CHOP modelliert Kinderherzen in Sekunden mit Open-Source-KI

Was NVIDIA über das Kinderkrankenhaus in Philadelphia berichtet

In einem Blogbeitrag vom 15. September 2026 beschreibt NVIDIA, wie das Children's Hospital of Philadelphia (CHOP) Open-Source-KI-Werkzeuge nutzt, um Herzen von Kindern in Sekunden zu modellieren. Das erklärte Ziel ist eine sicherere und präzisere Versorgung von Kindern mit angeborenen Herzfehlern. Der Beitrag stammt von Isha Salian und erschien im NVIDIA Blog. Es handelt sich um einen Unternehmensblog: Alle folgenden Aussagen stammen von NVIDIA und von dem Forscher des Krankenhauses, den der Beitrag zitiert. Sie sind Eigenangaben, und wir konnten sie nicht anhand einer unabhängigen Quelle prüfen.

Der Beitrag beginnt mit einer einfachen Tatsache: Etwa 1 % aller Lebendgeburten gehen mit einem angeborenen Herzfehler einher, und keiner gleicht dem anderen. Ein Kind kann mit einem Loch zwischen den beiden unteren Herzkammern geboren werden oder mit einer undichten Klappe in der einzigen Pumpkammer, die es am Leben hält. Ein solches Kind braucht eine Behandlung, die zu seiner genauen Anatomie passt. Laut dem Beitrag wurden die Geräte, nach denen Chirurgen greifen, fast nie für genau dieses Kind entworfen. Dr. Matthew Jolley, Kardiologe und Forscher am CHOP, sagt es so: „Man hat ein einzigartiges Kind und ein Gerät von der Stange.“ Er fügt hinzu, die Modellierung erlaube es dem Team, herauszufinden, was passt, bevor jemand ins Herzkatheterlabor oder in den Operationssaal geht.

Die wichtigsten Fakten aus dem Beitrag

Der Herzmodellierungsdienst des CHOP baut auf MONAI auf, einem von NVIDIA mitgegründeten Open-Source-Framework für medizinische Bildgebung. Er nimmt Bilder, die das Behandlungsteam ohnehin hat, etwa CT, MRT und 3D-Ultraschall, und erzeugt in nur wenigen Sekunden anatomisch präzise Herzmodelle. Nach dem Beitrag brauchte dieser Ablauf früher vier Stunden Arbeit eines erfahrenen Forschers, heute ist er schnell genug für den routinemäßigen klinischen Einsatz. Der Beitrag nennt einige Zahlen dazu, wie weit sich der Ansatz verbreitet hat: - Mehr als 20 Kinderkrankenhäuser in den USA betreiben inzwischen Programme zur Herzmodellierung.

• Am Boston Children's Hospital unterstützt die Modellierung mehr als die Hälfte aller Herzoperationen, etwa 500 Fälle pro Jahr.
• Das CHOP erwartet in diesem Jahr rund 200 modellierte Fälle.
• Das CHOP will dieselben Werkzeuge nun über das IDEA Lab, Teil des Morgan Center for Research and Innovation des Krankenhauses, in mehreren Fachgebieten einsetzen.

Der Beitrag zeichnet einen Weg von rund einem Jahrzehnt nach, von der Forschung zur Standardversorgung. Als Jolley 2015 zum CHOP kam, wurde die 3D-Echokardiographie gerade eingeführt. Es gab Werkzeuge für die Klappen Erwachsener, aber fast nichts für die kleinen und komplexen kindlichen Anatomien. Sein Labor arbeitete mit der Open-Source-Gemeinschaft zusammen und baute SlicerHeart, eine Erweiterung der Software 3D Slicer zum Visualisieren, Segmentieren und Analysieren von medizinischen 3D-Bildern. Danach entwickelte das Team Abläufe, um kindliche Herzen und Klappen aus mehreren Bildgebungsverfahren zu modellieren. Über Jahre bedeutete ein einziges Modell, dass ein erfahrener Forschungsassistent Stunden an einem Arbeitsplatz verbrachte. Maschinelles Lernen hat das geändert. Mit MONAI Label und NVIDIAs Auto3DSeg-Implementierung trainierte das Team Segmentierungsnetze an Paaren aus früheren Bildern und Modellen. Laut NVIDIA erreicht das Ergebnis den Qualitätsstandard, den ein geschulter Mensch liefern würde, in Sekunden statt in Stunden. Jolley sagt, maschinelles Lernen sei zum „täglichen Brot“ geworden: Sobald das Team 10 oder 20 Bild-Modell-Paare erstellt habe, trainiere es ein Modell und beginne, es einzusetzen. Der Beitrag zeigt auch einen Anwendungsfall. Das CHOP kann vergleichen, wie zwei verschiedene künstliche Klappen in das Herz eines Patienten passen, wobei eine Farbdarstellung die Belastung zeigt, die jede Klappe auf die Herzwände ausübt. Bei komplexen Ventrikelseptumdefekten, also Löchern zwischen den unteren Herzkammern, modelliert das CHOP inzwischen routinemäßig vor der Operation. Ein früher Fall wird genauer beschrieben: Ein Kind hatte bereits zwei gescheiterte Reparaturversuche hinter sich, und die Chirurgen konnten den Defekt mit herkömmlichen Methoden nicht finden. Das 3D-Modell machte die Anatomie klar, und die Reparatur gelang beim ersten Versuch. Jolley sagt, für solche Fälle sei die Herzmodellierung von der Forschung zum Versorgungsstandard geworden.

Von der Form zur Physik: Newton und NVIDIA Warp

Das Herz zu sehen, ist nicht das Endziel. Jolleys Team will auch vorhersagen, was passiert, wenn ein Gerät im Herzen eingesetzt wird, und zwar bevor der Eingriff beginnt. Hier kommt Newton ins Spiel. Der Beitrag beschreibt Newton als Open-Source-Physik-Engine, die auf dem Python-Framework NVIDIA Warp aufbaut und Physiksimulationen auf GPUs ausführt. Sie war ursprünglich für das simulationsbasierte Training von KI-Robotern gedacht.

Das CHOP arbeitet mit NVIDIA und der Open-Source-Gemeinschaft an biomechanisch ausgerichteten Simulations-Frameworks, die mit Warp gebaut und in Newton eingebracht werden können. Sind sie erst mit 3D Slicer und SlicerHeart verbunden, könnten sie Ärzten helfen, die Materialeigenschaften des Gewebes zu verstehen, die bestimmen, wie sich ein Gerät bei einem bestimmten Patienten entfaltet. Mit GPU-Beschleunigung, so der Beitrag, könne sich die Simulation eines Geräts von bis zu vier Stunden, oder einem ganzen Nachtlauf für mehrere Konfigurationen, auf nahezu Echtzeit verkürzen. Ein Kliniker könnte dann vergleichen, wie verschiedene Geräte zur Anatomie eines Kindes passen, und Ergebnisse erhalten, die schnell genug für eine Entscheidung am selben Tag sind.

Der Wortlaut ist hier wichtig. Das CHOP hat „begonnen“, Funktionen auf Basis von Warp und Newton für die Verschlussgeräte umzusetzen, die Löcher im Herzen von Kindern schließen. Es „hofft“, ähnliche Methoden für per Katheter eingesetzte Klappen zu nutzen. Die Anbindung an SlicerHeart werde „hergestellt“, und Echtzeitsimulation in klinischen Abläufen wird als langfristiges Ziel beschrieben. Ein weiteres Werkzeug, ein Koppler, der SlicerHeart mit NVIDIA-Omniverse-Digitalzwillingen auf Basis von OpenUSD verbindet, sei „in Entwicklung“. Der Beitrag sagt, solche Simulationen könnten in Virtual-Reality-Umgebungen einfließen und eingebettete Vision-Language-Modelle nutzen, damit Kliniker die Herzanatomie eines Kindes in der Simulation abfragen und damit interagieren können, bevor sie handeln.

Warum Open Source, laut dem Beitrag

Der Beitrag argumentiert, Open Source passe aus wirtschaftlichen Gründen zu diesem Gebiet. Etwa 2,4 Millionen Menschen in den USA leben mit einem angeborenen Herzfehler. Laut dem Text ist diese Gruppe zu klein und zu vielfältig, um Investitionen von Geräteherstellern in dem Umfang anzuziehen, den Familien brauchen, und keine einzelne Firma hat die Werkzeuge gebaut, die Jolleys Team benötigt. Die Werkzeuge von SlicerHeart sind frei nutzbar und ausbaubar. Forscher von Stanford und vom Boston Children's steuern neben dem CHOP weitere Werkzeuge bei, und ein nationales Konsortium von Kinderkliniken bildet sich gerade, um die nächste Generation gemeinsamer Modellierungsinfrastruktur zu bauen.

Jolley fasst zusammen: Die Population sei zu klein für eine normale kommerzielle Entwicklung, doch das Problem sei so wichtig, dass sich Forschung und Philanthropie dahinterstellten. In seinen Worten „widersetzt“ sich Open Source der herkömmlichen Ökonomie bei kleinen und heterogenen Populationen, weil es Zusammenarbeit und Fortschritt ohne Hürden erlaube.

Der Beitrag endet mit einem Hinweis auf NVIDIAs eigene Rolle. Er sagt, NVIDIAs Investitionen in offene Plattformen, nämlich MONAI für KI in der medizinischen Bildgebung, Newton für Physiksimulation und OpenUSD für 3D-Interoperabilität, gäben Teams wie dem von Jolley Zugang zu Infrastruktur, die im industriellen Maßstab gepflegt wird. Ein Labor an einer Kinderklinik kann so Werkzeuge nutzen, für die es sonst ein Entwicklungsteam von Firmengröße bräuchte.

Unsere Analyse: Was die Geschichte zeigt und was nicht

Unserer Lesart nach ist der stärkste Teil dieser Geschichte die Veränderung des Arbeitsablaufs, nicht die KI selbst. Segmentierung, der Schritt, der Herzstrukturen in einem Scan umreißt, ist mühsam, wenn ein Mensch sie von Hand macht. Der Beitrag beschreibt einen Kreislauf, in dem wenige fertige Bild-Modell-Paare ein Netz trainieren und das Netz dann das routinemäßige Umreißen übernimmt. Das ist ein bescheidener und glaubwürdiger Einsatz maschinellen Lernens. Er beseitigt einen Engpass und überlässt das klinische Urteil den Menschen.

Die zweite Schicht, die Physiksimulation von Geräten, ist anderer Art. Der Beitrag formuliert sie in der Zukunftsform: „könnten helfen“, „hofft“, „in Entwicklung“, „langfristiges Ziel“. Die Simulation in nahezu Echtzeit ist ein Ziel, das von Integrationsarbeit abhängt, die laut dem Beitrag noch läuft. Leser sollten die beiden Schichten auseinanderhalten. Die bildbasierte Modellierung wird am CHOP als Routine beschrieben. Die Gerätesimulation mit Warp und Newton wird als frühes Stadium beschrieben.

Auch das Open-Source-Argument verdient eine Abwägung. Die wirtschaftliche Logik ist stimmig: Eine seltene und vielfältige Patientengruppe trägt keinen normalen Produktmarkt, und gemeinsame Werkzeuge verteilen die Kosten. Zugleich erscheint der Beitrag bei einem Unternehmen, das GPUs und Plattformen verkauft, und er stellt dessen offene Projekte als die ermöglichende Schicht dar. Das macht die Aussagen nicht falsch, aber die Darstellung begünstigt die Produkte von NVIDIA.

Grenzen der Quelle und offene Fragen

• Der Beitrag beruht auf Eigenangaben. Er nennt keine Genauigkeitswerte, keine Fehlerraten und keinen Vergleich zwischen den Modellausgaben und den Umrissen von Experten. Die Aussage, das Ergebnis „erreiche den Qualitätsstandard, den ein geschulter Mensch liefern würde“, wird im Beitrag nicht durch Daten gestützt.
• Der eine chirurgische Fall, eine gelungene Reparatur nach zwei gescheiterten Versuchen, ist ein einzelnes Beispiel. Er zeigt einen möglichen Nutzen.

Er zeigt nicht, wie oft dieser Nutzen eintritt.

• Der Beitrag nennt keine Ergebnisdaten, etwa Komplikationsraten oder Liegedauer, für modellierte im Vergleich zu nicht modellierten Operationen.
• Es kommen zwei verschiedene „vier Stunden“ vor. Die eine ist die Zeit, die ein erfahrener Forscher für ein Modell braucht. Die andere ist die Zeit einer Gerätesimulation. Sie beschreiben unterschiedliche Schritte.
• Der Beitrag beschreibt keine behördliche Prüfung, keine Validierungsstudie und keine klinische Studie. Ob die Simulationswerkzeuge vor einem breiteren klinischen Einsatz eine solche Prüfung brauchen, ist eine offene Frage, die die Quelle nicht behandelt.
• Der Beitrag sagt nicht, wie das Konsortium der Kinderkliniken finanziert oder geführt werden soll.

Praktische Hinweise

Für Kliniker und Innovationsteams in Krankenhäusern liegt der nützliche Punkt im Muster. Mit Bildern beginnen, die schon vorhanden sind. Eine kleine Menge von Bild-Modell-Paaren aufbauen. Ein Segmentierungsmodell trainieren und einsetzen.

Erst zur Simulation übergehen, wenn dem Bildgebungsschritt vertraut wird. Für Entwickler nennt der Beitrag konkrete offene Projekte, die sich zu lesen lohnen: MONAI, MONAI Label, Auto3DSeg, 3D Slicer, SlicerHeart, NVIDIA Warp, Newton und OpenUSD. Für Beobachter der Politik wirft die Geschichte eine berechtigte Frage auf: Wie werden Werkzeuge für seltene Erkrankungen gebaut und bezahlt, und wer validiert sie? Behandeln Sie die Zahlen als Behauptungen von NVIDIA und dem CHOP, bis begutachtete oder unabhängige Ergebnisse vorliegen.