约 1% 的活产婴儿患有先天性心脏病，且解剖结构各不相同。费城儿童医院（CHOP）心脏病学研究者 Matthew Jolley 指出，外科医生面对的往往是“独一无二的患儿”与“现成的通用器械”之间的错配。为解决这一问题，CHOP 正在使用开源 AI 工具，在数秒内为患儿生成精确的心脏模型，以便在进入导管室或手术室前确定最合适的方案。
从四小时到数秒的建模流程
CHOP 的心脏建模服务构建于 NVIDIA 参与创立的开源医学影像框架 MONAI 之上。该系统直接利用护理团队已有的 CT、MRI 和三维超声图像，快速输出符合患儿解剖结构的心脏模型。过去由熟练研究人员耗时约四小时完成的工作，现在已快到足以纳入常规临床使用。
Jolley 于 2015 年加入 CHOP 时，三维超声心动图刚刚上线，适用于儿童复杂小尺寸解剖结构的建模工具几乎空白。其团队与开源社区合作开发了 SlicerHeart——3D Slicer 软件的扩展模块，用于三维医学影像的可视化、分割与分析。随着机器学习介入，团队使用 MONAI Label 和 NVIDIA 的 Auto3DSeg 实现，基于既往影像与模型配对数据训练分割网络。Jolley 表示，只要积累 10 到 20 组影像-模型配对数据，就能训练模型并开始应用，产出质量与人工相当。
这一能力已在复杂室间隔缺损病例中体现价值。一名曾经历两次修复失败的患儿，在传统方法无法定位缺损的情况下，通过三维模型明确了结构，首次尝试即完成修复。Jolley 称，对这类病例而言，心脏建模已从研究手段转变为标准诊疗流程。目前全美已有超过 20 家儿童医院运行心脏建模项目；波士顿儿童医院每年约 500 例心脏手术中，超过一半借助建模支持，CHOP 预计今年完成约 200 例。
用 Newton 与 Warp 预测器械部署效果
建模不仅用于观察解剖形态，还需在术前预判器械植入后的状态。为此，CHOP 正与 NVIDIA 及开源社区合作，基于 NVIDIA Warp Python 框架构建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。
这些框架在与 3D Slicer 和 SlicerHeart 集成后，可帮助医生理解决定器械如何在特定患者体内展开的组织材料特性。借助 GPU 加速，原本需要长达四小时甚至整夜运行的多配置心脏器械仿真，能够缩短至接近实时。这意味着临床医生可以在同一天内比较不同器械与患儿解剖结构的匹配情况，从而支持当日决策。
CHOP 已开始将基于 Warp 和 Newton 的功能应用于封堵器（用于封闭心脏孔洞的器械），并希望将类似方法扩展到经导管瓣膜的仿真。
数字孪生与跨学科扩展
一个结合 SlicerHeart 与 NVIDIA Omniverse 数字孪生的耦合器也在开发中，底层采用 OpenUSD 格式。OpenUSD 的开源三维互操作能力允许将不同数据和求解器整合进基于患者影像构建的仿真中。这些仿真随后可导入虚拟现实环境，并结合视觉语言模型（VLMs），使临床医生能够在操作前直观地查询和交互患儿的心脏解剖结构。
CHOP 还计划通过医院 Morgan 研究与创新中心下属的 IDEA Lab，将这套工具从心脏科推广至更多学科。
开源如何支撑小众病种的工具链
美国约有 240 万人患有先天性心脏病。由于患者群体规模有限且高度异质，传统商业模式难以吸引器械公司投入所需规模的开发。Jolley 表示，没有任何一家公司能单独构建团队所需的全部工具，也没有任何一家机构能独立完成。SlicerHeart 免费开放，斯坦福大学和波士顿儿童医院的研究人员持续贡献代码，一个由多家儿童医院组成的全国性联盟正在形成，以共建下一代共享建模基础设施。
NVIDIA 在 MONAI、Newton、OpenUSD 等开源平台上的投入，使儿童医院实验室能够直接使用原本需要企业级工程团队才能维护的基础设施，同时受益于广泛开源社区的持续迭代。