约 1% 的活产婴儿患有先天性心脏缺陷，且每个病例的情况都不同。
对于先天性心脏下腔之间存在孔洞，或维持生命的单一泵血心腔内存在瓣膜渗漏的患儿，需要得到符合其确切解剖结构的治疗。过去，外科医生使用的设备几乎从未针对某个特定的患儿进行设计。
费城儿童医院的心脏病专家和研究人员 Matthew Jolley 博士说：“每个孩子都是独一无二的，但使用的设备却是现成的。我们的工作就是找到合适的解决方案，而建模技术让我们可以在任何患者进入导管实验室或手术室之前完成这项工作。”
费城儿童医院的心脏建模服务基于 MONAI 构建。MONAI 是由 NVIDIA 联合创建的开源医学影像框架，它可以提取儿童护理团队已有的图像 (例如 CT 扫描、MRI 和 3D 超声)，并在短短几秒内生成符合解剖结构的精准心脏模型。过去，一名经验丰富的研究人员需要花费四个小时才能完成这项工作，如今，这一工作流程已能快速完成，足以满足常规临床诊疗。
这种方法正在普及。
目前，美国有 20 多家儿童医院在开展心脏建模项目。在波士顿儿童医院，建模技术已应用于一半以上的心脏手术，每年约 500 例。费城儿童医院预计今年将覆盖约 200 个建模案例。这项工作始于心脏诊疗领域，通过摩根研究与创新中心 (Morgan Center for Research and Innovation) 旗下的 IDEA 实验室，费城儿童医院正在探索将同样的工具应用于多个医学领域。
从研究到诊疗标准 —— 长达十年的历程
当 Jolley 于 2015 年加入费城儿童医院时，3D 超声心动图刚刚投入应用。虽然已经有用于对成人瓣膜进行建模的工具，但针对他所要治疗的复杂且尺寸较小的解剖结构，几乎没有任何现成的工具。
他的实验室与开源社区合作构建了 SlicerHeart。这是一款基于 3D Slicer 开源软件构建的扩展工具，用于 3D 医学影像的可视化、分割和分析。团队还开始开发工作流程，通过多种成像模式对儿童心脏和瓣膜进行建模。
多年来，制作一个模型意味着一名经验丰富的研究助理需要在工作站前花费数小时。机器学习改变了这一点。
通过 MONAI Label 和 NVIDIA 的 Auto3DSeg，Jolley 的团队使用之前的图像和模型对分割网络进行了训练。输出结果的质量可达到经过训练的人工生成结果的相同质量标准，而耗时从数小时缩短至数秒。
Jolley 说：“机器学习已经成为我们的日常工作中不可或缺的一部分。在创建 10 或 20 组图像模型后，我们就会训练模型并开始应用。”
临床应用效果很快显现出来。对于复杂的室间隔缺损，即心脏两个下腔之间存在孔洞，费城儿童医院现在在手术前开展常规建模。
早期的一个案例清楚地体现了这一价值：一名患儿此前已经经历了两次失败的修复尝试，外科医生无法使用传统方法定位缺损位置。3D 模型清晰呈现了解剖结构，首次尝试修复便取得成功。
Jolley 表示，对于此类案例，心脏建模已从研究阶段转向诊疗标准。
使用 Newton 和 NVIDIA Warp 获得近乎实时的结果
可视化本身并不是最终目标。Jolley 的团队不仅希望了解患儿心脏的形态，还希望在手术开始之前，了解设备植入心脏后的效果。这正是 Newton 发挥作用的地方。
Newton 是一款基于 NVIDIA Warp Python 框架构建的开源物理引擎，可在 GPU 上运行物理仿真。费城儿童医院正在与 NVIDIA 和开源社区合作，使用 Warp 构建面向生物力学的仿真框架，该框架可引入 Newton，最初是用于基于仿真的 AI 机器人训练。
这些框架在与 3D Slicer 和 SlicerHeart 集成后，可以帮助医生了解组织材质属性，从而确定设备将如何适配特定的患者。借助 GPU 加速，心脏医疗设备仿真所需的时间可以从最多 4 小时，或在测试多种配置时需要运行一整夜，缩短到近乎实时。
在实践中，临床医生可以比较不同的设备如何适应患儿的特定解剖结构，并快速获得结果，从而为当天的决策提供参考。
费城儿童医院已开始在用于封堵儿童心脏缺口的闭合装置中应用基于 Warp 和 Newton 构建的功能，并希望将类似的方法用于经导管瓣膜的仿真。Warp 和 Newton 的开源架构正在与 SlicerHeart 连接，其长期目标是将实时仿真引入临床工作流程。
使用 SlicerHeart 和 NVIDIA Omniverse 数字孪生技术，并基于 OpenUSD 的耦合工具也在开发中。OpenUSD 的开源 3D 互操作能力，使不同的数据和求解器能够集成到基于患者影响构建的仿真中。这些仿真随后可以导入虚拟现实环境，并利用嵌入式视觉语言模型 (VLM)，让临床医生能够在仿真环境中直观地查询和交互探索儿童的心脏解剖结构，然后再对其采取医疗措施。
开源打破传统经济模式
美国约有 240 万人患有先天性心脏病。从历史上看，这一患者群体规模较小、个体差异较大，传统医疗设备公司难以获得足够规模的投资来满足患者家庭的需求。还没有任何一家公司能够构建出 Jolley 团队所需的工具，也没有任何一个机构能够独立完成这个工作。
开源提供了可行的解决方案。
SlicerHeart 的工具可免费使用和构建。斯坦福大学和波士顿儿童医院的研究人员与费城儿童医院一起贡献了更多的工具。目前，一个由多家儿童医院组成的全国性联盟正在组建，旨在构建新一代共享建模基础设施，并将开源作为连接各机构的纽带。
Jolley 说：“患者群体规模太小，无法通过常规的经济模式来支持传统的商业化发展，但这是一个非常重要的问题，因此业界和慈善组织都在积极支持这项工作。对于规模较小且高度异质化的患者群体而言，开源允许无障碍的协作和发展，打破了传统经济学模式的限制。”
NVIDIA 在开发开放平台方面的投资以及与其他公司的积极合作，包括用于医学影像 AI 的 MONAI、用于物理模拟的 Newton、用于 3D 互操作性和虚拟现实的 OpenUSD，为 Jolley 这样的团队提供了工业规模可维护的基础设施。如今，儿童医院的实验室可以快速利用原本需要一个公司规模的工程团队才能构建和维护的工具，同时还能受益于庞大的开源社区的持续创新。
了解 MONAI 如何推进医学影像 AI 的发展。