JP2019154943A - 人工知能を用いた病変の検知方法、及び、そのシステム - Google Patents

Abstract

【課題】ＡＩエンジンの１回あたりの処理の演算負荷がより少なくて済み、Ｘ線画像（例えばレントゲン画像）をＡＩ処理するときの個人情報の保護をより強固にし得る、ＡＩを活用した病変検知の仕組みを提供する。【解決手段】被検体（患者）の所望領域（例えば肺野）の病変に関する学習モデルを作成する（２０）。診断要求された被検体のＸ線画像を受け付け（２０）、そのＸ線画像において所望領域の全体をカバーするように複数の所定サイズの矩形状の領域に区切って複数の矩形状画像を生成する（２０）。さらに、複数の矩形状画像それぞれを矩形単位で学習モデルに拠る機械学習及び深層学習に基づく人工知能（ＡＩ）エンジンによる病変の検知処理に付し（１４、２０）、その人工知能の病変の検知結果を受ける（１４，２０）。【選択図】図１

Description

本発明は、人工知能（ＡＩ）を用いて被検体（患者など）の身体の一部のＸ線画像から病変を検知したり、その病変の進み具合等を検知するための方法及びそのシステムに関する。

近年、患者から収集した医用画像を読影して発病していないか否かなど、所謂、医用診断を行うに際し、ＡＩ（人工知能）を活用する研究が盛んになっている。そのような診断スキームが実際に既に臨床の場で使われ始めている。例えば、Ｘ線ＣＴスキャナで収集した画像にＡＩ処理を適用する例として、下記の非特許文献１に記載のものが知られている。

このような中で、Ｘ線レントゲン検査で収集された例えば胸部画像から肺炎や肺がん等の病変を発見したり、その病変部の重度を検出したりする試みも行われている。この試みとして、例えば下記の非特許文献２に記載のものが知られている。この非特許文献２に記載の診断技術は、病変の有無の判定、及び、病変を矩形で囲んで示すという２段階の処理を踏んでいます。さらに、１つの胸部画像をそのままＡＩに取り込み、そのＡＩで病変を判断させている。

「ＣＴ検査におけるＡＩを活用した類似症例検索技術を開発（広島大学様の評価によって高精度な検索技術を実証）」（２０１７年６月２３日、株式会社富士通研究所発行） Xiaosong Wang et:"ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases" (米国のNational Institutes of Health によってarXivに２０１７年１２月１４日に投稿された論文。投稿番号：arXiv:1705.02315v5)

しかしながら、上述した非特許文献２に記載のものは、レントゲン画像をＡＩ処理する上で、１枚のレントゲン画像をそのままＡＩ処理に付していたため、
１回のＡＩエンジンの処理の負荷が重くなるので、より高い処理能力のＡＩエンジンが必要であった。また、１枚のレントゲン画像をそのまま処理することで、個人情報の保護の観点からの懸念もあった。

そこで、本発明は、ＡＩエンジンの１回あたりの処理の演算負荷がより少なくて済み、また、より簡素な仕組みでありながら、Ｘ線画像としてのレントゲン画像をＡＩ処理するときの個人情報の保護をより強固にし得る、ＡＩを活用した病変検知のための方法、及び、そのシステムを提供することを、その目的とする。

上記目的を達成するため、本発明に係る人工知能を用いた病変の検知方法によれば、被検体（患者）の所望領域（例えば肺野）の病変に関する学習モデルを作成しておき、診断要求された被検体のＸ線画像（例えば胸部のＸ線レントゲン画像）を受け付け、前記Ｘ線画像において前記所望領域の全体をカバーするように複数の所定サイズの矩形状の領域に区切って複数の矩形状画像を生成し、前記複数の矩形状画像それぞれを矩形単位で前記学習モデルを用いて機械学習及び深層学習に基づく人工知能（ＡＩ）エンジンによる病変の検知処理に付し、前記人工知能の病変の検知結果を受ける、ことを基本的な特徴とする。

この検知方法によれば、１枚のＸ線画像としてのレントゲン画像をそのままＡＩ処理をすることなく、例えば、その所望領域（肺野など）の全体を複数の所定サイズの矩形状の領域に区切って、その矩形状の領域毎にＡＩ処理に付している。このため、１回のＡＩ処理の負荷がより軽くて済む。また、矩形状の領域毎のＡＩ処理及びその処理結果の送信であるため、１枚のＸ線画像をそのまま処理する場合に比べても、個人情報の保護に関する懸念を払拭することができる。

好適には、前記検知方法において、前記複数の矩形状画像は、指定された初期位置に基づく前記矩形状の領域に沿った前記矩形状画像を生成し、その後、前記矩形状画像を当該矩形状画像のサイズよりも小さい所定サイズを以って所定方向に移動させることを繰り返しながら、その繰り返し毎に、前記矩形状の領域に沿った前記矩形状画像を生成する、ようにしてもよい。これにより、矩形状の領域が少しずつ移動されながらＡＩ処理に付されるので、例えば肺野の同一部位が何度も、寸動される矩形状の領域で捕捉されことになり、病変部の検知漏れの可能性を低下させることができる。

さらに、好適には前記人工知能エンジンが、前記矩形状画像の病変の有無を検出する第１の人工知能エンジンと、前記矩形状画像の病変の位置を検出する第２の人工知能エンジンとを備えるときに、最初に前記第１の人工知能エンジンによる前記病変の有無を判定し、その後に、前記病変の有無の判定結果を受けて前記第２の人工知能エンジンによる前記病変の位置を検出させる、ことである。これにより、ＡＩ処理を担う人工知能エンジンの役割が分担させるので、それぞれの人工知能エンジンの負荷が軽減され、全体としても、その病変の検知速度を向上させることができる。

なお、本発明では、前述した基本的な構成を持つ検知方法を被検体の胸部（肺野）に適用して検知システムも同様に提供される。さらに、その検知方法をコンピュータに実施させるときのプログラムを記録可能な記録媒体も提供される。

これらの構成の作用効果は、以下の図面と共に説明される様々な実施形態及びその変形例によって明らかになる。

添付図面において、
図１は、本発明の検知システムを実施した、第１の実施形態にかかる検診補助システムの構成の概要を説明するブロック図である。 検診補助システムに搭載されるゲートウェイ（ゲートウェイ装置）の構成の概要と、その機能ブロック図とを説明する図である。 人工知能エンジンによる処理（ＡＩ処理）に対する入力情報と出力情報を説明する画像例を用いた説明図である。 肺野に設定する小分割の矩形状の領域（ＲＯＩ）の縦方向及び横方向への微小移動を説明する図である。 検診補助システムにおいて実行される学習モデルの作成処理の概要を説明するフローチャートである。 ＡＩ処理を含む画像診断支援の処理の概要を説明するフローチャートである。 本発明の第２の実施形態にかかる、人工知能エンジンを役割分担させて構成例を説明する図である。

以下、添付図面に従って、本発明に係る実施形態の画像診断システムを説明する。

この画像診断システムは、人工知能を用いた病変の検知方法及びそのシステムとして実施される。本実施形態に係る方法及びシステムは、特に、被検体（患者）の身体の一部のＸ線画像として、胸部のＸ線レントゲン画像を対象としている。つまり、本実施形態では、患者の胸部の肺炎や肺がんを検知するためにＡＩ（人工知能）を用いて、医師によるＸ線レントゲンの画像の読影を支援するシステムを例示する。このシステムを、本出願人は、「ＡＩを用いた胸部レントゲン画像検診補助システム」と呼んでいるので、以下、単に、「検診補助システム」と呼ぶことにする。

＜第１の実施形態＞
図１に、第１の実施形態に係る検診補助システム１の構成を模式的に示す。この検診補助システム１は、インターネット１０を介して繋がるクラウドシステムとして提供されており、インターネット１０に通信回線１２を介して接続されたＡＩサービスサーバ（クラウドサービスのサーバ）１４と、そのインターネット１０に通信回線１６を介して接続されたクライアント側システム１８とを有する。

このクライアント側システム１８として、インターネット１０に通信回線１６を介してＨＴＴＰＳ（hypertext transfer protocol over transport layer security）で通信可能に接続されたゲートウェイ２０と、このゲートウェイ２０に専用の通信回線２２又は上記インターネット１０を介して接続された１つ又は複数のＰＡＣＳ（画像保管・電送システム（picture archiving and communication system））２４とを有する。このＰＡＣＳ２４には、一般的にＤＩＣＯＭ（Digital Imaging and Communications in Medicine）サーバと呼ばれる画像サーバが組み込まれている。

このクライアント側システム１８は医療機関Ａ，Ｂ，Ｃ，…毎に設置されている。

ＰＡＣＳ２４は、各医療機関Ａ（Ｂ，Ｃ，…）に設置されており、各種検査機器(モダリティ)から画像データを受信、データベースへ保存し、端末に表示するシステムを構成している。医師又は技師は、その端末を操作して、図示しないＸ線レントゲン装置で撮影した、患者のレントゲン写真（胸部画像）をＤＩＣＯＭサーバにアップロードすることができるように構成されている。これにより、レントゲン写真（胸部画像）ＩＭcはゲートウェイ２０に送信される。

ゲートウェイ２０は、例えば、この検診補助システム１を運営する業者の管理下に置かれたコンピュータシステムとして構築されている。このコンピュータシステムは演算装置と記憶装置とを有し、その記憶装置に所定のアプリケーションプログラムを保存している。このため、起動した演算装置が行う処理の一環として、上記アプリケーションプログラムが実行される。

具体的には、図２に示すように、汎用コンピュータの構成を成す、ＣＰＵ（中央演算装置）２０１、ＲＯＭ（read-only memory）２０２、ＲＡＭ（random access memory）２０３、操作用の入力器２０４、及び表示用の表示器２０５がバス２０６を介して相互に通信可能に接続されている。さらに、バス２０６には入出力インターフェース２０７が接続されている。このため、ＣＰＵ２０１は、ＲＯＭ２０２に予め格納されているアプリケーションプログラムを実行することができ、また、必要に応じて入出力インターフェース２０７を介して外部と通信できるように構成されている。ここで、ＲＯＭ２０２は、非遷移的コンピュータ読出し可能な記録媒体(non-transient computer readable recoding medium)を成す。

本実施形態においては、ゲートウェイ２０、即ち、そのＣＰＵ２０１は、様々なアプリケーションプログラムのうち、人工知能（ＡＩ）による診断を担うプログラム（図５、６参照）を実行することによって、機能手段として、図２に模式的に示す如く、以下の２つの機能部を持つことできる。
（１） 学習モデル作成部２０Ａ
（２） 画像診断支援部２０Ｂ

＜学習モデル作成部２０Ａについて＞
学習モデルは、ＡＩサービスサーバ１４において実行される機械学習及び深層学習で使用される、所謂、ビッグデータ（サンプルデータ）である。このビッグデータは随時又は定期的に各医療機関からアップロードされる。人工知能（ＡＩ）は自主的に学習するため、このビッグデータとしてアップロードされるサンプルデータが増えるほど、胸部疾患の診断の種類が増えるとともに、学習の精度は上がることになる。

本実施形態では、ゲートウェイ２０の学習モデル作成部２０Ａは、その機能として、ＰＡＣＳ２４から胸部画像ＩＭｃをその疾患名と共にを取得し(図５、ステップＳ１１)、その胸部画像ＩＭｃに矩形単位で種々の補正処理（距離補正、階調補正、コントラスト補正など）を掛ける（ステップＳ１２）。次いで、学習モデル作成部２０Ａは、胸部画像ＩＭｃ上で矩形状の画像のデータを作成する（ステップＳ１３）。このため、ゲートウェイ２０は、1つ又は複数の疾患のある矩形状の画像領域（ＲＯＩ部分）を、医師から教示された疾患名（肺炎、肺癌など）と共に、インターネット１０を介してＡＩサービスサーバ１４へアップロードすることができるように構成されている（ステップＳ１４）。勿論、ゲートウェイ２０が取得する画像及び情報に患者の個人名などの個人情報は含まれていない。さらに、胸部画像ＩＭｃの全体をＡＩサービスサーバ１４へアップロードするのではなく、その胸部画像ＩＭｃの一部のみをアップロードするなどで、個人情報の漏洩に配慮されている。

ＡＩサービスサーバ１４は、アップロードされてくる情報及びデータをサンプルデータ（ビッグデータ）として分類して保管するように構成されている。

＜画像診断支援＞
一方で、医師が画像診断支援を要求する場合には（診断時）、ゲートウェイ２０の画像診断支援部２０Ｂ（つまり、ＣＰＵ２０１）は、医師はＰＡＣＳ２４を介して診断支援を仰ぐ、患者の胸部の画像データＩＭｃ´が送信されてくるので、その画像ＩＭｃ´を受信し（図３参照）、内部メモリに一時保管する(図６：ステップＳ２１，Ｓ２２)。勿論、これらの受信情報に患者名等の個人情報は含まれていない。

次いで、画像診断支援部２０Ｂは、受信した胸部画像ＩＭｃ´を保管メモリから読出し、その胸部画像ＩＭｃ´に矩形状の関心領域：ＲＯＩを設定する（ステップＳ２３）。この関心領域：ＲＯＩの設定は、ゲートウェイ２０がＲＯＭ２２に予め記憶させているアプリケーションプログラムの一部のアルゴリズムにより自動的に実行される。このアルゴリズムによれば、胸部画像ＩＭｃ´から左右の肺野を自動認識し、その各初期位置Ｐｉｎｉから順に矩形領域を関心領域：ＲＯＩとして切り出す。この初期位置Ｐｉｎｉは、アルゴリズムとして予め保有していてもよいし、医師がＰＡＣＳ２４を介して、その都度指定してもよい。この矩形領域のサイズは、本実施形態では予め設定されている。

このとき、好ましくは、画像診断支援部２０Ｂは関心領域：ＲＯＩを、予め定めた規則に従って、図４に模式的に示す如く、縦方向及び横方向に少しずつずらしながら設定する（ステップＳ２４，Ｓ２５）。これにより、１つの関心領域：ＲＯＩによって捕捉しきれなかった病変が別の関心領域：ＲＯＩによって捕捉される可能性が高くなり、病変の取りこぼしを大幅に軽減できる。なお、図３（Ａ）には、関心領域：ＲＯＩが左右の肺野を整列して（オーバーラップ無し）網羅している状態を示すが、実際には、上述のように少しずつオーバーラップさせて関心領域：ＲＯＩを設定していくことが望ましい。

次いで、画像診断支援部２０Ｂは、設定した矩形状の関心領域：ＲＯＩを順次、インターネット１０を介してＡＩサービスサーバ１４にアップロードする（ステップＳ２６）。

ＡＩサービスサーバ１４には、例えば畳み込みニューラルネットワーク等に拠る、公知のＡＩエンジン（つまり、ＡＩ処理を担うアルゴリズムのコンピュータプログラム）がコンピュータシステムとして搭載されており、これにより、機械学習及び深層学習を行うように構成されている。これは、例えば、この畳み込みニューラルネットワークの関数である人工知能（ＡＩ）を関数ｙと表すと、関心ＲＯＩの画像をｘとする場合、その人工知能の結果ｙは、ｙ＝ｆ（ｘ）で概括される。

このため、ＡＩサービスサーバ１４は、このアップロードを応じて、既に保有してサンプルデータ（ビッグデータ）を用いて人工知能機能（機械学習及び深層学習）を行い（ステップＳ２７：図３（Ｂ）参照）、アップロードした矩形状の関心領域：ＲＯＩの画像に病変があるか否か、また病変があるとすれば、その病変の種類は何かを学習し、その病変名及びその病変である確率をインターネット１０を介してゲートウェイ２０に返送してくる（ステップＳ２８）。

このため、ゲートウェイ２０の画像診断支援部２０Ｂは、その返送情報を例えば図３（Ｃ）に示すように表示器２０５に表示する。表示器の画面には、一例として、人工知能サービスに掛けた胸部画像ＩＭｃ´と、同サービスの判断結果（病変（病状）の種類と、それが病変であるの確率とを含む）とを分割表示する。胸部画像ＩＭｃ´には、病変が在る部位を示すＲＯＩspecが重畳表示される。

ゲートウェイ２０は、この診断結果をＰＡＣＳ２４に返送する。このため、医師は、図３（Ｃ）と同様の画像を診ることができ、診断支援情報をえることができる。

以上のことから、本実施形態に係る、ＡＩクラウドサービスを提供する検診補助システム１によれば、図３に示すように、Ｘ線画像としての１枚のレントゲン画像をそのままＡＩ処理をすることなく、例えば、その所望領域（肺野など）の全体を複数の所定サイズの矩形状の領域に区切って、その矩形状の領域毎にＡＩ処理に付している。このため、１回のＡＩ処理の負荷がより軽くて済む。また、矩形状の領域毎のＡＩ処理及びその処理結果の送信であるため、１枚のＸ線画像をそのまま処理する場合に比べても、個人情報の保護に関する懸念を払拭することができる。

また、図４に示すように、矩形状の領域である関心領域：ＲＯＩが少しずつ縦方向及び横方向に移動されながら、その領域毎にＡＩ処理に付される。このため、肺野の同一部位が何度も、寸動される矩形状の関心領域：ＲＯＩで捕捉されことになり、病変部の検知漏れの可能性を大幅に低減させることができる。

＜第２の実施形態＞
次いで、図７を参照して、本発明の第２の実施形態に係る検診補助システムを説明する。

この第２の実施形態では、検診補助システムのＡＩサービスサーバ１４Ａに搭載する人工知能エンジンを、図７に模式的に示すように構成している点が第１の実施形態で説明した検診補助システム１とは異なる点である。このため、この相違点を中心に説明する。これ以外の構成及び作用は、第１の実施形態のものと同様であるので、その説明を省略する。

図７に示すように、人工知能エンジンの３１は大きく２段階のＡＩモジュール３２，３４によって構成されている。

このうち、初段のＡＩモジュール３２は、ある病気、例えば肺炎の発症の有無のみを検知するための複数のＡＩモジュール３２₁、３２₂，…３２_ｎであり、これらのＡＩモジュール３２₁、３２₂，…３２_ｎは入力する画像に対して並列に構築されている。１段目のＡＩモジュール３２₁、３２₂，…３２_ｎは、例えばＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）により構成されている。第２段目のＡＩモジュール３３は、第１段目のＡＩモジュール３２の検知結果を受け、その結果に病変があるという前提のもとに、病変の位置を検知する。この第２段目のＡＩモジュール３３はＦａｓｔｅｒ Ｒ−ＣＮＮ(Regions with Convolutional Neural Networks)により構成されている。なお、第１段目及び第２段目の間に、確率判定専用のＡＩモジュール３４が搭載されている。

このため、これらのＡＩモジュール３２₁、３２₂，…３２_ｎには、前述したと同様に、肺野の小領域である矩形状の画像(関心領域：ＲＯＩの画像)が入力される。これらのＡＩモジュール３２₁、３２₂，…３２_ｎは、それぞれ、違う構造(関数)及びハイパーパラメータの元で学習する。したがって、それぞれのＡＩモジュール３２₁，３２₂，…３２_ｎは、それぞれ、その画像に病変があるか否かをＣＮＮのアルゴリズムの元で独自に確率として判定し、その判定結果にバイアスＷ_１，Ｗ_２，…，Ｗ_ｎをそれぞれ掛ける。このバイアスＷ_１，Ｗ_２，…，Ｗ_ｎは、医師の経験値を反映した重み付け係数の機能を果たす。つまり、このバイアスＷ_１，Ｗ_２，…，Ｗ_ｎを掛けることによって、複数の医師が読影したと同様の状況が生まれる。

このため、第１段目のＡＩモジュール３２₁、３２₂，…３２_ｎはバイアス反映済の出力値は、次段の確率判定専用のＡＩモジュール３４により総合出力値Ｐに統合された上で、所定の閾値（例えば０．３５）と比較される。この閾値を超えた場合、病変が在ると判定され、その出力値Ｐを示すデータは、更に、次段のＡＩモジュール３３に送られ、Ｆａｓｔｅｒ Ｒ−ＣＮＮのアルゴリズムにより、矩形状の画像内の病変の位置が特定検知される。この検知結果は、病名と共に前述したゲートウェイ２０にインターネット１０を介して返送される。

なお、図７に記載のＡＩサービスサーバ１４Ａには、1種類の病気（例えば肺炎）を検知するモジュール構成を示しているが、複数種類の病気（例えば肺炎、肺癌など）に応じて、その種類数分、上述と同様の構成を並置してもよい。

上記Ｗ_１，Ｗ_２，…，Ｗ_ｎの設定法として、様々な手法を提供できる。

＜バイアスの設定法＞
病気の有無を判断するＡＩの出力値Ｐは、各ＡＩが出力する、病気である確率ｐ_ｉ（ＡＩモジュール数：ｉ＝１，２，…，ｎ）とバイアスＷ_ｉ（ｉ＝１，２，…，ｎ）を用いて、以下のように定める。
テストデータを利用して各ＡＩに以下のように定義する。

ａ_ｉ（ｉ＝１，２，…，ｎ）：正確性（accuracy）
Ｆ_ｉ（ｉ＝１，２，…，ｎ）：Ｆ値（F-measure（適合率（Precision）と再現性（Recall）の調和平均)）
ＡＵＣ_ｉ（ｉ＝１，２，…，ｎ）：AUC（Area Under the Curve）
この定義を用いて、バイアスＷ_ｉを例えば以下のように設定することができる。

・設定法１： Ｗ_ｉ＝ａ_ｉ
・設定法２： Ｗ_ｉ＝ａ_ｉ ^２
・設定法３： Ｗ_ｉ＝ｅｘｐ（ａ_ｉ）
・設定法４： Ｗ_ｉ＝Ｆ_ｉ
・設定法５： Ｗ_ｉ＝Ｆ_ｉ−ｍｉｎ（Ｆ_ｉ）×Ｃ（Ｃ：定数で０＜Ｃ≦１）
・設定法６： Ｗ_ｉ＝ＡＵＣ_ｉ
これらのバイアスは、ＡＩモジュールの更新と連動して、テストデータを用いて更新される。

このように、本実施形態によれば、１つのＡＩモジュールのみで病変の位置及び確率を判断される構成に比べて、複数のＡＩモジュールに役割分担させることで、各ＡＩモジュールの演算負荷も減少して処理速度が上げることできるとともに、複数の例えば経験値の違う医師の意見を集約して読影したと同様の状況を創り上げることができ、その判定結果により高い信頼性を持たせることができる。

なお、前述した実施形態及び変形例によれば、被検体の身体の一部としての胸部をＸ線撮影したレントゲン画像を対象とした診断方法及びシステムを開示したが、本発明はさらに、別の部位、例えば腹部のレントゲン画像や、他のモダリティから得られて２次元画像（例えばＸ線ＣＴによって再構成された断層面画像）を同様にＡＩ処理の態様するように変形、展開することもできる。

また、ゲートウェイ２０とＡＩサービスサーバとの間で通信される画像データや情報は符号化して、情報の機密性をより強固に担保してもよい。

１ 検診補助システム
１０ インターネット
１４、１４Ａ ＡＩサービスサーバ
１８ 医療機関
２０ ゲートウェイ
２４ ＰＡＣＳ

Claims (12)

1. 被検体の所望領域の病変に関する学習モデルを作成し、
   診断要求された被検体のＸ線画像を受け付け、
   前記Ｘ線画像において前記所望領域の全体をカバーするように複数の所定サイズの矩形状の領域に区切って複数の矩形状画像を生成し、
   前記複数の矩形状画像それぞれを矩形単位で前記学習モデルに拠る機械学習及び深層学習に基づく人工知能（ＡＩ）エンジンによる病変の検知処理に付し、
   前記人工知能の病変の検知結果を受ける、
   ことを特徴とする人工知能を用いた病変の検知方法。
   
2. 前記Ｘ線画像は前記被検体の胸部のＸ線レントゲン画像であり、
   前記所望領域は前記胸部の肺野である、
   ことを特徴とする請求項１に記載の検知方法。
   
3. 前記複数の矩形状画像は、指定された初期位置に基づく前記矩形状の領域に沿った前記矩形状画像を生成し、
   その後、前記矩形状画像を当該矩形状画像のサイズよりも小さい所定サイズを以って所定方向に移動させることを繰り返しながら、その繰り返し毎に、前記矩形状の領域に沿った前記矩形状画像を生成する、
   ことを特徴とする請求項２に記載の検知方法。
   
4. 前記人工知能エンジンが、前記矩形状画像の病変の有無を検出する第１の人工知能エンジンと、前記矩形状画像の病変の位置を検出する第２の人工知能エンジンとを備えるときに、
   最初に前記第１の人工知能エンジンによる前記病変の有無を判定し、その後に、前記病変の有無の判定結果を受けて前記第２の人工知能エンジンによる前記病変の位置を検出させる、
   ことを特徴とする請求項２又は３に記載の検知方法。
   
5. 前記第１の人工知能エンジンは、予め設定した前記病変の種類の数だけ設けられている、
   ことを特徴とする請求項４に記載の検知方法。
   
6. 前記複数の第１の人工知能エンジンは、当該複数の第１の人工知能エンジンの判定情報にそれぞれバイアス係数を乗じ、
   前記バイアス係数が乗じられた前記判定情報を総合し、
   前記総合された判定情報と所定の閾値とに基づいて前記病変の有無を判定させる、
   ことを特徴とする請求項５に記載の検知方法。
   
7. 請求項１〜４の何れか一項に記載の方法を実施するように構成されたことを特徴とするゲートウェイ装置。
   
8. 請求項１〜４の何れか一項に記載の方法を実施するアルゴリズムを表すプログラムであって、かつ、コンピュータにより読出し可能なプログラムを記録した記録媒体。
   
9. 被検体の胸部の病変に関する学習モデルを作成し、
   診断要求された被検体の胸部のレントゲン画像を受け付け、前記レントゲン画像において肺野をカバーするように複数の所定サイズの矩形状の領域に区切って生成した複数の矩形状画像を受信し、
   前記複数の矩形状画像それぞれを矩形単位で前記学習モデルに拠る機械学習及び深層学習に基づく人工知能（ＡＩ）エンジンによる病変の検知処理に付し、
   前記人工知能の検知結果を要求元に返送する、
   ように構成したことを特徴とする、人工知能を用いた病変を検知するためのサーバシステム。
   
10. 前記人工知能エンジンが、前記矩形状画像の病変の有無を検出する第１の人工知能エンジンと、前記矩形状画像の病変の位置を検出する第２の人工知能エンジンとを備え、
    最初に前記第１の人工知能エンジンによる前記病変の有無を判定し、その後に、前記病変の有無の判定結果を受けて前記第２の人工知能エンジンによる前記病変の位置を検出させるように構成した、
    ことを特徴とする請求項９に記載のサーバシステム。
    
11. 前記第１の人工知能エンジンは、前記病変の、設定した種類の数だけ個別に設けられている、
    ことを特徴とする請求項１０に記載のサーバシステム。
    
12. 前記複数の第１の人工知能エンジンは、当該複数の第１の人工知能エンジンの判定情報にそれぞれバイアス係数を乗じ、
    前記バイアス係数が乗じられた前記判定情報を総合し、
    前記総合された判定情報と所定の閾値とに基づいて前記病変の有無を判定させる、ように構成した、
    ことを特徴とする請求項１１に記載のサーバシステム。