费城儿童医院用开源 NVIDIA AI 做心脏建模：从 4 小时缩到几秒

美国费城儿童医院（CHOP）正在用开源 AI 工具为先天性心脏病患儿建立个体化心脏模型，把原本需要一名熟练研究者数小时的建模流程压缩到秒级。这一做法由 NVIDIA 官方博客在 9 月 15 日披露，所依托的是该公司参与共同发起的开源医学影像框架 MONAI。

先天性心脏缺陷大约出现在 1% 的活产婴儿中，而且没有两例完全相同。CHOP 的心脏科医生兼研究者 Matthew Jolley 把问题说得很直接：患儿是独一无二的，而外科医生手里的器械往往是标准化产品，团队的工作就是在进导管室或手术室之前先把"什么装得进去"算清楚。

具体流程并不复杂。CHOP 的心脏建模服务基于 MONAI，把患儿医疗团队已经拿到的 CT、MRI、三维超声影像转成解剖学上精确的心脏模型，输出时间只有几秒；而在过去，做出一个模型意味着一名熟练研究助理在工作站前投入约四个小时。这套流程如今已经快到可以进入常规临床使用的程度。

技术路径上，Jolley 的团队使用 MONAI Label 与 NVIDIA 的 Auto3DSeg 实现，在成对的"影像—模型"数据上训练分割网络，产出的质量达到受过训练的人类水准。Jolley 说，只要积累到 10 到 20 组影像与模型的配对，团队就能训练一个模型并开始应用，机器学习已经变成"家常便饭"。

临床端的扩散速度是这篇案例里最有信息量的部分。全美已有 20 多家儿童医院运行心脏建模项目；波士顿儿童医院超过一半的心脏手术借助建模完成，每年约 500 例；CHOP 预计今年做到约 200 例建模病例。一个早期案例颇具代表性：一名患儿此前两次修复失败，传统方法找不到缺损位置，三维模型厘清了结构，第三次修复一次成功。

下一步是把"看形状"升级成"看结果"。CHOP 正与 NVIDIA 及开源社区基于 NVIDIA Warp 框架开发面向生物力学的仿真框架，并将其接入最初为机器人训练设计的开源物理引擎 Newton。一旦与 3D Slicer、SlicerHeart 打通，医生就能在术前理解组织材料特性如何决定器械的展开方式，把原本最长四小时、甚至整夜的多配置器械仿真压缩到接近实时。

CHOP 已经开始把基于 Warp 与 Newton 的功能用于封堵心脏缺损的闭合器械，并希望能把同类方法扩展到经导管瓣膜仿真。更长期的计划包括把 Warp 与 Newton 接入 SlicerHeart，让实时仿真进入临床工作流，同时开发基于 SlicerHeart 与 NVIDIA Omniverse 数字孪生、由 OpenUSD 驱动的耦合器，把仿真结果送入虚拟现实环境并结合视觉语言模型，让临床医生可以直观地查询和操作患儿的心脏解剖结构。

值得关注的是这条路径的组织方式：医院不必自建整套算法，而是在开源影像框架上做本地化训练，再由 GPU 物理仿真补齐"预演"环节；牵头的心脏科医生还计划通过医院的 IDEA Lab 把这套工具扩展到心脏以外的多个学科。后续要看的是这些仿真能否通过临床与监管验证，以及 20 多家医院各自摸索的经验能否被标准化复制。