的匹配来确定在miRNA染色图像中的肿瘤区域。

(实施方案1B)

图1是示出根据本发明的图像诊断支持***的示例的框图。这个***是用于支持基于病理图像的癌症诊断的***。该***包括：图像获得单元，其获得HE染色图像和miRNA染色图像作为要诊断的病理图像；信息获得单元，其获得在HE染色图像中的肿瘤区域的信息；匹配单元，其计算由图像获得单元获得的HE染色图像和miRNA染色图像的匹配位置；指定单元，其基于由信息获得单元获得的HE染色图像中的肿瘤区域的信息和由匹配单元计算的匹配位置的信息来指定在miRNA染色图像中的肿瘤区域；以及，计算单元，其基于由指定单元指定的miRNA染色图像中的肿瘤区域的信息来计算在miRNA染色图像的肿瘤区域中的染色阳性细胞的含有率。

更详细地，本实施方案的***包括输入装置111、输出装置112、染色图像数据库113、处理装置120和存储装置130。

染色图像数据库113存储：一个或多个HE染色图像；与所述HE染色图像的样本(切片载片)相邻的连续切片的样本的miRNA染色图像；关于上述的HE染色图像和上述的miRNA染色图像的样本相邻信息；以及，从上述HE染色图像计算或由医生确定的肿瘤区域信息等。

每个图像具有受检者标识符，关于受检者的相关信息通过它与各图像相关。例如，如图2中所示，染色图像数据库113包括：受检者标识符201，用于唯一地标识受检者；图像标识符202；染色信息203；图像数据204；样品相邻信息205；以及，HE染色图像肿瘤区域信息206。

图像标识符202是用于识别每一个受检者的多个病理图像的标识符。染色信息203、图像数据204和肿瘤区域信息206通过图像标识符202与其他图像的那些相区别。各染色信息203指示图像的染色信息，并且染色信息的示例包括关于HE染色的信息和关于癌症标志物miRNA染色的信息。各图像数据204存储图像数据。样本相邻信息205通过使用图像标识符202来存储对应性关系。HE染色图像肿瘤区域信息206存储从HE染色图像计算或由医生等确定的肿瘤区域信息。同时，可以使得HE染色图像肿瘤区域信息206对应于图像标识符202，并且单独存储。

作为输入装置111和输出装置112，可以例如使用在计算机上设置的正常输入/输出装置。输入装置111例如是键盘或鼠标。输出装置112例如是显示装置或打印机。输入装置111和输出装置112可以是输入文件和/或输出文件，或可以是另一个计算机等。

存储装置130由在计算机上设置的主存储装置和辅助存储装置构成，并且例如用于存储在处理装置120中执行的各种程序以及数据。处理装置120包括计算机的CPU，并且通过程序控制而运行。

处理装置120包括输入接受处理部121、染色图像和肿瘤区域信息获得部122、图像匹配处理部(匹配单元)123、miRNA染色图像肿瘤区域提取部(指定单元)124和染色阳性细胞含有率计算部(计算单元)125。染色图像和肿瘤区域信息获得部122具有上述的图像获得单元和信息获得单元二者的功能。

输入接受处理部121通过输入装置111从用户等接受用于指定要诊断的病理图像的信息和用于指定检查类型的信息。检查类型的示例包括要检测的癌症标志物miRNA的类型。而且，输入接受处理部121在存储装置130的诊断图像信息和检查对象存储部131中存储那些信息，并且将处理转移到染色图像和肿瘤区域信息获得部122。在本实施方案的情况下，用于指定要诊断的病理图像的信息是图像标识符202。图像标识符202是HE染色图像或miRNA染色图像，并且有可能指定它们的一个或多个。而且，用于指定检查类型的信息是关于miRNA染色的项目，并且有可能在本发明的癌症标志物miRNA中指定任何一个miRNA或两个以上miRNA。

染色图像和肿瘤区域信息获得部122从染色图像数据库113获得要诊断的HE染色图像和miRNA染色图像与在HE染色图像中的肿瘤区域的信息，并且将它们分别存储在存储装置130中的HE染色图像数据存储部132、miRNA染色图像数据存储部134和HE染色图像肿瘤区域信息存储部133中，并且将处理转移到图像匹配处理部123。

在诊断图像信息和检查对象存储部131中存储的具有图像标识符202的染色信息203是HE染色的情况下，具有图像标识符202的图像数据204被存储在HE染色图像数据存储部132中。而且，通过参考在诊断图像信息和检查对象存储部131中存储的检查类型和样本相邻信息205，在miRNA染色图像数据存储部134中存储与要诊断的HE图像样本相邻的连续切片样本的miRNA染色图像的图像数据204。而且，HE染色图像肿瘤区域信息206的信息被存储在HE染色图像肿瘤区域信息存储部133中。

另一方面，在诊断图像信息和检查对象存储部131中存储的具有图像标识符的染色信息203是miRNA染色的情况下，在miRNA染色图像数据存储部134中存储具有图像标识符202的图像数据204。而且，通过参考样本相邻信息205，在HE染色图像数据存储部132中存储与要诊断的miRNA染色图像样本相邻的连续切片样本的HE染色图像的图像数据204。而且，在HE染色图像肿瘤区域信息存储部133中存储HE染色图像肿瘤区域信息206的信息。当指定多个图像标识符时，搜索、对应和存储它们的每一个。

图像匹配处理部123分别从HE染色图像数据存储部132和miRNA染色图像数据存储部134读取HE染色图像和miRNA染色图像，并且计算该HE染色图像和miRNA染色图像的匹配位置。而且，图像匹配处理部123在匹配位置信息存储部135中存储匹配位置信息，并且将处理转移到miRNA染色图像肿瘤区域提取部124。匹配位置信息的示例包括旋转角度和水平/垂直未对准宽度。因为HE染色图像和miRNA染色图像是通过染色连续的切片而获得的图像，所以它们可能彼此非常类似。例如，可以使用相同色调或不同色调的颜色来执行HE染色和miRNA染色。然而，因为HE染色图像和miRNA染色图像进行匹配处理，所以优选的是，在miRNA染色中使用与HE染色中使用的颜色不同色调的颜色来染色细胞。通常，在HE染色中，使用苏木精将细胞核染色为蓝色，并且使用曙红将细胞质染色为粉红。例如，可以通过要使用的显色物质或荧光物质等来适当地设置在miRNA染色中使用的颜色的色调。在图像匹配中，每一个图像被二值化，并且，可以使用纯相位相关方法、序贯相似检测算法和使用特异点的方法。

miRNA染色图像肿瘤区域提取部124分别从HE染色图像肿瘤区域信息存储部133、miRNA染色图像数据存储部134和匹配位置信息存储部135读取HE染色图像肿瘤区域信息、miRNA染色图像数据和匹配位置信息，并且，计算在miRNA染色图像数据中的肿瘤区域。而且，miRNA染色图像肿瘤区域提取部124在miRNA染色图像肿瘤区域信息存储部136中存储miRNA染色图像数据中的肿瘤区域的信息，并且将处理转移到染色阳性细胞含有率计算部125。

染色阳性细胞含有率计算部125分别从miRNA染色图像数据存储部134和miRNA染色图像肿瘤区域信息存储部136读取miRNA染色图像数据和肿瘤区域信息。然后计数在肿瘤区域中的染色阳性细胞核的数量和染色阴性细胞核的数量，并且计算染色阳性细胞含有率以从输出装置112输出。

参考图3至6中所示的流程图，下面将作为根据本发明的图像诊断支持方法和图像诊断支持程序的实施方案1B来描述在图1中所示的***的操作示例。在本实施方案中，将基于下述假设进行说明：在miRNA染色中，阳性细胞核被染色为蓝色，并且阴性细胞核被染色为棕红色。然而，应当注意，本发明不限于此，并且可以例如通过用于指定染色细胞核的一般方法来计数阳性细胞核和阴性细胞核。具体地说，例如，关于要进行miRNA染色的载片，可以通过一般的染色方法来染色细胞核，并且可以计数miRNA染色阳性细胞核和miRNA染色阴性细胞核。

总之，这个实施方案的方法是用于支持基于病理图像的癌症诊断的方法，并且包括下面的步骤(a)至(e)。而且，这个实施方案的程序是用于支持基于病理图像的癌症的诊断的程序，该程序使得计算机执行(a)至(e)。

(a)图像获得步骤，获得HE染色图像和miRNA染色图像作为要诊断的病理图像；

(b)信息获得步骤，获得在HE染色图像中的肿瘤区域的信息；

(c)匹配步骤，计算图像获得步骤中获得的HE染色图像和miRNA染色图像的匹配位置；

(d)指定步骤，基于在信息获得步骤中获得的在HE染色图像中的肿瘤区域的信息和在匹配步骤中计算的匹配位置的信息来指定在miRNA染色图像中的肿瘤区域；以及

(e)计算步骤，基于在指定步骤指定的miRNA染色图像中的肿瘤区域的信息来计算在miRNA染色图像的肿瘤区域中的染色阳性细胞的含有率。

更详细而言，当开始处理时，在染色图像数据库113中存储受检者标识符201、图像标识符202、染色信息203、图像数据204、样本相邻信息205和HE染色图像肿瘤区域信息206，它们全部是受检者的一系列数据。肿瘤区域信息206是通过从HE染色图像预先计算肿瘤区域而获得的信息、或由医生指定的肿瘤区域信息。当在这样的状态中启动处理装置120时，开始在图3中所示的处理。

首先，从输入装置111向处理装置120的输入接受处理部121提供：HE染色图像的图像标识符或miRNA染色图像的图像标识符，其指定诊断图像；以及，miRNA检查项目要求，其指定检查对象癌症标志物miRNA。输入接受处理部121将用于指定诊断图像的信息和用于指定检查对象的信息从存储装置130的诊断图像信息和检查对象存储部131传送到染色图像和肿瘤区域信息获得部122。然后，处理转移到染色图像和肿瘤区域信息获得部122(步骤S301)。

接下来，染色图像和肿瘤区域信息获得部122在诊断图像信息和检查对象存储部131中对染色图像数据库113搜索图像标识符。当具有指定的图像标识符的染色信息203是HE染色时，染色图像和肿瘤区域信息获得部122在HE染色图像数据存储部132中存储具有图像标识符的图像数据204。而且，HE染色图像肿瘤区域信息206被存储在HE染色图像肿瘤区域信息存储部133中。而且，读取在诊断图像信息和检查对象存储部131中的miRNA检查项目，参考在染色图像数据库113中的样本相邻信息205，并且，在miRNA染色图像数据存储部134中存储作为与HE染色图像相邻的连续切片样本的miRNA染色图像数据204。

另一方面，当具有指定的图像标识符的染色信息203是miRNA染色是，在miRNA染色图像数据存储部134中存储具有图像标识符的图像数据204。而且，参考染色图像数据库113的样本相邻信息205，并且在HE染色图像数据存储部132中存储作为与miRNA染色图像相邻的连续切片样本的HE染色图像数据204。而且，在HE染色图像肿瘤区域信息存储部133中存储HE染色图像肿瘤区域信息206。然后，处理转移到图像匹配处理部123(步骤S302)。

图像匹配处理部123计算在HE染色图像数据存储部132中存储的HE染色图像和在miRNA染色图像数据存储部134中存储的miRNA染色图像的匹配位置。例如，在调整两个图像的色标后，通过使用纯相位相关方法来执行匹配位置的计算。如此获得的匹配位置信息被存储在匹配位置信息存储部135中。匹配位置信息的示例包括旋转角度和水平/垂直未对准宽度。然后，处理转移到miRNA染色图像肿瘤区域提取部124(步骤S303)。

miRNA染色图像肿瘤区域提取部124计算从在HE染色图像肿瘤区域信息存储部133中存储的HE染色图像的肿瘤区域信息和在匹配位置信息存储部135中存储的匹配位置信息来计算在miRNA染色图像数据存储部134中存储的miRNA染色图像中的肿瘤区域。miRNA染色图像肿瘤区域提取部124在miRNA染色图像肿瘤区域信息存储部136中存储如此获得的miRNA染色图像的肿瘤区域信息。然后，处理转移到染色阳性细胞含有率计算部125(步骤S304)。

染色阳性细胞率计算部125接收在miRNA染色图像数据存储部134中存储的miRNA染色图像数据和在miRNA染色图像肿瘤区域信息存储部136中存储的肿瘤区域信息。然后，染色阳性细胞率计算部125计数在肿瘤区域中的染色阳性细胞核的数量和染色阴性细胞核的数量，并且计算染色阳性细胞含有率以从输出装置112输出(步骤S305)。当染色阳性细胞核被染色为棕红色并且染色阴性细胞核被染色为蓝色时，计数被染色为棕色的细胞核的数量和被染色为蓝色的细胞核的数量。例如，根据在图4、5和6中所示的过程，并且如下所述，执行这个处理。

首先，基于所接收的miRNA染色图像数据和肿瘤区域信息来遮蔽miRNA染色图像数据的肿瘤区域的外部(步骤S401)。在肿瘤区域中，通过判别分析来识别作为染成棕色的区域的棕色区域和染成蓝色的区域的蓝色区域(步骤S402)。

在这个处理中，首先，图像数据被转换为HSV颜色空间(步骤S501)，根据S(饱和度)和V(明度)来去除未染色的区域(步骤S502)，并且，将H(色调)的值范围从[0，1]向[0.3，1.3]转换(步骤S503)。接下来，查看所有像素的H(色调)值是否被包括在范围[0.3，0.8]和范围[0.8，1.3]的任何一个中(步骤S504)。当在一个区域中包括所有的像素时，[0.3，0.8]被输出为蓝色区域，并且[0.8，1.3]被输出为棕色区域(步骤S507)。当在两个区域中存在像素时，通过判别分析来计算阈值t(步骤S505)，并且，[0.3，t]被输出为蓝色区域，[t，1.3]被输出为棕色区域(步骤S506)。

接下来，在棕色区域中执行核提取(步骤S403)，并且随后，在蓝色区域中执行核提取(步骤S404)。在这些步骤中，首先，当输入棕色区域或蓝色区域时(步骤S601)，根据V(明度)值的平均值和分布来计算通过使用S型函数来强调V(明度)值而获得的V’值(步骤S602)。然后，以下述方式来执行向二值图像的转换：当V’值等于或小于特定阈值时，输入区域被设置为在核区域内(＝1)；并且，当V’值大于阈值时，输入区域被设置为在核区域之外(＝0)(步骤S603)。接下来，通过向二值图像应用高斯滤波器执行相邻像素比较，来计算核的位置(步骤S604)。

接下来，计数在棕色区域中检测到的核数量(步骤S405)，并且计数在蓝色区域中检测到的核数量(步骤S406)。最后，计算棕色核的数量与核的总数的比率，即，棕色核的数量/(棕色核的数量+蓝色核的数量)(步骤S407)。

下面描述本实施方案的效果。在本实施方案中，图像获得单元获得HE染色图像和miRNA染色图像，并且信息获得单元获得在HE染色图像中的肿瘤区域的信息。其后，匹配单元计算HE染色图像和miRNA染色图像的匹配位置。随后，指定单元基于在HE染色图像的肿瘤区域的信息和匹配位置的信息来指定在miRNA染色图像中的肿瘤区域。然后，计算单元基于在miRNA染色图像中的肿瘤区域的信息来计算在miRNA染色图像的肿瘤区域中的染色阳性细胞含有率。由此，可以作为量化值获得染色阳性细胞的含有率。结果，变得有可能医生可以通过基于该量化值的miRNA染色来执行诊断。

而且，因为近些年来组织诊断和细胞学诊断的病例数量增加并且病理学家的数量较少，所以已经有迫使病理学家长时间工作的问题。在这一点上，根据本实施方案，可以减轻医生等的劳动负担。

另外，根据本实施方案，通过作为连续切片样本图像的HE染色图像和miRNA染色图像的匹配，可以将在HE染色图像中确定的肿瘤区域与miRNA染色图像相对应。而且，例如，通过对H(色调)值应用判别分析，可以识别棕色区域和蓝色区域。而且，通过在各个棕色区域和蓝色区域中执行核提取，可以计算棕色核的数量与核的总数的比率。因此，通过向医生等提供染色阳性细胞的含有率，有可能对医生的诊断提供有帮助的信息，由此支持诊断。

(实施方案1C)

图7是示出根据本发明的图像诊断支持***的另一个示例的框图。本实施方案的***与在图1中所示的根据实施方案1B的***的不同在于：染色阳性细胞含有率计算部125除了染色阳性细胞含有率之外也计算染色强度。除非另外说明，其他配置和操作与实施方案1B的那些相同。

在图7中，染色阳性细胞的含有率和染色强度计算部725分别从miRNA染色图像数据存储部134和miRNA染色图像肿瘤区域信息存储部136读取miRNA染色图像数据和肿瘤区域信息。然后，染色阳性细胞含有率和染色强度计算部725计数在肿瘤区域中的染色阳性细胞核的数量和染色阴性细胞核的数量，以计算染色阳性细胞的含有率，并且进一步计算染色强度以从输出装置112输出。

参考在图8至10中所示的流程图，下面作为根据本发明的图像诊断支持方法和图像诊断支持程序的实施方案1C来描述在图7中所示的***的操作示例。

本实施方案的处理与图3中所示的实施方案1B的处理的不同在于：不仅计算染色阳性细胞的含有率，而且计算染色强度，并且其他操作与在实施方案1B中的那些相同。

染色阳性细胞的含有率和染色强度计算部725接收在miRNA染色图像数据存储部134中存储的miRNA染色图像数据和在miRNA染色图像肿瘤区域信息存储部136中存储的肿瘤区域。然后，染色阳性细胞的含有率和染色强度计算部725计数在肿瘤区域中的染色阳性细胞核的数量和染色阴性细胞核的数量，以计算染色阳性细胞的含有率，并且计算染色强度(0：阴性，1：弱阳性，2：中等阳性，3：强阳性)以从输出装置112输出(步骤S805)。例如，根据在图9和10中所示的过程，并且如下所述，执行这个处理。

该处理与在图4中所示的实施方案1B的处理直到图9的步骤S407都相同。在步骤S407之后，在棕色区域中计算核染色强度(步骤S908)。

首先，输入在图9的步骤S402中确定的棕色区域(步骤S1001)。然后，根据V(明度)的平均值和分布，计算通过使用S型函数来强调V而获得的V’(步骤S1002)。当V’值等于或小于特定阈值x时，输入区域被设置为在核区域内，并且计数其中的像素X的数量(步骤S1003)。

接下来，设置满足0＜a＜b＜c＜1的常数a、b和c，并且，确定满足条件V≤a的像素数量与在核区域中的像素数量的比率。当该比率不小于特定比率时(步骤S1004)，它被输出为染色强度“3：强阳性”(步骤S1005)。如果不是这种情况，则确定满足条件V≤b的像素数量与在核区域中的像素数量的比率。当该比率不小于特定比率时(步骤S1006)，它被输出为染色强度“2：中等阳性”(步骤S1007)。如果不是这种情况，则确定满足条件V≤c的像素数量与在核区域中的像素数量的比率。当该比率不小于特定比率时(步骤S1008)，它被输出为染色强度“1：弱阳性”(步骤S1009)。如果不是这种情况，则它被输出为染色强度“0：阴性”(步骤S1010)。

下面描述本实施方案的效果。虽然在实施方案1B中仅向医生提供染色阳性细胞的含有率，但是在实施方案1C中有可能向医生等不仅提供染色阳性细胞的含有率而且提供染色强度。因此，有可能对医生的诊断提供更有帮助的信息，由此支持诊断。本实施方案的其他效果与实施方案1B的那些相同。

(实施方案1D)

图11是示出根据本发明的图像诊断支持***的另一个示例的框图。本实施方案的***与在图1中所示的根据实施方案1B的***的不同在于：本实施方案的***具有肿瘤确定和肿瘤区域计算部(肿瘤区域计算单元)1126。除非另外说明，其他配置和操作与在实施方案1B中的那些相同。另外，在染色图像数据库113中累积至少一个HE染色图像、作为与HE染色图像的样本相邻的连续切片的样本的miRNA染色图像、和HE染色图像与miRNA染色图像的样本相邻信息。在本实施方案中，从miRNA染色图像计算或由医生等确定的肿瘤区域信息的存在不是必要的。

在图11中，染色图像和肿瘤区域信息获得部122从染色图像数据库113获得HE染色图像204、miRNA染色图像204和HE染色图像肿瘤区域信息206，并且将它们分别存储在存储装置130的HE染色图像数据存储部132、miRNA染色图像数据存储部134和HE染色图像肿瘤区域信息存储部133中。在此，当存在肿瘤区域信息206时，处理转移到图像匹配处理部123；然而，当不存在肿瘤区域信息206时，处理转移到肿瘤确定和肿瘤区域计算部1126。

肿瘤确定和肿瘤区域计算部1126从HE染色图像数据存储部132读取HE染色图像数据，确定肿瘤和计算肿瘤区域，并且将处理转移到图像匹配处理部123。作为肿瘤确定的方法和肿瘤区域计算的方法，例如，可以使用在专利文件1中公开的那些。

下面描述本实施方案的效果。在本实施方案中，即使当在HE染色图像中未确定肿瘤时，可以通过提供肿瘤确定和肿瘤区域计算部来执行一系列处理。因此，可以向医生等提供从癌症诊断到免疫组织化学染色图像诊断整合的诊断信息。因此，有可能提供有益于医生诊断的信息，由此支持诊断。本实施方案的其他效果与在实施方案1B中的那些相同。

同时，在本实施方案中，可以象在实施方案1C中那样与染色阳性细胞的含有率一起计算染色强度。

(实施方案1E)

图12是示出根据本发明的图像诊断支持***的另一个示例的框图。本实施方案的***包括：载片成像部1222(载片获得单元)，其取代在图1等中所示的染色图像和肿瘤区域信息获得部122；载片数据库1213，其取代染色图像数据库113；以及，诊断载片信息和检查对象存储部1231，其取代诊断图像信息和检查对象存储部131。而且，***具有载片成像装置1214以及肿瘤确定和肿瘤区域计算部1126。除非另外说明，其他配置和操作与在实施方案1B中的那些相同。

在载片数据库1213中累积至少一个HE染色载片、作为与HE染色载片的样本相邻的连续切片的样本的miRNA染色载片、以及HE染色载片和miRNA染色载片的样本相邻信息。关于受检者的相关信息通过受检者标识符与每一个载片相关联。载片成像装置1214成像指定的载片以转换为数字数据。

输入接受处理部121通过输入装置111从用户等接受用于指定要诊断的载片的信息(载片标识符)和用于指定检查类型的信息。然后，输入接受处理部121将它们存储在存储装置130的诊断载片信息和检查对象存储部1231中，并且将处理转移到载片成像部1222。

载片成像部1222从载片数据库1213获得作为要诊断的相邻样本的HE染色载片和miRNA染色载片。而且，载片成像部1222通过成像由载片成像装置1214获得的载片并且将它们转换为数字数据，来获得HE染色图像和miRNA图像。然后，这些图像被分别存储在存储装置130的HE染色图像数据存储部132和miRNA染色图像数据存储部134中，并且处理转移到肿瘤确定和肿瘤区域计算部1126。如上所述，在本实施方案中，载片成像部1222具有载片获得单元和图像获得单元两者的功能。

下面说明本实施方案的效果。在本实施方案中，即使当病理载片未被转换为数字数据时，也通过提供载片成像装置、载片数据和载片成像部来执行一系列处理。因此，可以向医生等提供从载片成像至癌症诊断并且进一步至免疫组织化学地染色图像诊断的综合诊断信息。因此，有可能提供有益于医生诊断的信息，由此支持诊断。本实施方案的其他效果与在实施方案1B中的那些相同。

同时，在本实施方案中，可以象在实施方案1C中那样与染色阳性细胞的含有率一起计算染色强度。

本发明不限于上述示例性实施方案，并且可以进行各种修改。例如，上述示例性实施方案涉及输入接受处理部121接受用于指定诊断图像的图像标识符的情况。然而，输入接受处理部121可以接受诊断目标的受检者标识符来代替图像标识符。在该情况下，染色图像和肿瘤区域信息获得部122可以对染色图像数据库113搜索具有受检者标识符和肿瘤区域信息的图像。

第二实施方案

根据本发明的癌症病理图像诊断支持装置(以下称为“图像诊断支持装置”)包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元计算与每个所述候选特征对应的每个所述学习模式的特征，并且作为所述特征集合的第一特征确定候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值；并且，在已知确定的特征的条件下依序确定作为所述特征集的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个学习模式的所述类别信息之间的相互信息量取最大值。所述目录表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，产生包括所述学习模式的每一个特征和所述类别信息的所述分类表，并且使用所述分类表来分类所述模式。所述特征提取单元使用所述特征集合来计算输入模式的每一个特征。所述诊断单元根据所述诊断的结果和所述分类表来诊断所述输入模式。

根据本发明的所述图像诊断支持装置包括：

学习模式输入单元，用于从要用来学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元根据所述特征的值来准备要进行迁移的预定数量的所述学习模式集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于一所述学习模式集合的类别信息的相互信息量取最大值，根据如此确定的所述特征来分配具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知关于分别包含所述学习模式和所述确定的特征的集合的信息的条件下，依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值。所述分类表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，产生包括所述学习模式的每一个特征和所述类别信息的所述分类表，并且使用所述分类表来分类所述模式。所述特征提取单元使用所述特征集合来计算输入模式的每一个特征。所述诊断单元根据所述输入模式的每一个特征和迁移表来引起每一个所述输入模式的迁移，所述转换表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的一集合，并且所述诊断单元根据作为所述迁移的结果的所述输入模式所属的集合来诊断所述输入模式。

根据本发明的图像诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元根据所述特征的值来准备要进行迁移的预定数量的所述学习模式集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于一集合所述学习模式的类别信息的相互信息量取最大值，根据如此确定的所述特征来分发具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知关于分别包含所述学习模式和所述确定的特征的集合的信息的条件下，依序确定作为所述特征集合的下一个征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值。所述分类表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和分类信息的分类表来分类所述模式。所述特征提取单元使用所述特征集合来计算输入模式的每一个特征，所述每一个特征用于指示在某个顺序的所述特征取预定值的概率。所述诊断单元根据所述输入模式的每一个特征和迁移表来计算所述输入模式包括预定的类别信息的概率，然后进行所述诊断，所述转换表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的集合。

在本发明的所述图像诊断支持装置中，优选的是，所述学习模式输入单元和所述模式输入单元从在预先染色的所述病理图像中的每一个像素的R、G和B值选择属于预定肿瘤的细胞核所属的色区域的像素，计算在所述色区域的分布中心和属于所述色区域的每一个像素之间的距离，根据所述距离向每一个像素分配信号，检测在所述病理图像中的信号分布的峰值，并且输入以所述峰值为中心的图像作为所述学习模式。

在本发明的所述图像诊断支持装置中，优选的是，由所述特征产生单元产生的候选特征包括从特征提取函数获得的候选特征。

在本发明的所述图像诊断支持装置中，优选的是，由所述特征产生单元产生的所述候选特征包括使用通过归一化复变Gabor函数而获得的特征提取函数而获得的候选特征。

在根据本发明的所述图像诊断支持装置中，优选的是，由所述候选特征产生单元产生的候选特征包括用于区分肿瘤的颜色的候选特征。

在根据本发明的所述图像诊断支持装置中，优选的是，所述特征确定单元将由所述学习模式输入单元计算的所述学习模式中包括的每一个像素的信号与预定阈值作比较。

在根据本发明的所述图像诊断支持装置中，优选的是，所述特征确定单元将由所述学***均值作比较。

在根据本发明的所述图像诊断支持装置中，优选的是，所述特征确定单元使用每一个所述候选特征的预定噪声参数来对所述学习模式的每一个进行操作。

在根据本发明的所述图像诊断支持装置中，优选的是，所述特征确定单元计算所述学习模式的特征取预定值的概率，作为与每一个所述候选特征对应的每一个所述学习模式的特征。

在根据本发明的所述图像诊断支持装置中，优选的是，当可以与特征的值无关地分类所述学习模式时，所述分类表产生单元在所述分类表的相关位置处用冗余项代替特征的值。

在根据本发明的所述图像诊断支持装置中，优选的是，所述输入模式的每一个特征是所述特征在某个顺序时取预定值的概率的值；并且，所述诊断单元通过下述方式来进行判断：使用所述特征来计算在所述分类表中包含的每一个所述特征模式取分类信息的预定值的概率。

而且，根据本发明的图像诊断支持程序的特征在于，它可以使得计算机执行本发明的图像诊断方法。本发明的图像诊断支持程序是例如用于图像诊断支持装置的图像诊断支持程序，所述图像诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述程序使得相应的单元执行下面的处理：处理，其中所述特征确定单元计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值；并且，在已知所述确定的特征的条件下依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和所述相关联的一个学习模式的所述类别信息之间的相互信息量取最大值；

处理，其中，所述分类表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和所述类别信息的所述分类表来分类所述模式；

处理，其中，所述特征提取单元使用所述特征集合来计算输入模式的每一个特征；以及

处理，其中，所述诊断单元根据所述计算的结果和所述分类表来诊断所述输入模式。具体地说，根据本发明的所述程序是使得所述图像诊断支持装置的相应单元执行上述处理步骤的程序。

本发明的图像诊断支持程序是用于一种图像诊断支持装置的图像诊断支持程序，所述图像诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述程序使得相应单元执行下面的处理：处理，其中所述特征确定单元根据所述特征的值来准备要进行迁移的预定数量的所述学习模式的集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值，根据如此确定的所述特征来分配具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知关于分别包含所述学习模式和所述确定的特征的集合的信息的条件下，依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值；

处理，其中，所述分类表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，产生包括所述学习模式的每一个特征和所述类别信息的所述分类表，并且使用所述分类表来分类所述模式；以及

处理，其中，所述诊断单元根据所述输入模式的每一个特征和迁移表来引起每一个所述输入模式的迁移，所述迁移表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的集合，并且所述诊断单元根据作为所述迁移的结果的所述输入模式所属的集合来诊断所述输入模式。具体地说，根据本发明的所述程序是用于使得所述图像诊断支持装置的相应单元执行上述处理步骤的程序。

本发明的图像诊断支持程序是用于一种图像诊断支持装置的图像诊断支持程序，所述图像诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述程序使得相应单元执行下面所述的一系列处理：处理，其中，所述特征确定单元根据所述特征的值来准备要进行迁移的预定数量的所述学习模式集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值，根据如此确定的所述特征来分配具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知关于分别包含所述学习模式和所述确定的特征的集合的信息的条件下，依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值；

处理，其中，所述分类表产生单元使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和分类信息的分类表来分类所述模式；

处理，其中，所述特征提取单元使用所述特征集合来计算输入模式的每一个特征，所述每一个特征用于指示所述特征在某个顺序时取预定值的概率；以及

处理，其中，所述诊断单元根据所述输入模式的每一个特征和迁移表来计算所述输入模式包括预定的类别信息的概率，然后进行所述诊断，所述迁移表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的集合。具体地说，根据本发明的所述程序是用于使得所述图像诊断支持装置的相应单元执行上述处理步骤的程序(以下相同)。

在本发明的所述图像诊断支持程序中，优选的是，例如，所述学习模式输入单元和所述模式输入单元包括：用于从在预先染色的所述病理图像中的每一个像素的R、G和B值中选择属于预定治疗的细胞核所属的色区域的像素的处理，用于计算在所述色区域的分布中心和属于所述色区域的每一个像素之间的距离的处理；用于根据所述距离向每一个像素分配信号的处理；用于检测在所述病理图像中的信号的分布的峰值的处理；以及，用于输入以所述峰值为中心的图像来作为所述学习模式的处理。

在本发明的所述图像诊断支持程序中，优选的是，由所述特征产生单元产生的候选特征包括从特征提取函数获得的候选特征。

在本发明的所述图像诊断支持程序中，优选的是，由所述特征产生单元产生的所述候选特征包括使用通过归一化复变Gabor函数而获得的特征提取函数所获得的候选特征。

在本发明的所述图像诊断支持程序中，优选的是，由所述候选特征产生单元产生的候选特征包括用于区分肿瘤的颜色的候选特征。

本发明的所述图像诊断支持程序优选包括例如：处理，其中，所述特征确定单元将由所述学习模式输入单元计算的所述学习模式中包括的每一个像素的信号与预定阈值作比较。

本发明的所述图像诊断支持程序优选包括例如：处理，其中，所述特征确定单元将由所述学***均值作比较。

本发明的所述图像诊断支持程序优选包括例如：处理，其中，所述特征确定单元使用每一个所述候选特征的预定噪声参数来对于所述学习模式的每一个进行操作。

本发明的所述图像诊断支持程序优选包括例如：处理，其中，所述特征确定单元计算所述学习模式的特征取预定值的概率，作为与每一个所述候选特征对应的每一个所述学习模式的特征。

本发明的所述图像诊断支持程序优选包括例如：处理，其中，当可以与特征的值无关地分类所述学习模式时，所述分类表产生单元在所述分类表的相关联的位置处用冗余项代替特征的值。

在根据本发明的所述图像诊断支持程序中，优选的是，所述输入模式的特征的每一个是所述特征在某个顺序时取预定值的概率的值；并且，所述程序进一步包括处理，其中，所述诊断单元通过使用所述特征来计算在所述分类表中包含的所述特征模式的每一个取分类信息的预定值的概率，以便进行确定。

本发明提供了一种使用病理诊断支持装置的病理诊断支持方法，所述病理诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元执行下述步骤：计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值，并且在已知所述确定的特征的条件下依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值。所述分类表产生单元执行下述步骤：使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和所述类别信息的所述分类表来分类所述模式。所述特征提取单元执行使用所述特征集合来计算输入模式的每一个特征的步骤。所述诊断单元执行根据所述计算的结果和所述分类表来诊断所述输入模式的步骤。在本发明的方法中，图像诊断支持装置的使用不是必要的，并且它可以是其中执行上述相应的各个步骤的方法。

本发明提供了一种使用病理诊断支持装置的图像病理诊断支持方法，所述病理诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元执行以下步骤：根据所述特征的值来准备要进行迁移的预定数量的所述学习模式的集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值，根据如此确定的所述特征来分配具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知所述确定的特征的条件下，依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值。所述分类表产生单元执行以下步骤：使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和所述类别信息的所述分类表来分类所述模式。所述特征提取单元执行使用所述特征集合来计算输入模式的每一个特征的步骤。所述诊断单元执行以下步骤：根据所述输入模式的每一个特征和迁移表来引起每一个所述输入模式的迁移，所述迁移表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的集合，并且根据作为所述迁移的结果的所述输入模式所属的集合来诊断所述输入模式。在本发明的方法中，图像诊断支持装置的使用不是必要的，并且它可以是其中执行上述相应的各个步骤的方法。

本发明提供了一种使用病理诊断支持装置的图像病理诊断支持方法，所述病理诊断支持装置包括：

学习模式输入单元，用于从要用于学习的病理图像获得以肿瘤为中心的图像，并且将所述图像作为学习模式向其输入；

学习模式存储单元，用于存储和保持附有类别信息的所述学习模式；

候选特征产生单元，用于产生多个候选特征；

特征确定单元，用于使用由所述候选特征产生单元产生的候选特征来确定适合于诊断的特征的特征集合；

特征存储单元，用于存储和保持由所述特征确定单元确定的特征的集合；

分类表产生单元，用于产生分类表；

模式输入单元，用于从要诊断的病理图像获得以候选肿瘤为中心的图像，并且将所述图像作为输入模式输入；

特征提取单元，用于从所述输入模式提取特征；以及

诊断单元，用于基于所述特征来进行诊断。所述特征确定单元执行以下步骤：根据所述特征的值来准备要进行迁移的预定数量的所述学习模式的集合，计算与每一个所述候选特征对应的每一个所述学习模式的特征，并且确定作为所述特征集合的第一特征的候选特征，对于这个候选特征而言，关于所述学习模式集合的类别信息的相互信息量取最大值，根据如此确定的所述特征来分配具有权重的所述学习模式，依序引起所述学习模式向与所述特征对应的所述集合之一的迁移，并且，在已知所述确定的特征的条件下，依序确定作为所述特征集合的下一个特征的候选特征，对于这个候选特征而言，在与每一个候选特征对应的每一个学习模式的特征和相关联的一个所述学习模式的所述类别信息之间的相互信息量取最大值。所述分类表产生单元执行以下步骤：使用所述特征集合来计算每一个所述学习模式的每一个特征，并且使用包括所述学习模式的每一个特征和分类信息的分类表来分类所述模式。所述特征提取单元执行以下步骤：使用所述特征集合来计算输入模式的每一个特征，所述每一个特征用于指示所述特征在某个顺序时取预定值的概率的每一个特征。所述诊断单元执行以下步骤：根据所述输入模式的每一个特征和迁移表来计算所述输入模式包括预定的类别信息的概率，然后进行所述诊断，所述迁移表依序记录了在确定所述特征集合的每个特征时所述学习模式所属的集合。在本发明的方法中，图像诊断支持装置的使用不是必要的，并且它可以是其中执行上述相应的各个步骤的方法。

在本发明的所述图像诊断支持方法中，优选的是，所述学习模式输入单元和所述模式输入单元执行：从在预先染色的所述病理图像中的每一个像素的R、G和B值选择属于预定肿瘤的细胞核所属的色区域的像素的步骤；计算在所述色区域的分布中心和属于所述色区域的每一个像素之间的距离的步骤；根据所述距离向每一个像素分配信号的步骤；检测在所述病理图像中的信号的分布的峰值的步骤；和输入以所述峰值为中心的图像来作为所述学习模式的步骤。

在本发明的所述图像诊断支持方法中，优选的是，由所述特征产生单元产生的候选特征包括从特征提取函数获得的候选特征。

在本发明的所述图像诊断支持方法中，优选的是，由所述特征产生器单元产生的所述候选特征包括使用通过归一化复变Gabor函数而获得的特征提取函数来获得的候选特征。

在本发明的所述图像诊断支持方法中，优选的是，由所述候选特征产生单元产生的候选特征包括用于区分肿瘤的颜色的候选特征。

在本发明的所述图像诊断支持方法中，优选的是，所述特征确定单元执行以下步骤：将在由所述学习模式输入单元计算的所述学习模式中包括的每一个像素的信号与预定阈值作比较。

在本发明的所述图像诊断支持方法中，优选的是，所述特征确定单元执行以下步骤：将在由所述学***均值作比较。

在本发明的所述图像诊断支持方法中，优选的是，所述特征确定单元执行以下步骤：使用每一个所述候选特征的预定噪声参数来对于每一个所述学习模式进行操作。

在本发明的所述图像诊断支持方法中，优选的是，所述特征确定单元执行以下步骤：计算所述学习模式的特征取预定值的概率，作为与每一个所述候选特征对应的每一个所述学习模式的的特征。

在本发明的所述图像诊断支持方法中，优选的是，当可以与特征的值无关地分类所述学习模式时，所述分类表产生单元执行以下步骤：在所述分类表的相关联的位置处用冗余项代替特征的值。

在本发明的所述图像诊断支持方法中，优选的是，所述输入模式的每一个特征是所述特征在某个顺序时取预定值的概率的值；并且，所述诊断单元执行通过下述方式来进行判断的步骤：通过使用所述特征来计算在所述分类表中包含的每一个所述特征模式取分类信息的预定值的概率。

本发明提供了一种图像诊断支持***，包括：

信息处理终端，用于保存病理图像数据，所述病理图像数据包括病理图像和所述图像附有的对于患者唯一的信息；以及

图像诊断服务器，用于诊断所述病理图像数据。

所述图像诊断服务器包括：

根据本发明的图像诊断支持装置，用于诊断在所述病理图像数据中包含的所述病理图像；以及

诊断结果存储单元，用于存储来自所述图像诊断支持装置的诊断结果以及对于所述患者唯一的所述信息。所述信息处理终端请求诊断结果与对于患者唯一的信息一起发送，并且图像诊断服务器将从信息处理终端接收的对于患者唯一的信息与连同诊断结果一起存储的对于患者唯一的信息作比较，然后，如果从信息处理终端接收的对于患者唯一的信息与连同诊断结果一起存储的对于患者唯一的信息相匹配，则向所述信息处理终端发送诊断结果。

本发明的图像诊断支持***优选进一步包括计费服务器，用于分别存储图像诊断支持装置和信息处理终端的使用费用的量。

在本发明的图像诊断支持***中，优选的是，当诊断结果存储单元存储诊断结果时，计费服务器累积图像诊断支持***的使用费用的量。

在本发明的图像诊断支持***中，优选的是，当信息处理终端接收到诊断结果时，计费服务器累积信息处理终端的使用费用的量。

根据本发明的服务器是在本发明的图像诊断支持***中使用的服务器。该服务器包括：服务器侧发送单元，其在服务器中经由通信网络向终端发送信息；服务器侧接收器单元，其接收从终端经由通信网络发送的信息；根据本发明的图像诊断支持装置，用于使用病理图像数据来诊断受检者；以及，诊断结果存储单元，用于存储图像诊断支持装置的诊断结果以及对于患者唯一的信息。服务器将从信息处理终端接收的对于患者唯一的信息与连同诊断结果一起存储的对于患者唯一的信息作比较，然后如果从信息处理终端接收的对于患者唯一的信息与连同诊断结果一起存储的对于患者唯一的信息相匹配，则向所述信息处理终端发送诊断结果。

本发明的终端是在本发明的图像诊断支持***中使用的终端。该终端是信息处理终端，用于保存包括病理图像和图像附有的对于患者唯一的信息的病理图像数据。该终端包括：终端侧发送单元，其将终端中的信息经由通信网络向服务器发送；以及，终端侧接收单元，其经由通信网络接收从服务器发送的信息。该终端请求发送带有对于患者唯一的信息的诊断结果，并且接收从服务器发送的诊断结果。

按照本发明的图像诊断支持装置、图像诊断支持方法、图像诊断支持程序和图像诊断支持***，在考虑细胞核和其***组织等中出现的改变在判别肿瘤的性质是良性还是恶性中的意义时，从病理图像提取主要包括细胞核和间质的子图像(子图像的图像数据)，并且，子图像被存储为学习模式和输入模式。基于子图像，可以在短时间中高精度地确定肿瘤的存在或不存在和其良性或恶性。在本发明中，病理图像是上述的癌症标志物染色图像。

根据如上所述的本发明的第二实施方案，例如，在考虑细胞核和其***组织等中出现的改变在判别肿瘤的性质是良性还是恶性中的意义时，提取子图像，并且子图像被存储为学习模式和输入模式。因此，基于子图像，可以在短时间中高精度地确定例如肿瘤的存在或不存在和其良性或恶性。

以下，参考实施方案2A和2B描述本发明。下面，癌症标志物染色图像被称为“miRNA染色图像”。然而，应当注意，本发明绝不限于这些实施方案。

(实施方案2A)

图13是示出根据本实施方案的图像诊断支持装置的配置的框图。如图13中所示，根据本实施方案的图像诊断支持装置包括学习模式输入单元1300、学习模式存储单元1301、候选特征产生单元1302、特征确定单元1303、特征存储单元1304、分类表产生单元1305和分类表1306。

学习模式输入单元1300从miRNA染色图像提取包括细胞核和细胞质等的子图像，然后在学习模式存储单元1301中存储子图像。

学习模式存储单元1301是在其中存储和保存用于学习的期望数量的子图像的单元。

候选特征产生单元1302是使用预定数量的特征参数集合来依序生成候选特征的单元。

特征确定单元1303在由候选特征产生单元1302产生的候选特征中确定最适合于模式判别的最佳特征集合。

特征存储单元1304是在其中存储和保存由特征确定单元1303确定的特征集合的单元。

分类表产生单元1305是使用由特征确定单元1303确定的特征集合来生成用于诊断的分类表1306的单元。

参见图14，将说明特征确定处理的过程。图14是说明在根据本实施方案的图像诊断支持装置中执行的特征确定处理的过程的流程图。

候选特征产生单元1302根据预先指定的大量(例如，N个)特征参数集合来依序生成候选特征(S1401)。在本实施方案中，在N个特征参数集合中，参数集合1至N_1是关于纹理的候选特征，参数集合N_1+1至N_1+N_2是关于颜色的候选特征，并且，参数集合N_1+N_2+1至N是关于使用***像素平均的颜色的候选特征。虽然在本实施方案中指定了关于纹理、颜色和使用***像素平均的颜色的候选特征，但是候选特征不限于此。即，确定每一个像素的特征所需要并且在病理图像中包含的任何元素可以作为候选特征产生。

接下来，将说明根据由候选特征产生单元1302产生的候选特征来确定由子图像处理的特征的方法。通过下面的程序1至3的任何一种来确定特征。

程序1

候选特征产生单元1302首先获取第s个特征参数集合。s＝1至N，并且，处理以s＝1开始。如果s≤N_1，则候选特征产生单元1302用第s个特征参数集合(k_s，r₀_s，σ_s，th_s)取代(k，r₀，σ，th)，以产生包括参数k、r₀和σ的如下面的表达式(1)中所示的复变Gabor函数Gab和高斯函数G。如果s≤N_1，则将在学习模式存储单元1301中作为学习模式存储的颜色的子图像根据灰度级转换为灰度图像。使用如此获得的灰度图像来计算特征c。

Gab(r；k，r₀、σ)

＝exp(ik(r-r₀)-|r-r₀|²/(2σ²))

G(r；r₀，σ)          …(1)

＝exp(-|r-r₀|²/(2σ²)/(2πσ²))

在表达式(1)中，r＝(x，y)指示位置向量，并且i²＝-1。候选特征产生单元1302向特征确定单元1303提供在表达式(1)中的复变Gabor函数Gab和高斯函数G以及候选特征的阈值参数th和标识号s(S1402)。

学习模式存储单元1301向特征确定单元1303发送多对数据项，其中每一个包括预定的M个子图像I_t(r，i_rgb)(t＝1至M)之一和该子图像所属的类别qt(t＝1至M)(步骤S1403)。在本实施方案的说明中，为了说明的简单，该装置使用两个类别(q＝0或1)。本发明不限于此，并且当然适用于包括三个类别或更多的情况。

使用从学习模式存储单元1301依序接收的子图像，特征确定单元1303使用候选特征根据下面的表达式(2)来计算特征c(步骤S1404)。候选特征是例如表达式(1)的复变Gabor函数和高斯函数以及其他参数。假定第t个学习模式是I_t(r，i_rgb)，对于所有的学习模式(M个模式)重复地执行计算。

$a={|\underset{r}{\mathrm{\&Sigma;}}I\_t(r,i\_\mathrm{rgb})\mathrm{Gab}(r;k,r_0,\mathrm{\&sigma;})|}^2$

$/\underset{r}{\mathrm{\&Sigma;}}I\_t{(r,i\_\mathrm{rgb})}^{2}G(r;r_0,\mathrm{\&sigma;})\&CenterDot;\&CenterDot;\&CenterDot;\left(2\right)$

c＝1如果a≥th

c＝0否则

在表达式(2)的上行中，分母是归一化(标准化)因子，用于抑制由于学习模式(图像亮度)的大小导致的“a”值的变化。该分母可以被替代为另一个归一化因子。根据要处理的学习模式，可以省略该归一化因子。

程序2

候选特征产生单元1302首先获取第s个特征参数集合。s是1至N，并且处理以s＝1开始。如果N_1+1≤s≤N_1+N_2，则候选特征产生单元1302向特征确定单元1303提供第s个特征参数集合(x_s，y_s，color_index)和该候选特征的标识号s(步骤S1402)。

在本说明书中，(x_s，y_s)指示用于确定在子图像中的特征c的像素的位置，并且color_inde(＝1至4)表示与特征c对应的颜色。

顺便提及，color_index(＝1至4)对应于例如颜色，如下所述。

癌症标志物miRNA的细胞的miRNA染色是表征病理图像中的重要因素。因此，优选的是，使用不同的颜色来染色细胞核、细胞质、间质和孔等。对于从这样的染色产生的miRNA染色图像，color_index＝1，2，3，4分别分配给细胞核、细胞质、间质和孔的颜色。

学习模式存储单元1301向特征确定单元1303提供数据项对，其中每一个包括预定的M个学习模式(彩色子图像)I_t(r，i_rgb)之一和该学习模式所属的类别qt(t＝1至M)(步骤SA1403)。r是像素坐标，并且i_rgb＝1至3是用于指定像素的r、g、b信号的参数，并且t＝1至M。在本实施方案中，为了说明的简单，该装置处理两个类别(q＝0或1)。本发明不限于此，并且当然适用于包括三个类别或更多的情况。

对于从学习模式存储单元1301接收的学习模式(步骤S1403)，特征确定单元1303以下面的方式来确定位于学习模式中的位置(x_s，y_s)处的像素的颜色。如果该颜色与由参数color_index指定的颜色匹配，则特征确定单元1303将特征c的值设置为1。否则，特征确定单元1303将该值设置为0(步骤S1404)。假定第t个学习模式为I_t(r，i_rgb)，则对于所有的学习模式(M个模式)重复地进行用于确定特征c的值的操作。

对于细胞核的颜色(color_index＝1)，在子图像检测中计算的每一个像素的苏木精信号与阈值(例如，0.25)作比较。如果该信号大于阈值，则确定像素的颜色是细胞核的颜色。为了自适应地确定阈值，则仅对于在所考虑的像素附近、苏木精信号值是例如至少0.25的像素，彼此相加苏木精信号值，由此计算苏木精信号值的平均值。该平均值乘以例如0.9，以获得所考虑的像素的阈值。如果所考虑的像素的苏木精信号值大于阈值，则可以将像素的颜色看作细胞核的颜色。

对于细胞核以外，即对于孔、细胞质和间质，根据预定的颜色区域来分类颜色。例如，对于每一个像素的R、G和B值执行HSV转换，并且这些值被转换为色调(H＝0至1)、饱和度(S＝0至1)和明度(V＝0至1)的值。如果所考虑的像素未被分类为具有细胞核的颜色的像素并且具有明度V＞0.92和饱和度S＜0.2，则像素的颜色被看作孔的颜色(color_index＝2)。如果像素颜色不是细胞核的颜色，也不是毛孔的颜色，并且具有色调H＜0.9并且明度V＜0.85，则认为该像素颜色是细胞质的颜色(color_index＝3)。在非上述情况下，确定该像素的颜色是间质的颜色(color_index＝4)。

程序3

候选特征产生单元1302首先获取第s个特征参数集合，s＝1至N，并且处理以s＝1开始。如果N_1+N_2+1≤s≤N，则候选特征产生单元1302向特征确定单元1303提供第s个的特征参数集合(x_s，y_s，color_index，th_s)和该候选特征的标识号s(步骤S1402)。

在本说明书中，(x_s，y_s)指定用于确定在子图像中的特征c的像素的位置，color_index(＝1至4)指示与特征c对应的颜色，并且th表示阈值参数。

对于从学习模式存储单元1301接收的学习模式(步骤S1403)，特征确定单元1303以下面的方式来确定特征c(步骤S1404)。假定第t个学习模式被表示为I_t(r，i_rgb)，则对于所有的学习模式(M个模式)重复地执行用于确定特征c的操作。

用于确定所考虑的像素的颜色对应于color_index(＝1至4)的处理与程序2几乎相同，从而省略其说明。

首先，特征确定单元1303查看在子图像像素位置(x_s，y_s)附近的像素，即，在x轴方向和y轴方向上与像素(x_s，y_s)间隔两个像素的范围内的像素(x’，y’)是否具有与由color_index指定的颜色匹配的颜色。像素(x’，y’)例如在与所考虑的像素(x_s，y_s)间隔两个像素的范围内，并且被表示为|x-x’|≤2和|y-y’|≤2。特征确定单元1303然后计数在该像素附近存在并且具有与color_index的颜色匹配的颜色的像素。特征确定单元1303然后将像素的数量除以在该像素附近的像素的总数，由此获得平均值。如果平均值超过阈值参数(th_s)，则特征c被设置为1。否则，特征c被设置为0。

特征确定单元1303也可以除了上述的三个程序之外进一步使用下述的程序来确定所考虑的像素的特征。

首先，特征确定单元1303对包括所考虑的像素的子图像中的每一个像素的R、G和B值进行HSV转换，然后将这些值转换为色调(H＝0至1)、饱和度(S＝0至1)和明度(V＝0至1)的值。特征确定单元1303然后以例如5个等级来表示H、S和V值。如果例如所考虑的像素的这些值的每一个等于或小于0.2(＝1/5)，则将像素的颜色表示为(1，1，1)。如果H和S值等于或小于0.2并且V值是0.2＜V≤0.4，则将像素的颜色表示为(1，1，2)。当由从候选特征产生单元102接收的(x，y，H’，S’，V’)指定的子图像中的位置(x，y)处的像素作为特征参数集合具有被表示为(H’，S’，V’)的颜色时，特征c是“1”。否则，特征c是“0”。

如上，当使用第s个候选特征(特征参数集合)对每一个子图像计算特征c时，特征确定单元1303根据下面的表达式(3)来计算从第s个候选特征获得的相互信息量MI，然后与候选特征的标识号s一起存储该量MI(步骤S1405)。

MI[Q；C]＝H[Q]-<H[Q|c]>_c

其中

$H\left[Q\right]=-\underset{q}{\mathrm{\&Sigma;}}P\left(q\right)\log P\left(q\right),P\left(q\right)=M\left(q\right)/M\&CenterDot;\&CenterDot;\&CenterDot;\left(3\right)$

$H\left[Q\right|c]=-\underset{q}{\mathrm{\&Sigma;}}P\left(q\right|c)\log P\left(q\right|c),$

P(q|c)＝M(q|c)/M(c)

在这一点上，Q是类别的集合{q＝0，q＝1}，并且，M指示子图像的总数。M(q)是属于类别q的子图像的总数，M(c)指示其特征是c的子图像的总数，并且，M(q，c)是其特征是c并且属于类别q的子图像的总数。

在表达式(3)中，<H[Q|c]>c指示对于c的平均化操作，并且使用下面的表达式(4)来计算它。

${<H\left[Q\right|c]>}_c=-\underset{c}{\mathrm{\&Sigma;}}P\left(c\right)H\left[Q\right|c].\&CenterDot;\&CenterDot;\&CenterDot;\left(4\right)$

P(c)＝M(c)/M

其后，从候选特征产生单元1302接收下一个候选特征，即，第(s+1)个候选特征，并且以相同的方式重复地处理(步骤S1402至S1405)。当对于所有的候选特征(N个候选)完成相互信息量MI的计算时，特征确定单元1303将各个候选特征的相互信息量MI彼此比较。然后，特征确定单元1303将具有相互信息量的最大值Max MI[Q；C]的候选特征确定为要确定的特征集合的第一特征(步骤S1406)。

在第一特征确定后，特征确定单元1303确定第二特征。以如上所述的相同方式，特征确定单元1303依序从候选特征产生单元1302接收候选特征(步骤S1402)，并且，根据每一个子图像来计算特征c(步骤S1403和S1404)。或者，根据可获得的存储容量，可以存储在确定第一特征时在步骤S1404的特征c的计算结果，并且，特征确定单元1303可以读出所存储的数据(候选特征)。当对于每一个子图像计算特征c时，特征确定单元1303使用第s个特征参数集合在已知已经确定的第一特征c₁的条件下根据下面的表达式(5)来计算从第s个候选特征获得的相互信息量MI₂，然后将所述量MI₂与候选特征的标识号s一起存储(步骤S1405)。

MI₂[Q；C|C₁]＝<H[Q|c₁]>_c1

          -<H[Q|(c，c₁)]>_c1-c

其中

$H\left[Q\right|c1]=-\underset{q}{\mathrm{\&Sigma;}}P\left(q\right|c_1)\log P\left(q\right|c_1),\&CenterDot;\&CenterDot;\&CenterDot;\left(5\right)$

P(q|c₁)＝M(q，c₁)/M(c₁)

$H\left[Q\right|c,c1]=-\underset{q}{\mathrm{\&Sigma;}}P\left(q\right|c,c_1)\log P\left(q\right|c,c_1),$

P(q|c，c₁)＝M(q，c，c₁)/M(c，c₁)

在表达式(5)中，M(c₁)是其第一特征是c₁的子图像的总数，M(q，c₁)指示其第一特征是c₁并且属于类别q的子图像的总数。M(c，c₁)指示其特征是c并且其第一特征是c₁的子图像的总数。M(q，c，c₁)是其特征是c、其第一特征是c₁并且属于类别q的子图像的总数。

通过上面的操作，从候选特征产生单元1302接收下一个候选特征，即，第(s+1)个候选特征，并且以相同的方式来重复地处理该候选特征(步骤S1402至S1405)。当对于所有的候选特征(N个候选)完成相互信息量MI的计算时，特征确定单元1303将从相应的候选特征获得的条件相互信息量MI₂彼此作比较，并且将具有相互信息量的最大值的候选特征确定为要确定的特征集合的第二特征c₂(步骤S1406)。

当以相同的方式来确定第m个特征时，将最大化下面的表达式(6)的评估函数MI_m+1的候选特征用作第(m+1)个特征c。

MI_m+1[Q；C|C₁，C₂，...，C_m]

＝<H[Q|c₁，c₂，...，c_m]>_{(c1，c2，...，cm)}…(6)

-<H[Q|(c，c₁，c₂，...，c_m)]>_{(c，c1，c2，...，cm)}

MI_m+1表示在已知特征(c₁，c₂，...，c_m)的条件下从特征c获得的信息量。连续地执行该处理，直到所获得的信息量(另外的信息量)小于预定阈值MI_th，即使选择新的特征。当阈值MI_th被设置为例如0时，重复地进行上述处理程序，以确定下一个特征，直到所获得的信息量(另外的信息量)变为0，即，直到满足结束条件。

当满足结束条件时，结束特征确定处理。如上确定的每一个特征集合的参数被存储在特征存储单元1304中(步骤S1407)。

在特征确定处理的变化形式中，可以考虑能够减少由候选特征产生单元1302产生的候选特征数量的程序，如下所述。例如，对于每一个复变Gabor函数，对于q＝0的类别和q＝1的类别，预先准备使用表达式(2)计算的“a”的值的类内平均值。然后，将阈值MI_th设置为在两个类内平均值之间的中间值。而且，例如，当在确定第一特征时使用表达式(3)对于每个复合Gabor函数计算相互信息量MI时，记录对于每一个候选特征给出最大信息量MI的阈值MI_th。当确定第二和以后的特征时，阈值MI_th在处理中被保持固定。

虽然在本实施方案中将复变Gabor函数用作特征提取函数以获得候选特征，但是可以另外使用另一个特征提取函数。根据情况，仅使用这样的特征提取函数来获得候选特征。

作为特征确定处理的有利变化，可以考虑例如下述变化：其中，对于每一个类别形成子空间，使得向候选特征添加用于指示到子空间的距离的指数。而且，也可能向候选特征添加在使用高斯函数计算的点的附近的加权平均亮度。而且，有可能向候选特征添加归一化的加权平均亮度，其中通过使用范围较宽的高斯函数计算的平均亮度来归一化使用高斯函数计算的点的附近的加权平均亮度，该归一化的权重平均亮度即用于表示该点附近是否比其周边更亮或更暗的指数。而且，在诊断中使用的标准特征可以被加到候选特征上。

当完成特征确定处理并且如此确定的特征集合被存储在特征存储单元1304中时，变得可能产生分类表1306(在图16中所示)，以用于模式判别。现在说明由期望的单元启动分类表产生单元1305以建立分类表1306的处理。

分类表产生单元1305首先从学习模式存储单元1301接收每一个子图像并且从特征存储单元1304接收特征集合的每一个参数(以下，假定所确定的特征的数量总数是n)。然后，分类表产生单元1305在分类表1306中存储每一个子图像以及每一个子图像的特征值(c₁，c₂，...，c_n)。

上面的程序使得有可能产生用于唯一地分类每一个子图像的分类表。更优选的是，期望使用冗余项(不在乎项)。例如，当可以仅使用范围从第一特征值至第i个特征值的特征值(c₁，c₂，...，c_n)来分类子图像时，将第(i+1)个和以后的特征向量的值在分类表中替换为指示“不在乎”的符号。

接下来参见图15，将说明通过使用冗余项(不在乎)来产生分类表1306的程序的示例。图15示出说明在本实施方案中建立分类表1306的程序的流程图的示例。

分类表产生单元1305首先对于向其输入的子图像使用在特征存储单元1304中存储的特征集合的参数来计算特征向量(c₁，c₂，...，c_n)(步骤S1501和S1502)。

分类表产生单元1305查看分类表1306是否包括具有与上面的特征向量匹配的特征向量的子图像(步骤S1503)。当分类表1306的域包含用于指示“不在乎”的符号，则可以将与其对应的任何值看作匹配值。

作为确定的结果，如果分类表包括具有与所计算的特征向量匹配的特征向量的子图像，则控制返回到步骤S1501，而不在分类表1306中记录子图像以接收下一个子图像。

另一方面，如果不存在匹配的子图像，则分类表产生单元1305将递增变量i设置为“1”(步骤S1504)，以执行下面的处理。首先，分类表产生单元1305查看属于与所考虑的子图像所属的类别(例如，q＝0)不同的类别(例如，q＝1)的子图像是否包括包含与所述子图像全部匹配的第一至第i特征(c₁，c₂，...，ci)的子图像(步骤S1505)。

结果，如果不存在这样的子图像，则第一至第i特征值(c₁，c₂，...，c_i)与子图像所属的类别的符号(例如，q＝0)一起记录在分类表中。用于指示“不在乎”的符号被记录为第(i+1)和以后的特征向量的值(步骤S1506)。控制返回到步骤S1501，以接收下一个输入的子图像。

另一方面，如果存在这样的子图像，则向递增变量i加1，并且控制返回到步骤S1501。即，连续地执行i的值的递增，直到输入的子图像通过第i个特征值变得与其他子图像不同。

对于所有的子图像重复执行上面的处理。在该程序中，出现不可能分类所有的子图像的情况。例如，在一些情况下，属于相互不同的类别的子图像具有相等的特征向量。在该情况下，可以通过下述方式来执行处理：例如，计数属于相应类别的子图像的数量，并且将大量子图像所属的类别确定为与特征向量相关联的类别。

也可以采用一种方法，其中，在递增i的值的同时，特征c₁至c_i彼此匹配的模式被分类为一组(以依序获得包括较少数量的子图像的组)。当一组仅包括一个子图像时，子图像的第(i+1)个和以后的特征可以被设置为不在乎项。

图16示出在本发明中使用的分类表1306的示例。图16示出用于存储每一个子图像的类别标识标志物(q)和特征向量(c₁，c₂，...，c_n)的表格。在图16中，星号“*”指示“不在乎”。

接下来参见附图，将说明使用分类表的病理图像诊断方法。

图17是示出根据本发明的诊断方法的处理流程的框图。图17示出模式输入单元1701、特征提取单元1702和诊断单元1703。图17也示出：特征存储单元1304，其存储要用于由特征提取单元1702进行特征提取的确定特征集合；以及，分类表1306，其被预先准备用于诊断单元1703进行诊断。

模式输入单元1701是从期望的介质输入子图像的单元。在本实施方案中，模式输入单元1701是用于输入以细胞核为中心的病理组织的细胞的图像(子图像)的单元。虽然在本实施方案中输入以细胞核为中心的图像，但是图像不不限于此。例如，可以作为子图像输入用于由病理专家在病理组织的诊断中进行病理判断或确定的图像，诸如细胞核、孔、细胞质和间质等的图像。

特征提取单元1702是根据从模式输入单元1701发送的子图像，使用确定的特征集合来提取所述子图像的特征的单元，

诊断单元1703是根据由特征提取单元1702获得的特征来诊断所述子图像表示的信息的单元。

首先，在由模式输入单元1701获得的特征的基础上，获取子图像以提供到特征提取单元1702。

随后，特征提取单元1702计算向其输入的子图像的特征向量，然后将计算结果提供到诊断单元1703。使用通过在特征存储单元1304中存储的程序1、2和3确定的特征集合，例如由上述的特征确定程序确定的特征集合，来计算特征向量。

参见分类表1306，诊断单元1703从其检索与特征向量匹配的输入项，并且读取类别标志物以作为诊断结果输出该标志物。如果从分类表1306获得的输入项包含“不在乎”，则诊断单元1703确定该输入项匹配该特征向量，而与该特征的值无关。

为了进一步阐明通过上述各程序来确定子图像的特征和确定图像的本发明的优点，将说明在本发明和使用决策树的传统方法(ID3，C4.5)之间的区别。

ID3等的程序与本发明的那些类似在于：根据信息量最大化的标准来确定在决策树的每一个节点中的分类规则。然而，在ID3和C4.5中，对于每一个节点确定分类规则(例如，特征)。例如，当在确定第一特征c₁后确定第二特征时，分类规则(特征)在当c₁是1时和当c₁是0时之间的确定中变动。与此相反，根据本发明，如果使用基本上相等的节点深度，则将任何任意的第n个特征确定为彼此相等。这是本发明和传统方法之间的显著差别。

在本发明中或在传统方法中，学习模式被完全分类。然而，在一般化性能、即对未学习的子图像的判别的性能上显示出显著的差别。假定树深度在两种方法中彼此基本上相等(n)，在ID3或C4.5中确定2<n>个特征时，仅在本发明中确定了n个特征。即，本发明在结构上比传统方法简单。在所确定的特征的数量之间的差别当问题变得更复杂时呈指数式增加，并且程序所需的决策树变得更深。

如果两个分类装置具有用于学习模式的相同性能，则具有较为简单的配置的分类装置的一般化性能胜出，这被称为“Occam剃刀”。这是为什么与传统方法相比，使用根据本发明方法的特征确定方法和诊断方法可以显著地改善一般化性能的原因。

现在说明用于在学习模式输入单元1300和模式输入单元1701中从病理图像提取子图像的处理。虽然在本实施方案中描述了以细胞核为中心的子图像的提取，但是本发明不限于此。因此，可以提取病理专家在观察诸如孔、细胞质和间质的病理图像中关注的形态特征部分作为子图像。

用于提取以细胞核为中心的子图像的处理包括：使用在病理图像中的每一个像素的R、G和B值来计算miRNA染色信号的步骤；以及，根据在该图像中各个像素的miRNA染色信号的分布来检测细胞核的中心位置的步骤。实际上，也包括诸如用于平滑miRNA染色信号的处理的处理。下面的实施例涉及其中细胞核通过miRNA染色被染色为蓝色的病理图像的情况。

接下来，参见图18，将说明在学习模式输入单元1300和模式输入单元1701中提取子图像的处理。

当作为输入接收病理图像时(步骤S1801)，学习模式输入单元1300和模式输入单元1701向其中细胞核被染色为蓝色的病理图像的每一个像素分配miRNA染色信号。

根据每一个像素的R、G和B值(当使用24比特时R＝0至255，G＝0至255，B＝0至255)，计算miRNA染色信号，该信号在蓝色细胞核的区域中取值为1.0，并且在其他区域(染成不同颜色的区域)中取值为0。在这个处理中，进行查看以确定在由R、G和B值表示的RGB空间中的细胞核的颜色分布，并且计算在每一个像素的RGB值和分布中心之间的距离。具体地说，查看每一个像素的RGB值。如果该值与RGB空间中细胞核的颜色分布中心附近的位置相关联，则向该像素分配具有接近1的大值的miRNA染色信号。如果该值在远离颜色分布中心的位置，则向该像素分配具有接近0的小值的miRNA染色信号。然而，因为细胞核的染色结果根据染色操作等在样本之间不同，所以在自适应方法中计算细胞核的颜色分布。

即，通过参考预先确定的细胞核的色区域，仅将其中每一个具有在细胞核的色区域中的RGB值的像素选择为用于表示细胞核的颜色的像素。

以下面的方式预先确定细胞核的色区域。首先，收集合其中染色状态由于染色操作等而改变的细胞核的图像。然后，对于在每一个图像的细胞核区域中的每一个像素查看RGB值。同时，进行查看以确定例如在各个图像中染成对于细胞质、间质和孔特有的颜色的区域中的像素的RGB值。处理然后确定不包括或包括很少的染成对于细胞质、间质和孔特有的颜色的区域并且包括细胞核区域的像素的细胞核色区域。

具体地说，学习模式输入单元1300和模式输入单元1701以下面的方式来向每一个像素分配miRNA染色信号。

首先，通过参考预先确定的细胞核的色区域，从向学***均值(Ro，Go，Bo)和协方差矩阵∑(步骤S1803)。

R₀＝1/N∑_iR_i，G₀＝1/N∑_iG_i，B₀＝1/N∑_iB_i

∑＝1/N∑_i(R_i-R₀，G_i-G₀，B_i-B₀)^T(R_i-R₀，G_i-G₀，B_i-B₀)…(7)

在表达式(7)中，T是用于指示向量的移项的符号。使用协方差矩阵∑，根据下面的表达式(8)来计算每一个像素(R，G，B)与平均值(Ro，Go，Bo)之间的距离L和miRNA染色信号(Hema)(步骤S1804)。

1/2(R-R₀，G-G₀，B-B₀)∑^-1(R-R₀，G-G₀，B-B₀)^T

Hema＝exp(-1/2(R-R₀，G-G₀，B-B₀)∑^-1(R-R₀，G-G₀，B-B₀)^T)…(8)

接下来，说明使用对于各个像素计算的miRNA染色信号的分布来检测细胞核的中心位置的处理。

使用表达式(8)将对于每一个像素获得的miRNA染色信号表示为Hema(-r)。在该表达式中，-r＝(x，y)指示在病理图像中的像素位置的位置向量。根据使用平滑化掩码M_low的下面的表达式(9)，对于Hema(-r)进行平滑化操作(步骤S1805)，以获得得自所述平滑化的峰值，并且将该峰值设置为细胞核的中央位置(步骤S1806，S1807)。

${\mathrm{Hema}}^{\text{'}}\left(\text{r}\right)={\mathrm{\&Sigma;}}_{\stackrel{\&RightArrow;}{r^{\text{'}}}}\mathrm{Hema}(\stackrel{\&RightArrow;}{r^{\text{'}}}-\stackrel{\&RightArrow;}{r})M_{\mathrm{low}}\left(\stackrel{\&RightArrow;}{r^{\text{'}}}\right)\&CenterDot;\&CenterDot;\&CenterDot;\left(9\right)$

可以使用例如表达式(10)的函数来实现平滑化掩码M_low

$M_{\mathrm{low}}\left(\stackrel{\&RightArrow;}{r^{\text{'}}}\right)=M_0(\stackrel{\&RightArrow;}{r^{\text{'}}},s_{\mathrm{ex}})-M_0(\stackrel{\&RightArrow;}{r^{\text{'}}},s_{\mathrm{in}}),$

$M_0(\stackrel{\&RightArrow;}{r^{\text{'}}},s)=1/l(\mathrm{when}{\left|\stackrel{\&RightArrow;}{r^{\text{'}}}\right|}^2\&le;s^2),0$ (否则)…(10)

根据下面的表达式(11)来确定在表达式(10)中的归一化因子1/l。

${\mathrm{\&Sigma;}}_{\stackrel{\&RightArrow;}{r^{\text{'}}}}{M}_0(\stackrel{\&RightArrow;}{r^{\text{'}}},s)=1\&CenterDot;\&CenterDot;\&CenterDot;\left(11\right)$

在该表达式中，S_ex和S_in是预先确定的参数。通常，S_ex被设置为大约细胞核的典型大小(半径)的值，并且S_in被设置为S_ex的大约1.2倍。

在对于每一个像素计算miRNA染色信号(miR’)后，如果所考虑的点的miR’的值大于预定阈值(例如，0.25)并且大于在其附近(例如，沿着x和y轴距该点三个像素以内)的任何点处的miR’的值，则将该点检测为要被设置为细胞核的中心点的峰值(步骤S1807)。

考虑到在细胞核的大小可能有改变的情况，使用具有相互不同的大小(参数S_ex和S_in)的多个(例如，三种)平滑化掩码来执行miRNA染色信号平滑化和峰值检测。由该操作的任何一种检测的峰值位置可以被设置为细胞核的中心。

学习模式输入单元1300和模式输入单元1701通过首先对于向其输入的病理图像执行上述处理来检测细胞核的中心。单元1300和1701然后从细胞核在图像中心的病理图像获得预定大小的大量(等于所检测的细胞核中心的数量)的图像(子图像)，以提取每一个子图像来作为学习模式或输入模式(步骤S1808)。

本发明图像诊断支持***也可以包括例如：用于评估miRNA染色图像的有效性的单元。通过评估miRNA染色图像的有效性，可以进一步改善癌症评估的精确度。在这个情况中的miRNA染色图像的有效性的评估的意思与进行miRNA染色的切片载片的有效性的评估相同。下面给出说明性示例。然而，应当注意，本发明不限于此。

(第三实施方案)

第三实施方案涉及第一或第二实施方案的图像诊断支持***进一步包括：校正单元，其校正miRNA染色图像的染色状态；非肿瘤细胞检测单元，其检测在校正的miRNA染色图像中的非肿瘤细胞；以及，确定单元，其确定在所检测的非肿瘤区域中的miRNA染色的存在或不存在。

可以例如以下面的方式来执行由本实施方案的***进行的处理。首先，校正所获得的miRNA染色图像的染色状态。例如，考虑所使用的切片载片的状态、以相同方式染色的另一个切片载片的状态、执行染色的条件和获得图像数据的条件等对于染料或强度等进行校正。

然后，对于如此校正的miRNA染色图像，执行非肿瘤细胞的检测。可以例如基于诸如细胞的形状和大小、细胞核的形状和大小和在组织中存在的位置等的信息来识别非肿瘤细胞。可以通过例如基于上述条件已经历了机器学习的模块来执行这个识别。

可以通过例如下述方式来执行非肿瘤细胞的检测：使用复染剂来获得染色图像，并且将这个复染图像与miRNA染色图像匹配。这个匹配可以例如与如上所述的miRNA染色图像和HE染色图像的匹配相同。可以根据例如作为受检体的样本的种类来适当地确定复染剂。复染剂的示例包括Kernechtrot。要检测的非肿瘤细胞的种类不被特别限制，并且，可以例如根据作为受检体的样本的种类被适当地确定。非肿瘤细胞的示例包括淋巴细胞、成纤维细胞和血管内皮细胞。根据这些细胞是否满足指定的细胞大小和/或形状，有可能确定受检体是否是非肿瘤细胞。

然后，确定在miRNA染色图像中检测到的非肿瘤细胞的miRNA染色存在或不存在。结果，当非肿瘤细胞受到miRNA染色时，确定这个miRNA染色图像不是有效的，并且结束处理，而不将流程进行到最后的步骤。另一方面，当非肿瘤细胞未受到miRNA染色时，确定该miRNA染色图像是有效的，并且该流程进行到下一个步骤，例如，进行到如上所述基于miRNA染色来检测肿瘤区域的步骤。

除非另外说明，可以将上述的各个实施方案彼此组合。

实施例

以下，通过实施例来描述本发明。然而，应当注意，本发明不限于下面的实施例。

[实施例1]

使用探针来执行原位杂交，并且，检查在急性髓细胞性白血病(AML)患者(n＝4)和急性淋巴细胞白血病(ALL)患者(n＝2)的白细胞中的has-miR-9的2a的表达水平。

作为探针，使用利用异羟基洋地黄毒苷(DIG)标记的LNA改性的探针(商品名：miRCURY-LNA检测探针，Exiqon)。下面，在SEQID NO：5中示出用于has-miR-92a检测的探针的序列，并在SEQ ID NO：6中示出作为阴性对照的探针的序列。下面示出的阴性对照探针的序列是通过打乱下面示出的has-miR-92a检测探针的序列而获得的序列。

hsa-miR-92a检测探针(SEQ ID NO：5)

5’-acaggccgggacaagtgcaata-3’

阴性对照探针(SEQ ID NO：6)

5’-gtgtaacacgtctatacgccca-3’

使用利用RiboMap原位杂交试剂盒(商品名，Ventana MedicalSystems)的Ventana Discovery自动化原位杂交仪(商品名，VentanaMedical Systems)来执行原位杂交。除非另外说明，依照能够从VentanaMedical Systems(http://www.ventanamed.com)获得的RiboMap应用说明书提供的标准方案来执行原位杂交。

首先，从各白血病患者的全血收集白血球。对于如此收集的白细胞，根据一般使用的方法来执行使用多聚甲醛固定溶液的固定化、石蜡包埋和切片的制备。然后，在将切片脱石蜡后引起原位杂交。在原位杂交中，通过在37℃下使用基于***的RiboPrep(商品名，Ventana Medical Systems)来温育带有切片的载片30分钟，执行已经经历了脱石蜡的切片的最初固定化。随后，在37℃下在基于盐酸的RiboClear溶液(商品名，Ventana Medical Systems)中温育载片10分钟，然后，在37℃下使用即用蛋白酶2(商品名，Ventana Medical Systems)来处理该载片。接下来，将载片在70℃下进行用于变性的预杂交处理6分钟。在预杂交后，在37℃下使用杂交缓冲液(商品名，Ventana MedicalSystems)处理载片6小时，以便引起每一个载片2ng的DIG标记^*LNA改性的探针的杂交。然后，载片在42℃下使用2×RiboWash溶液(商品名，Ventana Medical Systems)进行低严格性的清洗6分钟。其后，在37℃下使用1×RiboFix(商品名，Ventana Medical Systems)来清洗载片20分钟。随后，在37℃下将载片与每载片0.1μg的生物素标记抗DIG抗体(Sigma)一起温育30分钟。然后，使用每载片0.1μg的链亲和素-碱性磷酸酶联合物(Dako)来在37℃下温育载片16分钟。其后，使用BlueMap NBT/BCIP底物试剂盒(商品名，Ventana Medical Systems)，在37℃下执行信号检测4小时。最后，相邻的载片切片用Kernechtrot和HE复染色，并且，每一个载片都被盖玻片覆盖。

在图22中示出其结果。在图22中，在上行和中行中的图块是示出从AML患者得到的白细胞的染色结果的照片(FBA类别M3)，并且，在下行中的图块是示出从ALL患者得到的白细胞的染色结果的照片。在左列中的图块是示出用Kernechtrot复染色结果的照片；在中列中的图块是示出使用has-miR-92a检测探针染色结果的照片，并且在右列上的图块是示出使用阴性对照探针染色结果的照片，每一个图块中的条是50μm长。

可以从图22看出，在AML患者和ALL患者两者中观察到细胞的染色，并且使用has-miR-92a检测探针染色的信号强度大于使用阴性对照探针染色的信号强度。虽然图22示出关于单个AML患者和单个ALL患者获得的结果，但是在其余的患者中获得类似的结果。另一方面，虽然在图中未示出，但是在正常的白细胞中未检测到has-miR-92a的表达。如上所述，在AML患者和ALL患者的白细胞中has-miR-92a强烈表达。这证明了可以通过检测在白细胞中的has-miR-92a来评估在细胞中的癌症的可能性。

使用has-miR-92a检测探针染色的区域与使用Kernechtrot染色的区域相同。根据Kernechtrot染色，可以染色癌变区域，因此，从这个结果，可以说，可以通过检测has-miR-92a来评估癌症的可能性。

[实施例2]

除了使用从***收集合的组织之外，使用与实施例1中相同的方式来执行切片的制备和通过原位杂交检测has-miR-92a。在图23中示出其结果。图23A至23D是示出相对于从***收集合的不同部分组织的miRNA染色结果的照片。

在图23A至23D的每一个中，使用箭头来指示染色部分的局部。可以从这些图看出，观察到miRNA的染色。

以上虽然已经参考说明性实施方案和实施例描述了本发明，但是本发明绝不限于此。对于对于本领域内的技术人员，显然可以在不偏离本发明的范围的情况下，在本发明的配置和细节上进行各种改变和修改。

本申请要求在2009年4月21日提交的日本专利申请No.2009-103332的优先权。该日本专利申请的整体公开内容通过引用被包含在此。

[实施例3]

除了使用从肝细胞收集合的组织之外，使用与实施例1相同的方式来执行切片的制备和通过原位杂交检测has-miR-92a。

从肝细胞癌(HCC)患者(n＝22)和非肿瘤肝硬化(LC)患者(n＝5)搜集肝细胞。从具有各种年龄、性别、肝炎病毒的种类、临床期和肿瘤分化程度的HCC患者收集HCC患者的肝细胞。

结果，在非肿瘤LC患者的肝细胞中，基本上未观察到使用has-miR-92a检测探针的染色。相反，在所有的HCC患者的肝细胞中，观察到使用has-miR-92a检测探针的显著染色。

在从22个HCC患者得到的肝细胞中，图24示出关于两个代表性示例的肝细胞染色的结果(病例1和病例2)。图24示出显示了从HCC患者得到的肝细胞的染色结果的照片。在上行和中行中的图块示出关于病例1的肝细胞的结果，在下行中的图块示出关于病例2的肝细胞的结果。在左列中的图块是示出用Kernechtrot和HE复染色的结果的照片，在中列中的图块是示出使用has-miR-92a检测探针染色的结果的照片，并且在右列上的图块是示出使用阴性对照探针染色的结果的照片。在每一个图块中的条是100μm长。在中行中的图块是在上行中的图块的放大视图。在每个图块中，色浓的部分是染色部分，并且色淡部分是未染色部分。

可以从图24看出，在病例1和病例2中都观察到使用has-miR-92a检测探针的染色。这证明在HCC患者的肝细胞中表达了has-miR-92a。虽然图24仅示出两个病例的结果，但是在从其余HCC患者得到的肝细胞中获得类似的结果。

使用has-miR-92a检测探针染色的区域与使用Kernechtrot和HE染色的区域相同。根据Kernechtrot染色，可以染色癌变区域。因此，也从这个结果，可以说，可以通过检测has-miR-92a来评估癌症的可能性。

此外，从HCC患者的肝细胞(n＝5)和LC患者的肝细胞(n＝5)收集RNA，并且通过定量RT-PCR(qRT-PCR)来测量所表达的has-miR-92a的量。而且，作为内源性对照，以相同的方式来测量表达的RNU48量。然后，将所表达的has-miR-92a的量与所表达的RNU48的量的比率(hsa-miR-92a/RNU48)计算为has-miR-92a的表达水平。结果，发现，has-miR-92a的表达在从HCC患者得到的肝细胞中比在从LC患者得到的肝细胞中显著。

如上所述，has-miR-92a在HCC患者的肝细胞中强表达。这证明可以通过检测在肝细胞中的has-miR-92a来评估在细胞中的癌症的可能性。

产业实用性

根据本发明，通过在样本中检测本发明的癌症标志物的表达水平，变得有可能例如以良好的可靠性确定癌症产生或癌症进展的存在或不存在。而且，通过将本发明的评估方法与例如通过传统HE染色等的癌症评估相关联，更进一步的高可靠性的癌症评估成为可能。

符号说明

111：输入装置

112：输出装置

113：染色图像数据库

120：处理装置

121：输入接受处理部

122：信息获得部

123：图像匹配处理部

124：肿瘤区域提取部

125：染色阳性细胞含有率计算部

130：存储装置

131，132，133，134，135，136，1231：存储部

725：染色阳性细胞含有率和染色强度计算部

1126：肿瘤确定和肿瘤区域计算部

1213：载片数据库

1214：载片装置

1222：载片成像部

1300：学习模式输入单元

1301：学习模式存储单元

1302：候选特征产生单元

1303：特征确定单元

1304：特征存储单元

1305：分类表产生单元

1306：分类表

1701：模式输入单元

1702：特征提取单元

1703：诊断单元

190：图像诊断支持装置

191：处理部

192：存储部

193：显微镜

194：CCD

195：扫描器

196：显示器

2001：图像获得单元

2002：信息获得单元

2003：匹配单元

2004：肿瘤区域指定单元

2005：计算单元

Claims (13)

1.一种用于评估癌症的可能性的评估方法，所述评估方法包括以下步骤：

检测在样品中的癌症标志物；以及

基于癌症标志物的表达水平来评估样品中的癌症的可能性，其中

所述样品是细胞或组织，并且

所述癌症标志物包括选自has-miR-92和has-miR-494的至少一种miRNA。

2.根据权利要求1所述的评估方法，其中has-miR-92是选自hsa-miR-92a、hsa-miR-92a^*、hsa-miR-92b和hsa-miR-92b^*的至少一种。

3.根据权利要求2所述的评估方法，其中has-miR-92a是has-miR-92a-1和has-miR-92a-2中的至少一种。

4.根据权利要求2所述的评估方法，其中has-miR-92a^*是has-miR-92a-1^*和has-miR-92a-2^*中的至少一种。

5.根据权利要求1所述的评估方法，其中所述miRNA是has-miR-92a。

6.根据权利要求1至5任一项所述的评估方法，其中癌症是选自结肠癌、直肠癌、胆囊癌、胃癌、乳腺癌、白血病、胰腺癌、肝癌、脑瘤和骨肉瘤的至少一种癌症。

7.根据权利要求1至6任一项所述的评估方法，其中所述评估方法确定癌症发作的存在或不存在、癌症进展期或预后状态。

8.根据权利要求1至7任一项所述的评估方法，其中在癌症标志物检测步骤中，通过选自显色、荧光和放射自显影的至少一种来使所述癌症标志物可视化。

9.根据权利要求1至8任一项所述的评估方法，其中样品被固定化，并且通过原位杂交方法来检测癌症标志物。

10.根据权利要求1至9任一项所述的评估方法，其中由样品中表达的癌症标志物的量来表示癌症标志物的表达水平。

11.根据权利要求1至10任一项所述的评估方法，其中基于评估步骤中检测的癌症标志物的表达水平，通过选自以下(1)、(2)和(3)的至少一种方法来评估癌症的可能性：

(1)将受检者样品中癌症标志物的表达水平与正常受检者样品中癌症标志物的表达水平进行比较，并且当受检者中的表达水平比正常受检者中的表达水平高时，确定受检者具有癌症的高可能性；

(2)将受检者样品中癌症标志物的表达水平与正常受检者样品中癌症标志物的表达水平进行比较，并且当受检者中的表达水平比正常受检者中的表达水平相对变高时，确定所述受检者的癌症相对晚期；和

(3)将受检者样品中癌症标志物的表达水平与不同进展期的各癌症患者样品中癌症标志物的表达水平进行比较，并且，确定受检者中的癌症与显示相同或类似表达水平的患者中的癌症处于相同的进展期。

12.根据权利要求9至11任一项所述的评估方法，其中

在癌症标志物检测步骤中，对于所述固定化样品获得将癌症标志物染色的癌症标志物染色图像，并且

所述评估方法还包括：

HE染色图像获得步骤，其获得对于固定化样品的HE染色图像；

信息获得步骤，其获得在HE染色图像中的肿瘤区域的信息；

匹配步骤，其计算在HE图像获得步骤中获得的HE染色图像与在癌症标志物检测步骤中获得的癌症标志物染色图像的匹配位置；

指定步骤，其基于所述信息获得步骤中获得的HE染色图像中肿瘤区域的信息和在匹配步骤中计算的匹配位置的信息，来指定在癌症标志物染色图像中的肿瘤区域；以及

染色阳性细胞检测步骤，其基于在所述指定步骤中指定的癌症标志物染色图像中的肿瘤区域的信息，来检测在癌症标志物染色图像中肿瘤区域中的染色阳性细胞。

13.根据权利要求12所述的评估方法，其中染色阳性细胞检测步骤是计算步骤，其基于在指定步骤中指定的癌症标志物染色图像中肿瘤区域的信息，来计算在癌症标志物染色图像中肿瘤区域中的染色阳性细胞含有率。

Images