2023-004386

特願２０２０－５３０４２８「予測タグ付けを有する画像を生成するための画像処理のためのシステム、デバイス、および方法」拒絶査定不服審判事件〔平成３１年 ２月１４日国際公開、ＷＯ２０１９／０３２７２３、令和 ２年１０月２２日国内公表、特表２０２０－５３０６３７〕について、次のとおり審決する。

結 論 本件審判の請求は、成り立たない。

理 由 第１ 手続の経緯 本願は、２０１８年（平成３０年）８月８日（パリ条約による優先権主張外国庁受理２０１７年８月９日、米国 ２０１７年９月１８日、米国 ２０１７年１０月５日、米国 ２０１８年３月２３日、米国 ２０１８年４月３日、米国）を国際出願日とする出願であって、その手続の経緯は以下のとおりである。 令和４年 ８月 ２日付け：拒絶理由通知書 同年１０月２４日 ：意見書、手続補正書の提出 同年１１月 ９日付け：拒絶査定 令和５年 ３月１５日 ：審判請求書、手続補正書の提出 同年 ４月１９日 ：前置報告 第２ 本願発明 本願の請求項１～１５に係る発明は、令和５年３月１５日になされた手続補正により補正された特許請求の範囲の請求項１～１５に記載された事項により特定されるとおりのものと認められるところ、請求項１に係る発明（以下、「本願発明」という。）は、次のとおりである。符号Ａ～Ｆは、本願発明を分説するため当審にて付与した。以下、符号Ａ等を付した事項を「構成Ａ」等という。 「Ａ 顕微鏡検査画像を受信するように構成された通信インターフェースと、 Ｂ プロセッサと、 Ｃ 前記プロセッサに通信可能に結合され、コンピュータ実行可能命令を記憶する非一時的コンピュータ可読媒体であって、 Ｄ 前記コンピュータ実行可能命令は、前記プロセッサによって実行されたとき、 Ｅ１ 前記通信インターフェースを介して、３次元（３Ｄ）顕微鏡検査画像の第１のセットおよび３Ｄ顕微鏡検査画像の第２のセットを受信することであって、３Ｄ顕微鏡検査画像の前記第１のセットは、複数の組織サンプル中の複数の亜細胞構造の３Ｄ蛍光画像であり、３Ｄ顕微鏡検査画像の前記第２のセットは、同じ複数の亜細胞構造の３Ｄ透過光画像であり、３Ｄ顕微鏡検査画像の前記第２のセット中に蛍光ラベリングは含まれない、 Ｅ２ 何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像を、前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像にコンバートするように構成されたニューラル・ネットワークを生成することであって、前記第１のタイプの画像中に蛍光ラベリングは含まれず、前記命令は、前記プロセッサに、３Ｄ顕微鏡検査画像の前記第１のセットおよび３Ｄ顕微鏡検査画像の前記第２のセットに基づいて前記ニューラル・ネットワークをトレーニングすることによって前記ニューラル・ネットワークを生成させる、 Ｅ３ 前記複数の組織サンプルから３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された画像獲得パラメータのパラメータ値を決定することと、 Ｅ４ 前記ニューラル・ネットワークが生成されトレーニングされた後に、追加の組織サンプル中の１つまたは複数の亜細胞構造の透過光画像である追加の３Ｄ顕微鏡検査画像を受信することであって、前記追加の３Ｄ顕微鏡検査画像中に蛍光ラベリングは含まれず、前記追加の３Ｄ顕微鏡検査画像は、３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された前記パラメータ値を用いて前記追加の組織サンプルの前記１つまたは複数の亜細胞構造からキャプチャされる、 Ｅ５ 前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成することと Ｄ を前記プロセッサに行わせる、 Ｃ 非一時的コンピュータ可読媒体と Ｆ を備える、コンピューティング・デバイス。」 第３ 原査定の拒絶の理由 本願発明に対する原査定の拒絶の理由の概要は、次のとおりである。 本願発明は、その出願前に日本国内又は外国において、頒布された下記の刊行物に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明に基いて、その出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、特許法第２９条第２項の規定により特許を受けることができない。 記 引用文献１．米国特許出願公開第２０１４／０２７０４５７号明細書 第４ 引用文献 １ 引用文献１の記載及び引用発明 原査定の拒絶の理由に引用された引用文献１には、図面とともに、次の記載がある。下線は当審において付与した。また、仮訳は当審において合議体が付した。 「[0003] The disclosure provides methods of imaging biological samples to provide a molecular composition of the sample without the use of stains.」 （仮訳： [0003] 本開示は、染色剤を使用せずにサンプルの分子組成を提供する生物学的サンプルの画像化方法を提供する。） 「[0005] Provided herein are methods and systems for generating or obtaining an image of a sample, such as biopsy tissue sections, without the use of dyes or stains (such as those currently used in histopathology and IHC). Spectroscopic imaging (such as Fourier transform infrared (FT-IR) spectroscopic imaging) is used to record the intrinsic chemical composition of sample, and numerical algorithms are employed to relate the biochemical content of the IR spectral data to structure of the sample, such as tissue structure or disease-relevant information (e.g., protein expression). This results in accurate histologic and pathologic classification, which is comparable in terms of the staining patterns in a sample (e.g., tissue) to what would be achieved if stains or dyes were used instead. Thus, the methods generate computationally-stained images of samples that allow both morphologic visualization currently enabled by dyes and molecular expression currently enabled by immunostaining (e.g., by using labeled antibodies).」 （仮訳： [0005] 本明細書に提供されるのは、（病理組織学やIHCで現在使用されているような）色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法およびシステムである。分光イメージング（フーリエ変換赤外（FT-IR）分光イメージングなど）は、サンプルの固有の化学組成を記録するために使用され、数値アルゴリズムは、赤外スペクトルデータの生化学的内容を、組織構造や疾患関連情報（タンパク質発現など）のようなサンプルの構造に関連付けるために採用される。その結果、正確な組織学的及び病理学的分類が得られ、サンプル（組織など）の染色パターンに関しては、染色や色素を代わりに使用した場合に達成されるものと同等である。このように、この方法は、現在色素で可能な形態学的可視化と、現在免疫染色（例えば標識抗体を使用）で可能な分子的表現の両方を可能にする、サンプルの計算染色画像を生成する。） 「[0014] FIGS. 1A-1E show how the disclosed methods can be used in place of staining tissue samples. (A) Brightfield microscopy image of an unstained tissue section. (B) Tissue is stained, commonly with hematoxylin and eaosin (HE), to visualize tissue morphology. (C) Spectroscopic imaging data recorded from unstained tissue, which includes a spectrum at every spatial location or an image at every chemically-specific feature in the spectrum (e.g., stack of chemically-specific images). (D) The data (underlying chemical composition) can be converted to conventional pathology images in an objective and automated manner using recognition algorithms. For example, in (E) the HE stained image (similar to B) is reproduced without staining.」 （仮訳 [0014] 図1A-1Eは、開示された方法が組織サンプルを染色する代わりにどのように使用できるかを示している。(A）未染色の組織切片の明視野顕微鏡像。(B）組織の形態を可視化するために、一般的にヘマトキシリン・イーオシン（HE）で組織を染色する。(C) 未染色組織から記録された分光イメージングデータ。このデータには、各空間位置におけるスペクトル、またはスペクトル中の化学特異的特徴ごとの画像（例えば、化学特異的画像のスタック）が含まれる。(D）データ（基礎となる化学組成）は、認識アルゴリズムを使用して、客観的かつ自動化された方法で従来の病理学的画像に変換することができる。例えば、(E)ではHE染色画像（Bと同様）を染色せずに再現している。） 「[0026] Sample: A sample, such as a biological sample, includes those samples obtained from a subject or from an environmental sample, which can include cells, nucleic acids, and/or proteins. As used herein, biological samples include all clinical samples useful for detection of a cell or a disease, such as an infection or a tumor in subjects, including cells, cell lysates, cytocentrifuge preparations, cytology smears, tissue biopsies (e.g., core biopsy), fine-needle aspirates, tissue sections (e.g., cryostat tissue sections and/or paraffin-embedded tissue sections), and fluid samples. Samples include but are not limited to, cells, tissues, and bodily fluids, such as a tissue or tumor biopsy, fine needle aspirate, a core biopsy sample, an excisional biopsy sample, bronchoalveolar lavage, pleural fluid, spinal fluid, saliva, sputum, surgical specimen, lymph node fluid, ascites fluid, peripheral blood or fractions thereof (such as serum or plasma), urine, saliva, buccal swab, vaginal swab, breast milk, and autopsy material. Samples include biopsied or surgically removed tissue, including tissues that are, for example, unfixed, frozen, fixed in formalin and/or embedded in paraffin. In some examples, a tissue sample is a fresh sample, frozen sample, or fixed sample (e.g., embedded in paraffin).」 （仮訳： [0026] サンプル：生物学的サンプルのようなサンプルには、被験体または環境サンプルから得られたサンプルが含まれ、細胞、核酸、及び／またはタンパク質を含むことができる。本明細書で使用される場合、生物学的サンプルには、細胞、細胞ライセート、細胞遠心分離調製物、細胞診塗抹標本、組織生検（例えば、コア生検）、細針吸引液、組織切片（例えば、クライオスタットの組織切片及び／またはパラフィン包埋組織切片）、及び液体サンプルを含む、被験体における感染症または腫瘍などの細胞または疾患の検出に有用なすべての臨床サンプルが含まれる。サンプルには、細胞、組織、体液が含まれるが、これらに限定されない。例えば、組織または腫瘍生検、細針吸引液、コア生検サンプル、切除生検サンプル、気管支肺胞洗浄、胸水、髄液、唾液、喀痰、手術検体、リンパ節液、腹水、末梢血またはその分画（血清や血漿など）、尿、唾液、頬ぬぐい液、膣ぬぐい液、母乳、剖検物などが挙げられる。サンプルには、例えば、未固定、凍結、ホルマリン固定、及び ／またはパラフィン包埋された組織を含む、生検または外科的に摘出された組織が含まれる。いくつかの例では、組織サンプルは新鮮サンプル、凍結サンプル、または固定サンプル（例えば、パラフィンに包埋）である。） 「[0028] Stain: A dye or other label used in microscopy, for example to enhance contrast in the microscopic image or to detect particular structures in biological tissues, such as cell populations (e.g., cancerous cells), organelles within cells, particular proteins, particular nucleic acids, lipids, or carbohydrates). Exemplary stains used in histology, cytology, haematology and research include but are no limited to: HE, iodine, methylene blue, eosin Y, Congo Red, carmine, toluidene blue, Wright's stain, crystal violet, aceto-orcein, Sudan III, and the like. [0029] 1,4-Phenylenediamine; 2,3,5-triphenyltetrazolium chloride;・・・ fluorescein isothiocyanate; ・・・ [0030] Stains also include detectable labels attached to proteins (e.g., antibodies) or nucleic acid molecules, to permit detection of target proteins or nucleic acids. Exemplary labels include but are not limited to haptens, fluorophores, radioisotopes enzymes, and quantum dots.」 （仮訳： [0028] 染色：例えば、顕微鏡像のコントラストを増強するため、または細胞集団（例えば、がん細胞）、細胞内の小器官、特定のタンパク質、特定の核酸、脂質、炭水化物など、生体組織内の特定の構造を検出するために、顕微鏡検査で使用される色素またはその他の標識。組織学、細胞学、血液学および研究で使用される例示的な染色には、以下のものが含まれるが、これらに限定されるものではない： HE、ヨウ素、メチレンブルー、エオシンY、コンゴーレッド、カルミン、トルイデンブルー、ライト染色、クリスタルバイオレット、アセトオルセイン、スーダンIIIなど。 [0029] 1,4-フェニレンジアミン；2,3,5-トリフェニルテトラゾリウムクロリド；・・・フルオレセインイソチオシアネート；・・・ [0030] 染色はまた、標的タンパク質または核酸の検出を可能にするために、タンパク質（例えば、抗体）または核酸分子に結合した検出可能な標識を含む。例示的な標識としては、ハプテン、フルオロフォア、放射性同位体酵素、量子ドットなどが挙げられるが、これらに限定されない。） 「[0044] Provided herein are methods of imaging a sample, such as a sample that has not been stained or contacted with a dye or label, such as those typically used in histopathlogy, IHC, and ISH. In particular examples, the method includes obtaining a spectroscopic image (such as an infrared (IR) imaging dataset) of the sample, which contains a spectrum at every pixel. An image plotted using any combination of the information in the spectrum can be referred to as an IR image. The dimensionality of the spectroscopic image (e.g., IR image) can be reduced, thereby generating a reduced spectroscopic image (e.g., reduced IR image). The reduced spectroscopic image is compared to one or more controls, for example using a statistical pattern recognition approach. The spectra in the spectroscopic image (entire or reduced) are related to known staining patterns in the sample. Spectral features that allow prediction of the staining patterns are found using statistical pattern recognition approaches, such as Bayesian, support vector machine or artificial neural network (e.g., see Webb and Copsey, Statistical Pattern Recognition, 3rd edition, 2011, Wiley, ISBN: 978-0-470-68227-2; Shen et al., Expert Rev Proteomics. 4(4):453-63, 2007). Spectral and spatial features can be used to provide a color coded image that resembles a stained image and its concordance with the control can be verified. An output computed stain image (such as one that is comparable to (e.g., provides the same information) one that would have been obtained if a stain interest, such as HE stain or BRCA1 protein staining, was used) is generated from the entire or the reduced spectroscopic image. Upon training with appropriate control data/samples, the spectroscopic (e.g., IR) features and pattern recognition approach can be used together to predict the staining patterns in any new (e.g., test) sample.」 （仮訳： [0044] 本明細書に提供されるのは、組織病理学、IHC、ISHで一般的に使用されるような染料または標識で染色または接触されていないサンプルなどのサンプルを画像化する方法である。特定の例では、この方法は、サンプルの分光画像（赤外（IR）イメージングデータセットなど）を取得することを含み、この画像は各画素におけるスペクトルを含む。スペクトルの情報を組み合わせてプロットした画像はIR画像と呼ばれる。分光画像（例えば、IR画像）の次元を削減することにより、削減分光画像（例えば、削減IR画像）を生成することができる。削減分光画像は、例えば統計的パターン認識アプローチを使用して、１つまたは複数の対照と比較される。分光画像（全体または削減）中のスペクトルは、サンプル中の既知の染色パターンに関連する。染色パターンの予測を可能にするスペクトル特徴は、ベイズ、サポートベクターマシン、人工ニューラルネットワークなどの統計的パターン認識アプローチを用いて見出される（例えば、Webb and Copsey, Statistical Pattern Recognition, 3rd edition, 2011, Wiley, ISBN: 978-0-470-68227-2; Shen et al., Expert Rev Proteomics. 4(4):453-63, 2007). スペクトル及び空間的特徴を使用して、染色画像に類似したカラーコード化画像を提供し、対照との一致を検証することができる。（HE染色やBRCA1タンパク質染色などの染色対象が使用された場合に得られたであろう染色画像に匹敵する（例えば、同じ情報を提供する））出力計算染色画像が、全体または削減分光画像から生成される。適切な対照データ／サンプルで訓練した後、分光学的（例えばIR）特徴とパターン認識アプローチを併用することで、いかなる新しい（例えばテスト）サンプルの染色パターンも予測することができる。） 「[0045] In some examples, a control set of samples is analyzed to obtain a control or control database for relevant samples, to which the experimental or test sample is compared to. For example, a set of controls of the target sample (e.g., lung tissue) stained with a stain or dye of interest (e.g., HE stain, Congo Red stain, or antibody specific for a target protein, that is directly or indirectly labeled (e.g., with a labeled secondary antibody)), can be used to generate or build an algorithm which is subsequently applied to the test sample. For example, if the test sample is lung tissue and the target stain is Congo Red, then control samples of known lung tissue stained with Congo Red can be analyzed as described herein (e.g., obtain spectroscopic image/data, optionally reduce spectroscopic image/data, and input into a network for training) to generate the algorithm to which an experimental lung sample is compared to generate an output computed Congo Red-like image. Thus, a plurality of samples stained with a target stain (such as HE, Bismark Brown, Nile Blue or antibody specific for a target protein, that is directly or indirectly labeled, e.g., with a fluorophore or enzyme), which are the same sample type of interest (e.g., breast tissue, lung tissue, water sample) can be used to train a network. In one example, at least 10, at least 20, at least 50, at least 75, at least 100, at least 200, at least 500, or at least 1000 samples (such as 10-50, 10-100, 50-100 or 100-1000 samples) are used to train the network. Thus, if training using control samples is needed, prior to generating an output computed stain image for the test sample, the methods can include obtaining a spectroscopic image of the control-stained sample, optionally reducing the spectroscopic image (e.g., use the entire spectra or the reduced spectra), then imputing this information into a network, such as a neural network, support vector machine, or Bayesian classifier. The network relates the biochemical properties of the spectroscopic image/data to molecular or dye parameters, and transforms this to color values or staining intensity on each pixel. For example, a spectroscopic imaging data set is obtained for each training sample, thereby generating spectra (e.g., IR spectra) at every pixel. The dimensionality of the training spectroscopic imaging data set can be reduced, thereby generating a reduced spectroscopic imaging data set, which is inputted into a network for training. The resulting trained samples result in an algorithm and parameters for the network, which can be used to compare a test sample to, in order to generate an output image. The result of training is a set of parameters defining the neural network that can be applied to any unknown samples, to produce an output computed stain image without staining sample.」 （仮訳： [0045] いくつかの例では、実験またはテストサンプルと比較する関連サンプルの対照または対照データベースを得るために、サンプルの対照セットを分析する。例えば、目的の染色または色素（例えば、HE染色、コンゴーレッド染色、または直接または間接的に標識された（例えば、標識された二次抗体で）標的タンパク質に特異的な抗体）で染色された標的サンプル（例えば、肺組織）の対照セットは、その後にテストサンプルに適用されるアルゴリズムを生成または構築するために使用することができる。例えば、テストサンプルが肺組織であり、標的染色がコンゴレッドである場合、コンゴレッドで染色された既知の肺組織の対照サンプルを本明細書に記載されるように分析し（例えば、分光画像／データを取得し、必要に応じて分光画像／データを削減し、訓練のためにネットワークに入力する）、実験肺サンプルと比較し、コンゴレッドのような画像の計算出力を生成するためのアルゴリズムを生成することができる。したがって、目的のサンプルタイプ（例えば、乳房組織、肺組織、水サンプル）が同じである、標的染色（例えば、HE、ビスマルクブラウン、ナイルブルー、または標的タンパク質に特異的な抗体であって、例えば、フルオロフォアまたは酵素で直接または間接的に標識されたもの）で染色された複数のサンプルを使用して、ネットワークを訓練することができる。一例では、少なくとも10個、少なくとも20個、少なくとも50個、少なくとも75個、少なくとも100個、少なくとも200個、少なくとも500個、または少なくとも1000個のサンプル（10-50個、10-100個、50-100個、または100-1000個のサンプルなど）を使用してネットワークを訓練する。したがって、対照サンプルを用いた訓練が必要な場合には、テストサンプルに対する出力計算染色画像を生成する前に、方法は、対照－染色サンプルの分光画像を取得すること、必要に応じて分光画像を削減すること（例えば、スペクトル全体または削減スペクトルを使用すること）、次いでこの情報をニューラルネットワーク、サポートベクターマシン、またはベイズ分類器などのネットワークに入力することを含むことができる。ネットワークは、分光画像／データの生化学的特性を分子または色素パラメータに関連付け、これを各ピクセルの色値または染色強度に変換する。例えば、各訓練サンプルについて分光イメージングデータセットを取得し、それにより各ピクセルにおけるスペクトル（例えばIRスペクトル）を生成する。訓練用の分光イメージングデータセットの次元を削減することができ、それにより削減分光イメージングデータセットが生成され、訓練のためにネットワークに入力される。結果として生じる訓練済みサンプルは、ネットワークのアルゴリズムとパラメータをもたらし、出力画像を生成するために、テストサンプルとの比較に使用される。訓練の結果、ニューラルネットワークを定義するパラメータのセットができ、いかなる未知のサンプルに適用しても、サンプルを染色することなく、計算染色画像を出力することができる。） 「[0049] Any of the disclosed methods can be implemented as computer-executable instructions stored on one or more computer-readable media (e.g., non-transitory computer-readable media, such as one or more optical media discs, volatile memory components (such as DRAM or SRAM), or nonvolatile memory components (such as hard drives)) and executed on a computer (e.g., any commercially available computer, including smart phones or other mobile devices that include computing hardware). Any of the computer-executable instructions for implementing the disclosed techniques as well as any data created and used during implementation of the disclosed methods can be stored on one or more computer-readable media (e.g., non-transitory computer-readable media). The computer-executable instructions can be part of, for example, a dedicated software application or a software application that is accessed or downloaded via a web browser or other software application (such as a remote computing application). Such software can be executed, for example, on a single local computer (e.g., any suitable commercially available computer) or in a network environment (e.g., via the Internet, a wide-area network, a local-area network, a client-server network (such as a cloud computing network), or other such network) using one or more network computers.」 （仮訳： [0049] 開示された方法のいずれも、１つまたは複数のコンピュータ可読媒体（例えば、１つまたは複数の光媒体ディスク、揮発性メモリ構成要素（DRAMまたはSRAMなど）、または不揮発性メモリ構成要素（ハードドライブなど）などの非一時的なコンピュータ可読媒体）上に記憶され、コンピュータ（例えば、コンピューティングハードウェアを含むスマートフォンまたは他のモバイルデバイスを含む任意の市販のコンピュータ）上で実行されるコンピュータ実行可能命令として実施することができる。開示された技術を実施するためのコンピュータ実行可能命令のいずれか、ならびに開示された方法の実施中に作成及び使用される任意のデータは、１つまたは複数のコンピュータ可読媒体（例えば、非一時的なコンピュータ可読媒体）に記憶され得る。コンピュータ実行可能命令は、例えば、専用のソフトウェアアプリケーション、またはウェブブラウザもしくは他のソフトウェアアプリケーション（リモートコンピューティングアプリケーションなど）を介してアクセスもしくはダウンロードされるソフトウェアアプリケーションの一部とすることができる。このようなソフトウェアは、例えば、単一のローカルコンピュータ（例えば、任意の適切な市販のコンピュータ）上で、または１つ以上のネットワークコンピュータを使用するネットワーク環境（例えば、インターネット、広域ネットワーク、ローカルエリアネットワーク、クライアントサーバネットワーク（クラウドコンピューティングネットワークなど）、または他のこのようなネットワークを介して）において実行することができる。） 「[0053] One skilled in the art will appreciate that the spectroscopic image can obtained using IR (such as mid-IR), Raman, fluorescence, lifetime terahertz or any other form of spectroscopy. For example, IR microscopes and/or Fourier transform infrared spectrometers can be used. Spectra may be obtained using a Fourier transform spectrometer, filters, lasers such as quantum cascade lasers or using any such spectral resolution device such as grating-based spectrometer. In one example, the spectroscopic image of the sample is obtained using spectroscopic imaging instrumentation, such as a mid-IR imaging system. IR light is light with a wavelength of about 750 nm to 1 mm. The mid-IR range is about 2 to 14 microns. The optical frequencies of the mid-IR region of the spectrum are in the range of molecular vibrational frequencies. Hence, if a molecular species is present, light is absorbed in a pattern consistent with its molecular constitution. The absorption spectrum can be used as a pattern of composition as well as metabolic activity. In one example, when obtaining the spectroscopic image, at least one mid-IR scan is obtained for each pixel in the image. For example, at least one spatial dimension (such as 1, 2 or 3 spatial dimensions) and at least one spectral (e.g., chemistry) dimension can be obtained, for example for each pixel in the image. In some examples, a 2-dimensional IR image is obtained, in other examples a 3-dimensional image is obtained.」 （仮訳： [0053] 当業者であれば、分光画像は、IR（中赤外など）、ラマン、蛍光、寿命テラヘルツ、または他の任意の形態の分光法を用いて得ることができることを理解するであろう。例えば、IR顕微鏡及び／またはフーリエ変換赤外分光計を使用することができる。スペクトルは、フーリエ変換分光計、フィルター、量子カスケードレーザーのようなレーザー、またはグレーティングベースの分光計のような任意のスペクトル分解能デバイスを使用して得ることができる。一例では、サンプルの分光画像は、中赤外イメージングシステムなどの分光イメージング装置を用いて得られる。IR光とは、波長が約750nmから1mmの光である。中赤外域は約2から14ミクロンである。スペクトルの中赤外領域の光周波数は、分子の振動周波数の範囲にある。したがって、分子種が存在すれば、その分子構造に一致したパターンで光が吸収される。吸収スペクトルは、代謝活性だけでなく、組成のパターンとしても使用できる。一例では、分光画像を取得する際、画像内の各画素について少なくとも１つの中間赤外スキャンを取得する。例えば、画像内の各画素について、少なくとも１つの空間次元（１、２または３空間次元など）及び少なくとも１つのスペクトル（例えば化学）次元を得ることができる。ある実施例では２次元ＩＲ画像が得られ、他の実施例では３次元画像が得られる。） 「[0059] In some examples, the samples are also analyzed using light microscopy (brightfield image). In particular examples the method includes obtaining a brightfield optical image and a spectroscopic image from same unstained sample. The obtained data is combined with pattern recognition algorithms. The resulting refined data is input into a network that relates the biochemical properties to molecular or dye parameters, and transforms this to color values or staining intensity on each pixel. Predicted values of stain or dye are used to generate a computed stain image that is comparable to the target stain.」 （仮訳： [0059] いくつかの例では、サンプルは光学顕微鏡（明視野像）でも分析される。特定の例では、この方法は、同じ未染色サンプルから明視野光学画像と分光画像を得ることを含む。得られたデータはパターン認識アルゴリズムと組み合わされる。得られた精製データは、生化学的特性を分子または色素パラメータに関連付けるネットワークに入力され、各画素の色値または染色強度に変換される。染色または色素の予測値は、標的染色に匹敵する計算染色画像を生成するために使用される。） 「[0080] In particular examples, at least one target to be detected by the disclosed methods is a cellular structure. Such structures are typically identified and localized in a sample using stains, such as HE, iodine, methylene blue, Congo Red, carmine, toluidene blue, Sudan III, Wright's stain, acridine orange, Bismarck brown, acid fuchsine, and others listed herein. Exemplary non-limiting cellular structures that can be detected using the disclosed methods include carbohydrates, nucleus, nuclei, lumen, chromosomes, connective tissue, cytoskeleton, lipids, mucins, glycogen, and mitochondria, and collagen.」 （仮訳： [0080] 特定の例では、開示された方法によって検出される少なくとも１つの標的は細胞構造である。このような構造は、典型的には、HE、ヨウ素、メチレンブルー、コンゴーレッド、カルミン、トルイデンブルー、スーダンIII、ライト染色、アクリジンオレンジ、ビスマルクブラウン、アシッドフクシン、および本明細書に列挙された他のような染色を用いて、試料中で同定および局在化される。開示された方法を用いて検出され得る例示的な非限定的細胞構造としては、炭水化物、核、内腔、染色体、結合組織、細胞骨格、脂質、ムチン、グリコーゲン、およびミトコンドリア、ならびにコラーゲンが挙げられる。） 「[0119] The problem of spectral unmixing in breast tissue was solved herein by mapping the infrared images to bright-field images representing an array of common histological stains. Several tissue samples representing a broad panel of normal tissue, non-malignant and cancer subtypes, including tissue microarrays and surgical resections of breast biopsies, were used. A training set was constructed by first imaging the tissue using mid-infrared spectroscopy. Adjacent sections were then stained using a panel of standard and immunohistochemical stains and imaged using bright-field microscopy. The bright-field images were then adjusted to overlay the spectroscopic images. This created a spatial (pixel-to-pixel) map to the IR data, from corresponding spectrum/RGB pairs were can extracted. A principal component analysis (PCA) was used to reduce the dimensionality of the input spectra and train a feed-forward neural network using the PCA-projected spectra as input and the associated bright-field color data as output. The high data rate provided by IR spectroscopic imaging combined with the large number of tissue samples used provided millions of spectrum-RGB pairs for each stain.」 （仮訳： [0119] 乳房組織におけるスペクトル混合の問題は、一般的な組織学的染色の配列を表す明視野画像に赤外画像をマッピングすることによって解決された。組織マイクロアレイや外科的切除による乳房生検など、正常組織、非悪性、癌のサブタイプの幅広いパネルを代表するいくつかの組織サンプルを使用した。まず中赤外分光法を用いて組織を画像化し、訓練セットを構築した。次に、隣接する切片を標準かつ免疫組織化学染色のパネルを用いて染色し、明視野顕微鏡を用いて画像化した。その後、明視野画像を分光画像と重ね合わせるように調整した。これにより、IRデータに対する空間（ピクセル間）マップが作成され、対応するスペクトル/RGBペアが抽出された。主成分分析（PCA）を使って入力スペクトルの次元を削減し、PCAで投影されたスペクトルを入力として、関連する明視野カラーデータを出力として、フィードフォワード・ニューラルネットワークを訓練した。赤外分光イメージングによって得られる高いデータレートと、使用された多数の組織サンプルによって、各染色について数百万のスペクトルとRGBのペアが得られた。） 「 ［図：0001413829000001.jpg］ 」 ２ 引用発明 上記１から、引用文献１には以下の事項が記載されている。 ・［0005］によれば、引用文献１には「色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法およびシステム」に関する発明が記載されているといえる。 （１）引用文献１記載のコンピュータに係る構成 ・［0049］によれば、引用文献１において開示された方法、すなわち上述した「色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法」は、「非一時的なコンピュータ可読媒体上に記憶され、コンピュータ上で実行されるコンピュータ実行可能命令として実施することができる」ものである。 また、引用文献１記載の「コンピュータ」は、基本的な構成として、記憶装置（上記「非一時的なコンピュータ可読媒体」を含む）の他にプロセッサや通信インタフェースを備えたものであることは明白である。 そうすると、引用文献１記載の「コンピュータ」は、「非一時的なコンピュータ可読媒体」に記憶された「コンピュータ実行可能命令」が「プロセッサ」によって実行されたときに、上記「色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法」を「プロセッサ」に行わせるものである。 したがって、引用文献１には、次のようなコンピュータに係る構成が記載されているといえる。なお、符号ａ～ｆは当審にて付与した。以下、符号ａ等を付した事項を「構成ａ」等という（以下、同様）。 （引用文献１記載のコンピュータに係る構成） 「ａ 通信インターフェースと、 ｂ プロセッサと、 ｃ コンピュータ実行可能命令を記憶する非一時的なコンピュータ可読媒体であって、 ｄ 前記コンピュータ実行可能命令は、前記プロセッサによって実行されたとき、 ｅ 色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法 ｄ を前記プロセッサに行わせる、 ｃ 非一時的なコンピュータ可読媒体と ｆ を備える、コンピュータ。」 （２）上記（１）の構成ｅの内容について ア 対照セットと分光イメージングデータセットの取得について ・[0014]、[0026]、[0028]、[0080]によれば、組織サンプルは、細胞、核酸、及び／またはタンパク質を含み、核やミトコンドリア、細胞内の小器官などを検出し得るものである。 ・引用文献１における「対照」は、[0044]において「染色画像に類似したカラーコード化画像を提供し、対照との一致を検証することができる。」と記載されているように、比較対象を意味するものである。なお、図１Ａ－１Ｅの例では、「対照」は「ｂ」の染色画像であり、「ｅ」の染色せずに再現した染色画像の比較対象である。 ・引用文献１の[0045]には、「対照」及び「対照セット」、また[0014]、[0044] 、[0045]には、「分光イメージングデータ」、「分光画像」及び「分光イメージングデータセット」が記載されており、「対照セット」は、複数の「対照」（画像）から構成された「セット」であり、また、「分光イメージングデータセット」は、複数の「分光画像」（当審注：「分光画像」と「分光イメージングデータ」は同じものと認められる）から構成された「セット」であることが自明である。 ・[0014]及び図１Ａ－１Ｅ、[0044]によれば、同じ組織サンプルから、「対照」と「分光画像」を取得している。 ・そうすると、構成ｅでは、細胞、核酸、及び／またはタンパク質を含み、核やミトコンドリア、細胞内の小器官などを検出し得る組織サンプルから、対照セットと、分光イメージングデータセットとを取得している。 イ 対照セットについて ・[0045]における「染色された標的サンプル（例えば、肺組織）」との記載、及び「染色された既知の肺組織の対照サンプル」との記載からすると、「標的サンプル」と「対照サンプル」は同じ画像を示すものである。 ・[0045]、[0119]によれば、対照セットは、隣接する切片を染色した複数の対照サンプルから構成され、明視野顕微鏡を用いて画像化したものといえる。 ・[0028]-[0030]によれば、染色にはフルオレセインイソチオシアネート、フルオロフォアを使用することができる。 ・したがって、構成ｅにおいて、対照セットは、隣接する切片を染色した複数の対照サンプルから構成され、明視野顕微鏡を用いて画像化したものであり、染色にはフルオレセインイソチオシアネート、フルオロフォアを使用することができるものである。 ウ 分光イメージングデータセットについて ・上記イで述べたとおり、対照サンプルは、隣接する切片を染色したものであるから、分光画像も同じ「隣接する切片」から取得されるものといえる。 そうすると、[0014]、[0044]、[0053]、[0119]より、分光イメージングデータセットは、隣接する切片の未染色組織から記録された複数の分光画像から構成され、IR顕微鏡を使用した中赤外分光法により画像化したものといえる。 ・[0053]によれば、分光画像を取得する際には、画像内の各画素について３空間次元及びスペクトル次元を得ることができるものであり、３次元画像を取得することができる。 ・したがって、構成ｅにおいて、分光イメージングデータセットは、隣接する切片の未染色組織から記録された複数の分光画像から構成され、IR顕微鏡を使用した中赤外分光法により画像化したものであり、分光画像を取得する際には、画像内の各画素について３空間次元及びスペクトル次元を得ることができるものであり、３次元画像を取得することができるものである。 エ ニューラルネットワークの訓練について ・[0044]によれば、「削減分光画像」は、「分光画像」を次元削減したものである。 ・[0044]の「出力計算染色画像が、全体または削減分光画像から生成される」との記載、及び[0045]の「分光画像・・・を取得し、必要に応じて分光画像・・・を削減し、訓練のためにネットワークに入力・・・実験肺サンプルと比較し、・・・アルゴリズムを生成する」との記載によれば、ニューラルネットワークの訓練は、分光画像、または必要に応じて次元削減された削減分光画像を入力し、出力される計算染色画像と対照を比較することで行われるものといえる。 オ 計算染色画像について ・[0044]では、「染色画像に類似したカラーコード化画像」を「出力計算染色画像」と言い換えており、 [0044]によれば、出力される計算染色画像は、対照との一致を検証することができるものであり、染色対象が使用された場合に得られたであろう染色画像に匹敵するものといえる。 カ 訓練したニューラルネットワークについて ・[0044] 、[0045]によれば、訓練したニューラルネットワークは、新しいテストサンプルの染色パターンを予測し、未知のサンプルに適用しても、サンプルを染色することなく、計算染色画像を出力するものである。 キ 上記ア～カより、引用文献１のプロセッサに行わせる構成ｅの方法の内容は、次のとおりである。 「ｅ１ 細胞、核酸、及び／またはタンパク質を含み、核やミトコンドリア、細胞内の小器官などを検出し得る組織サンプルから、対照セットと分光イメージングデータセットを取得し、 ｅ１１ 対照セットは、隣接する切片を染色した複数の対照サンプルから構成され、明視野顕微鏡を用いて画像化したものであり、染色にはフルオレセインイソチオシアネート、フルオロフォアを使用することができ、 ｅ１２ 分光イメージングデータセットは、隣接する切片の未染色組織から記録された複数の分光画像から構成され、IR顕微鏡を使用した中赤外分光法により画像化したものであり、分光画像を取得する際には、画像内の各画素について３空間次元及びスペクトル次元を得ることができるものであり、３次元画像を取得することができ、 ｅ２ ニューラルネットワークの訓練は、分光画像、または必要に応じて次元削減された削減分光画像を入力し、出力される計算染色画像と対照とを比較することで行われ、 ｅ２１ 出力される計算染色画像は、対照との一致を検証することができるものであり、染色対象が使用された場合に得られたであろう染色画像に匹敵するものであり、 ｅ３ 訓練したニューラルネットワークは、新しいテストサンプルの染色パターンを予測し、未知のサンプルに適用しても、サンプルを染色することなく、計算染色画像を出力する、 ｆ 方法。」 （３）上記摘記事項および図面を総合勘案すると、引用文献１には次の発明（以下、「引用発明」という。）が記載されている。符号ａないしｆは当審にて付与した。以下、符号ａ等を付した事項を「構成ａ」等という。 「ａ 通信インターフェースと、 ｂ プロセッサと、 ｃ コンピュータ実行可能命令を記憶する非一時的なコンピュータ可読媒体であって、 ｄ 前記コンピュータ実行可能命令は、前記プロセッサによって実行されたとき、 ｅ 色素や染色を使用せずに、生検組織切片などのサンプルの画像を生成または取得するための方法であって、 ｅ１ 細胞、核酸、及び／またはタンパク質を含み、核やミトコンドリア、細胞内の小器官などを検出し得る組織サンプルから、対照セットと分光イメージングデータセットを取得し、 ｅ１１ 対照セットは、隣接する切片を染色した複数の対照サンプルから構成され、明視野顕微鏡を用いて画像化したものであり、染色にはフルオレセインイソチオシアネート、フルオロフォアを使用することができ、 ｅ１２ 分光イメージングデータセットは、隣接する切片の未染色組織から記録された複数の分光画像から構成され、IR顕微鏡を使用した中赤外分光法により画像化したものであり、分光画像を取得する際には、画像内の各画素について３空間次元及びスペクトル次元を得ることができるものであり、３次元画像を取得することができ、 ｅ２ ニューラルネットワークの訓練は、分光画像、または必要に応じて次元削減された削減分光画像を入力し、出力される計算染色画像と対照とを比較することで行われ、 ｅ２１ 出力される計算染色画像は、対照との一致を検証することができるものであり、染色対象が使用された場合に得られたであろう染色画像に匹敵するものであり、 ｅ３ 訓練したニューラルネットワークは、新しいテストサンプルの染色パターンを予測し、未知のサンプルに適用しても、サンプルを染色することなく、計算染色画像を出力する、 ｅ 方法 ｄ を前記プロセッサに行わせる、 ｃ 非一時的なコンピュータ可読媒体と ｆ を備える、 コンピュータ。」 第５ 引用発明との対比 １ 構成Ａ、Ｂについて 引用発明の構成ａの「通信インターフェース」、構成ｂの「プロセッサ」は、本願発明の「通信インターフェース」、「プロセッサ」にそれぞれ相当する。 ただし、本願発明の通信インターフェースは「顕微鏡検査画像を受信するように構成された」ものであるのに対して、引用発明はその旨の特定がない点で相違する。 ２ 構成Ｃについて 引用発明の構成ｃの「コンピュータ実行可能命令を記憶する非一時的なコンピュータ可読媒体」は、構成ｂの「プロセッサ」と通信可能に結合されていることが自明であり、本願発明の「前記プロセッサに通信可能に結合され、コンピュータ実行可能命令を記憶する非一時的コンピュータ可読媒体」に相当する。 ３ 構成Ｄについて 引用発明は、構成ｄにおいて、コンピュータ実行可能命令がプロセッサによって実行されたとき、構成ｅの方法による処理をプロセッサに行わせるものである。 したがって、引用発明と本願発明は、コンピュータ実行可能命令がプロセッサによって実行されたとき、所定の処理を前記プロセッサに行わせる点で共通する。 ４ 構成Ｅ１について ア 引用発明の構成ｅ１１の「対照サンプル」及び構成ｅ１２の「分光画像」は、いずれも顕微鏡を用いて画像化したものであり、顕微鏡検査画像といえるものである。 したがって、複数の「対照サンプル」から構成される「対照セット」、及び複数の「分光画像」から構成される「分光イメージングデータセット」は、いずれも顕微鏡検査画像のセットといえる。 イ 引用発明の構成ｅ１１の「対照セット」及び構成ｅ１２の「分光イメージングデータセット」は、いずれも「隣接する切片」の複数の画像から構成されたものであるところ、各切片自体に厚みがあることは自明であり、その結果、構成ｅ１２の「３空間次元」や「３次元画像」を得ることができるといえる。 また、引用発明は、「隣接する切片」同士をつなげると、元の３次元の組織になるものと認められる。 そうすると、引用発明の「対照セット」及び「分光イメージングデータセット」は、各画像としてみても、また、画像のセットとしてみても、３次元（３Ｄ）画像のセットといえるものである。 ウ 上記ア、イより、引用発明の「対照セット」及び「分光イメージングデータセット」は、顕微鏡検査画像かつ３Ｄ画像のセット、すなわち３Ｄ顕微鏡検査画像のセットといえ、引用発明の「対照セット」及び「分光イメージングデータセット」は、本願発明の「３次元（３Ｄ）顕微鏡検査画像の第１のセット」及び「３Ｄ顕微鏡検査画像の第２のセット」にそれぞれ相当する。 エ 引用発明は組織サンプルから「対照セット」及び「分光イメージングデータセット」を取得しており、引用発明と本願発明は「３次元（３Ｄ）顕微鏡検査画像の第１のセットおよび３Ｄ顕微鏡検査画像の第２のセット」を取得する点で共通する。 ただし、上記１で挙げた相違点と関連して、３Ｄ顕微鏡検査画像の取得について、本願発明は「前記通信インターフェースを介して」、３Ｄ顕微鏡検査画像の第１のセットおよび第２のセットを「受信」するのに対して、引用発明はその旨の特定がない点で相違する。 オ 本願発明の「亜細胞構造」について、明細書の発明の詳細な説明を参照すると、「亜細胞構造（細胞内構造とも呼ばれる）は、細胞膜、核、および細胞小器官（たとえば、ミトコンドリア、小胞体、液胞、ゴルジ体、またはリソソーム）など、細胞レベルよりも小さい細胞構成要素および他の構造を含み得る。」（【００２９】）と記載されている。 引用発明の「対照セット」及び「分光イメージングデータセット」は、いずれも「核やミトコンドリア、細胞内の小器官などを検出し得る組織サンプル」から取得したものであり、複数の亜細胞構造の画像といえるものである。 カ 引用発明の「対照セット」は、染色にフルオレセインイソチオシアネート、フルオロフォアを使用できるところ、フルオレセインイソチオシアネート、フルオロフォアは、一般に、顕微鏡観察に用いられる蛍光色素の一種として広く使用されている。 そうすると、引用発明において、「対照セット」の染色にフルオレセインイソチオシアネート、フルオロフォアを使用することは、本願発明の「３Ｄ顕微鏡検査画像の前記第１のセットは、複数の組織サンプル中の複数の亜細胞構造の３Ｄ蛍光画像であ」ることに相当する。 キ 引用発明の構成ｅ１２の「分光イメージングデータセット」の「分光画像」は、IR顕微鏡を使用した中赤外分光法により画像化されたものであるから、「核やミトコンドリア、細胞内の小器官などを検出し得る組織サンプル」に中赤外線の波長の光を当て、透過してきた光を画像化したものを含むものと認められる。 したがって、引用発明の「分光イメージングデータセット」は、組織サンプルから取得した「亜細胞構造の３Ｄ透過光画像」といえるものであり、本願発明の「３Ｄ顕微鏡検査画像の前記第２のセットは、同じ複数の亜細胞構造の３Ｄ透過光画像であ」ることに相当する。 また、引用発明の「分光イメージングデータセット」が「未染色組織から記録された分光画像」から構成されることは、本願発明の「３Ｄ顕微鏡検査画像の前記第２のセット中に蛍光ラベリングは含まれない」ことに相当する。 ５ 構成Ｅ２について ア 上記４のキで述べたとおり、引用発明の「分光イメージングデータセット」の「分光画像」は、「亜細胞構造の３Ｄ透過光画像」といえるものであり、本願発明の「何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像」に相当する。 また、引用発明の構成ｅ２１の「計算染色画像」は、染色対象が使用された場合に得られたであろう染色画像に匹敵するものであり、構成ｅ１１のようにフルオレセインイソチオシアネート、フルオロフォアを使用した染色にも対応するものであるから、本願発明の「前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像」に相当する。 イ 引用発明の構成ｅ２の「ニューラルネットワーク」は、「分光イメージングデータセット」を入力し、「計算染色画像」を出力することを含み、「分光イメージングデータセット」を「計算染色画像」にコンバートするといえるものである。 また、引用発明の構成ｅ３のように「ニューラルネットワーク」は「訓練」によって生成している。 さらに、引用発明の「ニューラルネットワーク」の「訓練」は、構成ｄのコンピュータ実行可能命令がプロセッサによって実行させたときに行われるものである。 ウ 上記ア、イを総合勘案すると、引用発明における「ニューラルネットワーク」の「訓練」は、本願発明の「何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像を、前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像にコンバートするように構成されたニューラル・ネットワークを生成する」こと、及び「前記命令は、前記プロセッサに、３Ｄ顕微鏡検査画像の前記第１のセットおよび３Ｄ顕微鏡検査画像の前記第２のセットに基づいて前記ニューラル・ネットワークをトレーニングすることによって前記ニューラル・ネットワークを生成させる」ことに相当する構成を含むものである。 ６ 構成Ｅ３について 本願発明は「前記複数の組織サンプルから３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された画像獲得パラメータのパラメータ値を決定する」のに対して、引用発明はその旨の特定がない点で相違する。 ７ 構成Ｅ４について ア 引用発明の構成ｅ３の「訓練したニューラルネットワーク」に適用される「新しいテストサンプル」や「未知のサンプル」は、本願発明の「追加の組織サンプル」に相当する。 イ 引用発明の構成ｅ１２、ｅ２の「分光画像」は、上記４のキで述べたとおり、「亜細胞構造の３Ｄ透過光画像」といえるものである。 また、引用発明の「ニューラルネットワーク」は、組織サンプルから取得した「分光画像」を入力とし、計算染色画像を出力とするものであるから、「新しいテストサンプル」や「未知のサンプル」から「分光画像」を取得し、ニューラルネットワークに入力することが明白である。 ウ 上記ア、イを総合勘案すると、引用発明において「新しいテストサンプル」や「未知のサンプル」から取得した分光画像は、本願発明の「追加の組織サンプル中の１つまたは複数の亜細胞構造の透過光画像である追加の３Ｄ顕微鏡検査画像」に相当する。 エ 引用発明の構成ｅ１２のように「分光画像」が「未染色組織から記録された分光画像」であることは、本願発明の「前記追加の３Ｄ顕微鏡検査画像中に蛍光ラベリングは含まれ」ないことに相当する。 オ してみると、引用発明と本願発明は「前記ニューラル・ネットワークが生成されトレーニングされた後に、追加の組織サンプル中の１つまたは複数の亜細胞構造の透過光画像である追加の３Ｄ顕微鏡検査画像を」取得する点で共通する。 ただし、上記１で挙げた相違点と関連して、本願発明は追加の３Ｄ顕微鏡検査画像を「受信」するのに対して、引用発明はその旨の特定がない点で相違する。 カ 上記イで述べたとおり、引用発明は、「新しいテストサンプル」や「未知のサンプル」から「分光画像」（「亜細胞構造の３Ｄ透過光画像」）を取得しており、引用発明と本願発明は「前記追加の３Ｄ顕微鏡検査画像は、前記追加の組織サンプルの前記１つまたは複数の亜細胞構造からキャプチャされる」点で共通する。 ただし、上記６で挙げた相違点と関連して、３Ｄ顕微鏡検査画像のキャプチャについて、本願発明は、追加の３Ｄ顕微鏡検査画像が「３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された前記パラメータ値を用いて」キャプチャされるのに対して、引用発明はその旨の特定がない点で相違する。 ８ 構成Ｅ５について 引用発明の構成ｅ３の「訓練したニューラルネットワーク」が「新しいテストサンプルの染色パターンを予測し、未知のサンプルに適用しても、サンプルを染色することなく、計算染色画像を出力する」ことは、構成ｅ１１のようにフルオレセインイソチオシアネート、フルオロフォアを使用した染色にも対応しており、本願発明の「前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成すること」に相当する。 ９ 構成Ｆについて 上述した構成を備える引用発明の構成ｆの「コンピュータ」は、本願発明の「コンピューティング・デバイス」に相当する。 １０ 以上のことから、本願発明と引用発明との一致点及び相違点は、次のとおりである。 ＜一致点＞ Ａ’通信インターフェースと、 Ｂ プロセッサと、 Ｃ 前記プロセッサに通信可能に結合され、コンピュータ実行可能命令を記憶する非一時的コンピュータ可読媒体であって、 Ｄ 前記コンピュータ実行可能命令は、前記プロセッサによって実行されたとき、 Ｅ１’３次元（３Ｄ）顕微鏡検査画像の第１のセットおよび３Ｄ顕微鏡検査画像の第２のセットを取得することであって、３Ｄ顕微鏡検査画像の前記第１のセットは、複数の組織サンプル中の複数の亜細胞構造の３Ｄ蛍光画像であり、３Ｄ顕微鏡検査画像の前記第２のセットは、同じ複数の亜細胞構造の３Ｄ透過光画像であり、３Ｄ顕微鏡検査画像の前記第２のセット中に蛍光ラベリングは含まれない、 Ｅ２ 何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像を、前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像にコンバートするように構成されたニューラル・ネットワークを生成することであって、前記第１のタイプの画像中に蛍光ラベリングは含まれず、前記命令は、前記プロセッサに、３Ｄ顕微鏡検査画像の前記第１のセットおよび３Ｄ顕微鏡検査画像の前記第２のセットに基づいて前記ニューラル・ネットワークをトレーニングすることによって前記ニューラル・ネットワークを生成させる、 Ｅ４’前記ニューラル・ネットワークが生成されトレーニングされた後に、追加の組織サンプル中の１つまたは複数の亜細胞構造の透過光画像である追加の３Ｄ顕微鏡検査画像を取得することであって、前記追加の３Ｄ顕微鏡検査画像中に蛍光ラベリングは含まれず、前記追加の３Ｄ顕微鏡検査画像は、前記追加の組織サンプルの前記１つまたは複数の亜細胞構造からキャプチャされる、 Ｅ５ 前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成することと Ｄ を前記プロセッサに行わせる、 Ｃ 非一時的コンピュータ可読媒体と Ｆ を備える、コンピューティング・デバイス。 ＜相違点１＞ ３Ｄ顕微鏡検査画像の取得について、本願発明の通信インターフェースは「顕微鏡検査画像を受信するように構成された」ものであり、「前記通信インターフェースを介して」、３Ｄ顕微鏡検査画像の第１のセットおよび第２のセットを「受信」し、追加の３Ｄ顕微鏡検査画像を「受信」するのに対して、引用発明はその旨の特定がない点。 ＜相違点２＞ ３Ｄ顕微鏡検査画像のキャプチャについて、本願発明は「前記複数の組織サンプルから３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された画像獲得パラメータのパラメータ値を決定」しており、追加の３Ｄ顕微鏡検査画像が「３Ｄ顕微鏡検査画像の前記第２のセットをキャプチャするために使用された前記パラメータ値を用いて」キャプチャされるのに対して、引用発明はその旨特定がない点。 第６ 判断 １ 相違点１について 引用文献１の[0049]には、ネットワーク環境で使用されるネットワークコンピュータを用いることが記載されている。 ニューラルネットワークなどの機械学習の分野では、取り扱うデータ量が大量になるため、複数のコンピュータが通信しながら計算処理を行うことは、広く行われており、引用発明においても、ニューラルネットワークに入力するデータ（「対照セット」、「分光イメージングデータセット」、「未知のサンプル」、「新しいテストサンプル」）を、通信インターフェイスを介して他のコンピュータから受信するようにして、上記相違点１に係る本願発明の構成とすることは当業者が容易になし得ることである。 ２ 相違点２について 引用発明は、対照サンプル及び分光画像が「画像化」によるものである以上、カメラを備えたものといえる。 また、引用文献１の[0053]には、分解能デバイスを使用してスペクトルを得ることが記載されており、スペクトルを測定する際のデータの細かさを設定していることは明白である。 してみると、引用発明は、画像化に係るカメラのパラメータ値や、スペクトルを得る際のデータの細かさを指定するパラメータ値が設定されるものであり、これらのパラメータ値について、ニューラルネットワークの訓練に用いる画像のキャプチャ時と、訓練後の予測に用いる新しいテストサンプルの画像のキャプチャ時で、同じ値を用いることに格別の困難性はなく、上記相違点２に係る構成とすることは当業者が容易になし得ることである。 そして、本願発明の奏する効果も、引用発明の奏する作用効果から予測される範囲内のものにすぎず、格別顕著なものということはできない。 よって、本願発明は、引用発明に基づいて、当業者が容易に発明をすることができたものである。 ３ 請求人の主張について （１）審判請求書における請求人の主張 請求人は、令和５年３月１５日提出の審判請求書において、以下の旨主張している。 ア 主張１ 「本願発明は、「何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像を、前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像にコンバートするように構成されたニューラル・ネットワークを生成する」特徴的構成を有します。 これに対し、引用文献１は、２次元の病理組織画像を利用しているに過ぎず、「何らかの亜細胞構造の３Ｄ透過光画像である第１のタイプの画像を、前記亜細胞構造の予測される３Ｄ蛍光画像である第２のタイプの画像にコンバートするように構成されたニューラル・ネットワークを生成する」という構成を開示および示唆しておりません。」 イ 主張２ 「また、本願発明は、「前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成する」特徴的構成を有します。 これに対し、引用文献１の段落［００５３］には、「他の実施形態において、３次元画像が得られる」と記載されているに過ぎず、「前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成する」という構成を開示および示唆しておりません。」 ウ 主張３ 「また、本願発明は、「３次元（３Ｄ）顕微鏡検査画像の第１のセットおよび３Ｄ顕微鏡検査画像の第２のセットを受信し、前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成する」特徴的構成を有します。 これに対し、引用文献１の段落［００５２］には、「処理ブロック１１２は、主成分分析（ＰＣＡ）を使用して分光画像またはデータの次元を縮小する」と記載されております。さらに、引用文献１の段落［００５８］には、「縮小された分光画像およびデータは、検出されたスペクトル特性を色素パラメータに関連付けるアルゴリズムに入力または適用される」と記載されております。これらの記載から、引用文献１では、分光画像およびデータの次元を縮小することにより、分光画像内の不要な領域を削除するものと考えられます。このように、引用文献１は、分光画像内の不要な領域を削除するため、引用文献１から「３次元（３Ｄ）顕微鏡検査画像の第１のセットおよび３Ｄ顕微鏡検査画像の第２のセットを受信し、前記ニューラル・ネットワークおよび前記追加の３Ｄ顕微鏡検査画像を用いて、前記追加の組織サンプルのための予測される蛍光ラベリングを含む予測される３Ｄ蛍光画像を生成する」構成を想到することは容易ではないと思料致します。」 （２）請求人の主張についての検討 ア 主張１、２について 請求人は、引用文献１は２次元の病理組織画像を利用しているに過ぎず、また引用文献１の段落［００５３］には「他の実施形態において、３次元画像が得られる」と記載されているに過ぎない旨主張しているが、上記第５の４で検討したとおり、引用発明の「対照セット」及び「分光イメージングデータセット」は、３次元（３Ｄ）画像のセットといえるものである。 そして、上記主張１、２における本願発明の「特徴的構成」は、本願発明の構成Ｅ２、Ｅ５のことであるが、引用発明は、上記第５の５、８で述べたとおり、本願発明の構成Ｅ２、Ｅ５に相当する構成を有している。 イ 主張３について ニューラルネットワークに入力するデータの前処理として、次元削減を行うことは周知技術であるところ、本願発明は「追加の３Ｄ顕微鏡検査画像を用い」る際に、次元削減を行わないことを特定しているわけではなく、上記主張３は請求項の記載に基づかないものである。 なお、引用発明のニューラルネットワークは、構成ｅ２のように「分光画像、または必要に応じて次元削減された削減分光画像」を入力するものであり、次元削減せずに全体を入力して、訓練、予測を行うことを含むものである。 したがって、請求人の主張を採用することはできない。 第７ むすび 以上のとおり、本願発明は、引用発明に基づいて当業者が容易に発明をすることができたものであるから、特許法第２９条第２項の規定により特許を受けることができない。 したがって、他の請求項に係る発明について検討するまでもなく、本願は拒絶すべきものである。 よって、結論のとおり審決する。