核心议题：知名儿童医院如何用开源NVIDIA AI提升心脏护理

费城儿童医院正在利用开源 AI 工具，在几秒钟内完成儿童心脏建模——目标是让先天性心脏病患儿获得更安全、更精准的救治。

大约 1% 的新生儿患有先天性心脏缺陷，而且每个病例都不相同。

无论是心脏下腔之间存在缺损，还是维持生命的那唯一一个泵血腔室存在瓣膜渗漏，这类患儿的治疗都必须完全贴合其独特的心脏结构。但传统上，外科医生使用的器械几乎从来都不是针对某个具体孩子设计的。

“每个孩子都是独一无二，而器械却是批量生产的，”费城儿童医院（CHOP）的心脏病专家兼研究员 Matthew Jolley 博士说。“我们的任务就是找到匹配的那一个——而建模让我们在进入导管室或手术室之前就能做到这一点。”

您的浏览器不支持 video 标签。

CHOP 的心脏建模服务基于 NVIDIA 联合创始的开源医学影像框架 MONAI 构建，可以直接利用患儿治疗团队已有的影像资料，如 CT 扫描、MRI 和 3D 超声，在短短几秒内生成解剖结构精确的心脏模型。过去需要熟练研究人员耗时四小时的工作流程，如今已快到可以用于日常临床。

这一方法正在推广开来。

全美已有超过 20 家儿童医院开展了心脏建模项目。在波士顿儿童医院，建模支撑了一半以上的心脏手术——每年约 500 例。CHOP 预计今年将完成约 200 例建模。作为这项工作的开创者，CHOP 正计划通过 IDEA Lab 将同样的工具应用到多个学科，该实验室隶属于医院的 Morgan 研究与创新中心。

从研究到标准疗法——十年长路

2015 年 Jolley 加入 CHOP 时，3D 超声心动图才刚刚投入使用。当时已有针对成人瓣膜的建模工具，但几乎没有任何工具是为他所面对的复杂、微小的儿童解剖结构设计的。

他的实验室与开源社区合作开发了 SlicerHeart——这是 3D Slicer 开源软件的扩展，用于可视化、分割和分析三维医学图像——并着手开发工作流，从多种成像模式中为儿童心脏和瓣膜建模。

多年来，制作单个模型需要一名熟练的研究助理在工作站前耗费数小时。机器学习改变了这一现状。

利用 MONAI Label 和 NVIDIA 的 Auto3DSeg 实现，Jolley 的团队在先前图像与模型的配对上训练了分割网络。其输出质量与经受过专业训练的人类专家相当——耗时从数小时缩短至数秒。

“机器学习已成为我们的常规手段，”Jolley 说，“只要我们制作了 10 到 20 组图像-模型配对，就能训练出一个模型并开始应用。”

Your browser does not support the video tag. 利用 MONAI，CHOP 可以比较两个不同的人工瓣膜在患者心脏中的适配情况，从而优化手术规划。颜色显示了两个不同瓣膜在心脏壁上产生的应力。

临床影响迅速显现。对于复杂的室间隔缺损——即心脏下腔之间的孔洞——CHOP 现在会在术前例行进行建模。

一个早期案例清晰体现了其价值：一名儿童已经历两次失败的修复手术，外科医生无法用传统方法定位缺损。三维模型厘清了解剖结构。修复手术一次成功。

对于此类病例，Jolley 表示，心脏建模已从研究领域转变为标准护理手段。

借助 Newton 和 NVIDIA Warp 实现近实时结果

仅可视化并非最终目标。Jolley 的团队不仅想知道儿童心脏的形态，更希望在任何手术开始前，预知器械植入后会发生什么。这正是 Newton 的用武之地。

Newton 是一个基于 NVIDIA Warp Python 框架构建的开源物理引擎，可在 GPU 上运行物理模拟。CHOP 正与 NVIDIA 及开源社区合作，利用 Warp 构建侧重生物力学的模拟框架，并引入 Newton——后者原本旨在用于基于模拟的 AI 机器人训练。

这些框架一旦与 3D Slicer 和 SlicerHeart 集成，就能帮助医生理解决定器械在特定患者体内如何部署的组织材料特性。借助 GPU 加速，心脏器械仿真的耗时可从长达四小时——甚至是多组配置的通宵运行——缩短至接近实时。

CHOP 已开始部署基于 NVIDIA Warp 和 Newton 构建的功能，以了解器械在患者心脏内的运行情况。

在实际临床中，医生可以对比不同器械与儿童特定解剖结构的适配度，并快速获得结果，从而支持当日诊疗决策。

CHOP 已经开始实施基于 Warp 和 Newton 的功能，用于儿童心脏穿孔闭合器械——并希望通过类似方法应用于经导管瓣膜的仿真。Warp 和 Newton 的开源架构正在与 SlicerHeart 对接，长期目标是将实时仿真引入临床工作流。

基于 SlicerHeart 和 NVIDIA Omniverse 数字孪生的耦合器也在开发中，由 OpenUSD 提供支持。OpenUSD 的开源 3D 互操作性允许将多样化数据和求解器整合到基于患者影像构建的仿真中。这些仿真随后可以流入虚拟现实环境，并利用嵌入的视觉语言模型（VLMs），使临床医生在操作之前能够直观地查询并与儿童心脏解剖模型进行交互。

开源打破传统经济逻辑

美国约有 240 万人患有先天性心脏病。历史上，这一群体人数太少且病情太杂，难以吸引传统器械公司投入满足家庭需求规模的资源。没有一家公司建成了 Jolley 团队所需的工具。也没有单一机构能独自完成。

开源提供了一种变通方案。

SlicerHeart 的工具可免费使用和扩展。除了 CHOP，斯坦福大学和波士顿儿童医院的研究人员也在贡献更多工具。目前，一个由多家儿童医院组成的全国性联盟正在筹建，目标是打造下一代共享建模基础设施，让开源成为连接各机构之间的纽带。 您的浏览器不支持 video 标签。 CHOP 的一项研究合作模拟了心脏瓣膜与血流的相互作用。理解这些动力学机制，对预测病情进展、规划修复手术以及评估新器械至关重要。

“按正常的市场经济逻辑，这类患者群体太小，撑不起传统的商业开发，”Jolley 说。“但这个问题又足够重要，于是研究界和慈善力量都在支持它。开源打破了小规模、异质性人群面临的经济学困境，让协作和进展不再有门槛。”

NVIDIA 积极投入并参与开发各类开放平台——面向医学影像 AI 的 MONAI、面向物理仿真的 Newton、面向 3D 互操作与虚拟现实的 OpenUSD——这让 Jolley 所在的团队能够使用以工业级标准维护的基础设施。儿童医院里的一个实验室，如今可以快速调用那些原本需要一支公司级工程团队才能构建和维系的工具，同时还能共享庞大开源社区的持续创新成果。

了解 MONAI 如何推动医学影像 AI 的发展。