费城儿童医院用开源NVIDIA AI秒级建模儿童心脏，20 多家美国儿童医院已跟进
费城儿童医院基于MONAI构建的心脏建模服务把过去需要 4 小时的单次建模压缩到数秒，并已在复杂室间隔缺损手术前常规使用；Boston Children's Hospital已有超过一半的心脏手术借助建模，约合每年 500 例。
AI解读：这条新闻的核心不是“AI又拿下一个科室”，而是一家儿童医院把开源工具拼成了一套能天天用的心脏建模流水线。先决条件很特殊：先天性心脏病只占活产婴儿约 1%，但每个孩子的心脏畸形都不一样，市面上几乎没有为某个具体孩子设计的器械。
原来给一个孩子建心脏模型，需要熟练研究员在工位上花 4 个小时；现在用MONAI和NVIDIA的Auto3DSeg训练分割网络，几秒就能产出质量相当于人工的结果。这意味着建模从“科研项目”变成“手术前的常规动作”，医生可以在进导管室或手术室之前先看模型。
影响面已经显现。美国有 20 多家儿童医院开展了心脏建模项目，Boston Children's Hospital超过一半的心脏手术借助建模，每年约 500 例；CHOP自己预计今年做到约 200 例。对真正相关的人——小儿心脏外科和介入医生——变化在于术前规划多了一个当天可用的选项，而不是多了一篇论文。
下一步的变量是物理仿真。CHOP正在把基于NVIDIA Warp的物理引擎Newton接进SlicerHeart，用来预测器械放进心脏后会怎么展开，把原本最长 4 小时、甚至要跑一整夜的仿真压到接近实时。但文中说的是“已开始实现”和“希望应用”，不是已经全线落地。
经济账也值得注意。美国约有 240 万先天性心脏病患者，群体太小太分散，传统器械公司没有动力为它单独开发工具。CHOP心脏病专家Matthew Jolley的原话是开源“绕开了传统经济学”——工具免费可改，Stanford、Boston Children's等多方贡献，一个全国性儿童医院联盟正在筹建共享建模基础设施。
费城儿童医院（CHOP）正在使用开源AI工具为儿童心脏建模，把过去需要一名熟练研究员约 4 小时完成的单个模型，压缩到几秒内完成，目标是让先天性心脏病患儿获得更安全、更精确的治疗。
据NVIDIA博客介绍，CHOP的心脏建模服务构建在MONAI之上——这是由NVIDIA联合创立的开源医学影像框架。该服务直接使用患儿医疗团队已有的CT、MRI和 3D超声图像，生成解剖结构精确的心脏模型。
CHOP心脏病专家、研究员Matthew Jolley这样描述问题：“你面对的是一个独一无二的孩子，和一件现成的器械。我们的工作就是找到合适的匹配——建模让我们在任何人进入导管室或手术室之前就能做到这一点。”
先天性心脏缺陷约占全部活产的 1%，且没有两例完全相同。Jolley说，这类病例的心脏建模已从研究转为标准治疗。
从SlicerHeart到MONAI：4 小时变数秒
Jolley 2015年加入CHOP时，3D超声心动图刚刚可用，市面上有用于成人瓣膜建模的工具，但几乎没有为他所处理的复杂、细小解剖结构而建的工具。他的实验室与开源社区合作构建了SlicerHeart——3D Slicer开源软件的一个扩展，用于可视化、分割和分析 3D医学图像，并开始开发从多种成像方式建模儿童心脏和瓣膜的工作流。
多年来，制作单个模型意味着一名称职的研究助理要在工作站前花上数小时。机器学习改变了这一点：Jolley团队使用MONAI Label和NVIDIA的Auto3DSeg实现，在既往图像与模型的配对数据上训练分割网络。据NVIDIA描述，其输出达到训练有素的人类会产出的同等质量标准，但耗时从数小时变为数秒。
Jolley说：“机器学习已经变成家常便饭。我们只要做出 10 到 20 对图像—模型配对，就训练一个模型并开始应用。”
- CHOP建模服务基于MONAI，输入CT、MRI、3D超声等已有图像。
- 过去单个模型需熟练研究员约 4 小时；现在数秒完成，快到可用于常规临床。
- 使用MONAI Label和NVIDIA Auto3DSeg，在 10 至 20 对图像—模型数据上训练分割网络。
复杂室间隔缺损已进入常规流程，一个失败两次的病例靠模型一次修好
临床上很快看到了效果。对于复杂的室间隔缺损——心脏下腔之间的孔洞——CHOP现在会在手术前常规建模。NVIDIA举了一个早期病例：一名患儿已经历两次失败的修复尝试，外科医生用传统方法无法定位缺损，3D模型厘清了解剖结构，修复在第一次尝试中即获成功。
Jolley说，对于这类病例，心脏建模已从研究转为标准治疗。
这种做法正在扩散。美国已有 20 多家儿童医院开展心脏建模项目。在Boston Children's Hospital，建模支持了全部心脏手术的一半以上，每年约 500 例。CHOP预计今年达到约 200 例建模病例。
- CHOP对复杂室间隔缺损术前常规建模。
- NVIDIA描述的一例患儿两次修复失败后，3D模型帮助修复一次成功。
- 美国 20 多家儿童医院已有心脏建模项目。
- Boston Children's Hospital建模支持超过一半心脏手术，约每年 500 例。
- CHOP预计今年约 200 例建模病例。
Newton与Warp：把器械仿真从“跑一整夜”压到接近实时
仅可视化并非终点。Jolley团队想知道的不仅是孩子的心脏长什么样，还有器械放入其中后会发生什么——且要在任何操作开始之前就知道。这正是Newton的用武之地。
Newton是构建在NVIDIA Warp Python框架之上的开源物理引擎，可在GPU上运行物理仿真。CHOP正与NVIDIA及开源社区合作，用Warp构建面向生物力学的仿真框架并引入Newton——Newton最初是为基于仿真的AI机器人训练而设计的。这些框架一旦与 3D Slicer和SlicerHeart集成，可帮助医生理解决定器械在特定患者体内如何展开的组织材料属性。
借助GPU加速，心脏器械仿真的时间可从最长 4 小时、或多个配置需要一整夜运行，缩短到接近实时。CHOP已经开始实现基于NVIDIA Warp和Newton的功能，以理解器械在患儿心脏中的工作情况。在实际使用中，临床医生可以比较不同器械与某个孩子特定解剖结构的匹配程度，并足够快地拿到结果，以支持当天做出决定。
CHOP已开始为用于封堵儿童心脏孔洞的封堵器实现基于Warp和Newton的功能，并希望将类似方法应用于经导管瓣膜仿真。Warp和Newton的开源架构正在与SlicerHeart连接，长期目标是把实时仿真带入临床工作流。
此外，一个使用SlicerHeart和NVIDIA Omniverse数字孪生（由OpenUSD驱动）的“coupler”也在开发中。OpenUSD的开源 3D互操作性允许将多样化的数据和求解器集成到由患者图像构建的仿真中。这些仿真随后可进入虚拟现实环境，并利用嵌入的视觉语言模型（VLM），让临床医生在采取行动之前，以直观方式查询和交互患儿的模拟心脏解剖结构。
- Newton是基于NVIDIA Warp的开源物理引擎，最初面向仿真式AI机器人训练。
- CHOP与NVIDIA及开源社区合作用Warp构建生物力学仿真框架，并接入 3D Slicer与SlicerHeart。
- GPU加速把心脏器械仿真从最长 4 小时、或多个配置需整夜运行，降到接近实时。
- CHOP已开始为心脏孔洞封堵器实现相关功能，并希望扩展到经导管瓣膜仿真。
- 使用SlicerHeart和NVIDIA Omniverse数字孪生、由OpenUSD驱动的coupler仍在开发中。
- 目标之一是在仿真环境中嵌入视觉语言模型，供临床医生直观查询心脏解剖结构。
为什么是开源：2.4 百万患者撑不起传统商业开发
美国约有 240 万人患有先天性心脏病。NVIDIA在文中指出，这一群体历来规模太小、差异太大，难以吸引传统器械公司按家庭所需规模投资。没有任何单一公司建成了Jolley团队所需的工具，也没有任何单一机构能独自建成。开源是应对办法。
SlicerHeart的工具可免费使用和继续开发。Stanford和Boston Children's的研究人员与CHOP一起贡献额外工具。一个由儿童医院组成的全国性联盟正在筹建，目标是建设下一代共享建模基础设施，以开源作为各机构之间的连接组织。
CHOP的一项研究合作在仿真心脏瓣膜与血流的相互作用。NVIDIA称，理解这些动力学对于预测疾病进展、规划修复和评估新器械至关重要。
Jolley说：“这个人群太小，无法按正常经济规律支撑传统商业开发。但这个问题如此重要，以至于研究界和慈善力量都在支持它。开源绕开了小规模和高度异质人群的传统经济学，让协作和进展在没有障碍的情况下发生。”
NVIDIA表示，其对MONAI（医学影像AI）、Newton（物理仿真）、OpenUSD（3D互操作与虚拟现实）等开放平台的投入，以及与各方的积极协作，让Jolley这样的团队可以用上按工业规模维护的基础设施。一家儿童医院的实验室现在能快速使用那些原本需要公司级工程团队才能构建和维持的工具，同时受益于广泛开源社区的持续创新。
- 美国约 240 万人患有先天性心脏病。
- NVIDIA称该群体规模小、异质性高，缺乏传统器械公司投资动力。
- SlicerHeart工具免费使用和构建；Stanford、Boston Children's等参与贡献。
- 全国性儿童医院联盟正在组建，建设下一代共享建模基础设施。
- CHOP有研究合作在仿真瓣膜与血流的相互作用，用于预测疾病进展、规划修复和评估新器械。
- Jolley称开源让协作和进展在没有障碍的情况下发生。