开源AI几秒重建患儿心脏模型：NVIDIA赋能精准医疗

全球约1%的新生儿患有先天性心脏病，且每个患儿的解剖结构各不相同。

当婴儿的心室间出现缺损，或维系生命的单心室瓣膜发生反流时，救治工作必须高度契合其独特的身体构造。然而，外科医生常用的医疗器械几乎全为通用规格，极少专门针对某位患儿量身定制。

费城儿童医院（CHOP）心脏病学专家兼研究员 Matthew Jolley 博士表示：“每个孩子都是独一无二的，但手术器械往往是现成的。我们的工作就是找到最适配的方案，而建模技术能让医生在进入导管室或手术室之前完成这一验证。”

CHOP 基于 NVIDIA 联合发起的开源医疗影像框架 MONAI 搭建了心脏建模系统。该系统能直接调取 CT、MRI 和 3D 超声等既有检查数据，在数秒内生成解剖学上高度精确的心脏三维模型。过去需要资深研究员耗费 4 小时的繁琐流程，如今已足够快捷，可直接用于日常临床。

目前，全美已有 20 多家儿童医院开展了类似的心脏建模项目。波士顿儿童医院在超过一半的心脏手术中引入了建模支持，年均约 500 例；CHOP 预计今年也将覆盖约 200 例。依托医院摩根研发中心旗下的 IDEA Lab，这项技术正逐步向其他儿科学科拓展。

从实验室到临床标准

2015 年 Jolley 加入 CHOP 时，3D 超声心动图技术刚起步。当时成人心脏瓣膜已有成熟的建模工具，但面对儿童狭小复杂的解剖结构，行业工具几乎是一片空白。

Jolley 团队与开源社区合作开发了基于开源软件 3D Slicer 的扩展组件 SlicerHeart，用于对多模态 3D 医疗影像进行可视化、分割和分析，逐步建立起儿科心脏与瓣膜的建模管线。

早期制作一个模型需要研究人员在工作站前处理数小时。机器学习彻底改变了现状。团队利用 MONAI Label 与 NVIDIA 的 Auto3DSeg，基于先前的图像和模型数据对分割网络进行训练。AI 生成的模型在几秒内就能达到专业人工的水准。

技术的临床价值很快显现。对于复杂的室间隔缺损，CHOP 目前已将术前建模列为常规流程。在早期的一起案例中，一名患儿经历过两次失败的修补手术，传统方法始终无法精确定位缺损点。团队构建的 3D 模型清晰还原了解剖细节，随后手术一次成功。

借助 Newton 与 NVIDIA Warp 实现近实时物理仿真

单纯的可视化还不够，团队更希望在手术开展前预知器械植入后的实际表现。这推动了物理引擎 Newton 的应用。

Newton 是基于 NVIDIA Warp Python 框架开发的开源物理引擎，专为在 GPU 上运行物理仿真而设计。CHOP 正在与 NVIDIA 及开源社区合作，通过 Warp 构建面向生物力学的仿真框架并引入 Newton。该框架原本用于机器人仿真训练，如今被迁移到儿科医疗场景。

将该框架与 3D Slicer 和 SlicerHeart 整合后，医生能深入理解决定器械植入效果的人体组织力学特性。得益于 GPU 加速，心脏器械的模拟时间从以往的 4 小时（多种配置常需通宵计算）大幅缩短至近实时水平，医生在门诊当天即可对比不同器械的贴合度并做出决策。

目前，CHOP 已开始针对封堵器应用 Warp 和 Newton 技术，后续计划将其拓展至经导管瓣膜的模拟。

此外，团队正在开发连接 SlicerHeart 与 NVIDIA Omniverse 数字孪生的接口。借助 OpenUSD 的三维互操作性，患者图像生成的仿真数据可导入虚拟现实（VR）环境中，并结合嵌入式视觉语言模型（VLM），使临床医生能够以更直观的方式在仿真环境中与患儿的心脏结构进行交互。

开源打破传统商业模式壁垒

全美约有 240 万人患有先天性心脏病。由于病种罕见且个体差异极大，传统医疗器械企业往往难以针对该群体投入巨额研发资金。

开源生态成为了打破僵局的关键。SlicerHeart 软件免费开放，斯坦福大学与波士顿儿童医院等机构也陆续参与开发，全美儿童医院联盟正在借此构建共享建模平台。

NVIDIA 在 MONAI、Newton 和 OpenUSD 等开源技术底座上的持续投入，使医院团队能够直接复用工业级的基础设施。小型儿科实验室无需维持庞大的软件工程团队，便能借助广泛的开源协作网络，将前沿 AI 工具落地于临床救治。