Le CHOP modélise le cœur des enfants en secondes

Ce que rapporte NVIDIA à propos de l'hôpital pour enfants de Philadelphie

Dans un billet daté du 15 septembre 2026, NVIDIA décrit comment le Children's Hospital of Philadelphia (CHOP) utilise des outils d'IA open source pour modéliser le cœur des enfants en quelques secondes. L'objectif affiché est de permettre des soins plus sûrs et plus précis pour les enfants atteints d'une cardiopathie congénitale. Le billet est signé Isha Salian et paraît sur le blog de NVIDIA. Il s'agit d'un blog d'entreprise : toutes les affirmations ci-dessous viennent de NVIDIA et du chercheur de l'hôpital qu'elle cite. Elles sont déclaratives, et nous n'avons pas pu les vérifier auprès d'une source indépendante.

Le texte part d'un fait simple : environ 1 % des naissances vivantes s'accompagnent d'une malformation cardiaque congénitale, et il n'y en a pas deux identiques. Un enfant peut naître avec un trou entre les deux cavités inférieures du cœur, ou avec une valve qui fuit dans la seule cavité de pompage qui le maintient en vie. Cet enfant a besoin de soins adaptés à son anatomie exacte. Selon le billet, les dispositifs que les chirurgiens utilisent n'ont presque jamais été conçus pour cet enfant précis. Le Dr Matthew Jolley, cardiologue et chercheur au CHOP, le formule ainsi : « Vous avez un enfant unique et un dispositif standard. » Il ajoute que la modélisation permet à l'équipe de trouver ce qui convient avant que quiconque entre en salle de cathétérisme ou au bloc opératoire.

Les faits principaux du billet

Le service de modélisation cardiaque du CHOP repose sur MONAI, un cadriciel open source d'imagerie médicale cofondé par NVIDIA. Il prend les images dont l'équipe soignante dispose déjà, comme les scanners CT, l'IRM et l'échographie 3D, et produit en quelques secondes des modèles de cœur anatomiquement précis. Le billet indique qu'un travail qui exigeait autrefois quatre heures d'un chercheur qualifié se termine désormais assez vite pour un usage clinique courant. Le billet donne quelques chiffres sur l'extension de cette approche : - Plus de 20 hôpitaux pour enfants aux États-Unis ont désormais un programme de modélisation cardiaque.

• À Boston Children's Hospital, la modélisation soutient plus de la moitié des chirurgies cardiaques, soit environ 500 cas par an.
• Le CHOP prévoit d'atteindre environ 200 cas modélisés cette année.
• Le CHOP veut maintenant appliquer les mêmes outils à plusieurs disciplines grâce à l'IDEA Lab, qui fait partie du Morgan Center for Research and Innovation de l'hôpital. Le billet retrace un parcours d'une dizaine d'années, de la recherche aux soins courants. Quand Jolley a rejoint le CHOP en 2015, l'échocardiographie 3D commençait tout juste à arriver. Il existait des outils pour les valves d'adultes, mais presque rien pour les anatomies pédiatriques, petites et complexes. Son laboratoire a travaillé avec la communauté open source pour construire SlicerHeart, une extension du logiciel 3D Slicer destiné à visualiser, segmenter et analyser des images médicales 3D. L'équipe a ensuite mis au point des flux de travail pour modéliser des cœurs et des valves d'enfants à partir de plusieurs types d'imagerie. Pendant des années, un seul modèle voulait dire qu'un assistant de recherche qualifié passait des heures devant un poste de travail. L'apprentissage automatique a changé cela. Avec MONAI Label et l'implémentation Auto3DSeg de NVIDIA, l'équipe a entraîné des réseaux de segmentation sur des paires d'images et de modèles antérieurs. Selon NVIDIA, le résultat atteint le niveau de qualité qu'un opérateur humain formé produirait, en quelques secondes au lieu de plusieurs heures. Jolley dit que l'apprentissage automatique est devenu « le pain quotidien » : dès que l'équipe a réalisé 10 ou 20 paires image-modèle, elle entraîne un modèle et commence à l'utiliser.

Le billet montre aussi un exemple d'usage. Le CHOP peut comparer l'ajustement de deux valves artificielles différentes dans le cœur d'un patient, avec un code couleur qui montre la contrainte que chaque valve exerce sur les parois cardiaques. Pour les communications interventriculaires complexes, c'est-à-dire des trous entre les cavités inférieures, le CHOP modélise désormais de façon systématique avant l'opération. Un cas précoce est décrit en détail : un enfant avait déjà subi deux tentatives de réparation ratées, et les chirurgiens ne parvenaient pas à localiser le défaut avec les méthodes classiques. Le modèle 3D a clarifié l'anatomie, et la réparation a réussi du premier coup. Jolley affirme que, pour de tels cas, la modélisation cardiaque est passée de la recherche à la norme de soins.

De la forme à la physique : Newton et NVIDIA Warp

Voir le cœur n'est pas le but final. L'équipe de Jolley veut aussi prévoir ce qui se passera lorsqu'un dispositif sera placé à l'intérieur, avant le début de l'intervention. C'est là qu'intervient Newton. Le billet le décrit comme un moteur physique open source, construit sur le cadriciel Python NVIDIA Warp, qui exécute des simulations physiques sur GPU. Il était à l'origine destiné à l'entraînement de robots par simulation.

Le CHOP travaille avec NVIDIA et la communauté open source à des cadriciels de simulation orientés biomécanique, construits avec Warp, qui pourront être intégrés à Newton. Une fois reliés à 3D Slicer et à SlicerHeart, ces cadriciels pourraient aider les médecins à comprendre les propriétés des tissus qui déterminent comment un dispositif se déploiera chez un patient donné. Grâce à l'accélération GPU, selon le billet, la simulation d'un dispositif pourrait passer de quatre heures au maximum, ou d'une nuit entière pour plusieurs configurations, à un temps quasi réel. Un clinicien pourrait alors comparer l'ajustement de différents dispositifs à l'anatomie d'un enfant et obtenir des résultats assez vite pour une décision le jour même.

Les mots comptent ici. Le CHOP a « commencé » à mettre en œuvre des fonctions fondées sur Warp et Newton pour les dispositifs de fermeture qui bouchent les trous dans le cœur des enfants. Il « espère » appliquer des méthodes semblables aux valves posées par cathéter. Le lien avec SlicerHeart est en cours de construction, et la simulation en temps réel dans les flux cliniques est décrite comme un objectif à long terme. Un autre outil, un coupleur qui associe SlicerHeart et les jumeaux numériques NVIDIA Omniverse fondés sur OpenUSD, est « en développement ». Le billet précise que ces simulations pourraient alimenter des environnements de réalité virtuelle et s'appuyer sur des modèles vision-langage intégrés, pour que les cliniciens interrogent et manipulent l'anatomie cardiaque d'un enfant en simulation avant d'agir.

Pourquoi l'open source, selon le billet

Le billet soutient que l'open source convient à ce domaine pour des raisons économiques. Environ 2,4 millions de personnes vivent avec une cardiopathie congénitale aux États-Unis. Selon le texte, ce groupe est trop restreint et trop varié pour attirer les investissements des fabricants de dispositifs à l'échelle dont les familles ont besoin, et aucune entreprise n'a construit les outils dont l'équipe de Jolley a besoin. Les outils de SlicerHeart sont libres d'utilisation et de développement. Des chercheurs de Stanford et de Boston Children's y contribuent aux côtés du CHOP, et un consortium national d'hôpitaux pour enfants est en cours de formation pour construire la prochaine génération d'infrastructures de modélisation partagées.

Jolley résume : la population est trop petite pour un développement commercial normal, mais le problème est assez important pour que la recherche et la philanthropie s'y engagent. Selon lui, l'open source « défie l'économie traditionnelle » pour les populations petites et hétérogènes, parce qu'il permet la collaboration et le progrès sans barrières.

Le billet se termine sur le rôle de NVIDIA elle-même. Il affirme que l'investissement de NVIDIA dans des plateformes ouvertes, à savoir MONAI pour l'IA d'imagerie médicale, Newton pour la simulation physique et OpenUSD pour l'interopérabilité 3D, donne à des équipes comme celle de Jolley l'accès à une infrastructure maintenue à l'échelle industrielle. Un laboratoire d'hôpital pour enfants peut ainsi utiliser des outils qui exigeraient sinon une équipe d'ingénieurs de la taille d'une entreprise.

Notre analyse : ce que l'histoire montre, et ce qu'elle ne montre pas

À notre lecture, le point le plus solide de cette histoire est le changement de flux de travail, pas l'IA elle-même. La segmentation, l'étape qui délimite les structures du cœur sur un examen, est lente quand une personne la fait à la main. Le billet décrit une boucle où un petit nombre de paires image-modèle terminées entraîne un réseau, puis le réseau fait le contourage courant. C'est un usage modeste et crédible de l'apprentissage automatique. Il supprime un goulot d'étranglement et laisse le jugement clinique aux humains.

La seconde couche, la simulation physique des dispositifs, est d'une autre nature. Le billet la formule au futur : « pourraient aider », « espère », « en développement », « objectif à long terme ». La simulation quasi temps réel est une cible qui dépend d'un travail d'intégration que le billet dit encore en cours. Les lecteurs devraient séparer les deux couches. La modélisation à partir d'images est décrite comme courante au CHOP. La simulation de dispositifs avec Warp et Newton est décrite comme précoce.

L'argument open source mérite aussi d'être pesé. Le raisonnement économique est cohérent : un groupe de patients rare et varié ne soutient pas un marché de produits ordinaire, et des outils partagés répartissent le coût. En même temps, le billet est publié par une entreprise qui vend des GPU et des plateformes, et il présente les projets ouverts de cette entreprise comme la couche qui rend tout possible. Cela ne rend pas les affirmations fausses, mais le cadrage favorise les produits de NVIDIA.

Limites de la source et questions ouvertes

• Le billet est déclaratif. Il ne donne aucun chiffre de précision, aucun taux d'erreur, et aucune comparaison entre les sorties du modèle et les contours d'un expert. L'affirmation selon laquelle le résultat « atteint le niveau de qualité qu'un opérateur humain formé produirait » n'est pas appuyée par des données dans le billet.
• Le seul cas chirurgical, une réparation réussie après deux échecs, est un exemple isolé. Il montre un bénéfice possible.

Il ne montre pas la fréquence de ce bénéfice.

• Le billet ne donne aucune donnée de résultats, comme les taux de complications ou la durée de séjour, pour les opérations modélisées par rapport aux autres.
• Deux chiffres de « quatre heures » différents apparaissent. L'un est le temps qu'un chercheur qualifié met à construire un modèle. L'autre est le temps d'une simulation de dispositif. Ils décrivent des étapes distinctes.
• Le billet ne décrit aucun examen réglementaire, aucune étude de validation ni aucun essai clinique. Savoir si les outils de simulation en auront besoin avant un usage clinique plus large est une question ouverte que la source n'aborde pas.
• Le billet ne dit pas comment le consortium d'hôpitaux pour enfants sera financé ni gouverné.

Conseils pratiques

Pour les cliniciens et les équipes d'innovation hospitalières, la leçon utile est le schéma. Partir des images que l'on possède déjà. Constituer un petit ensemble de paires image-modèle. Entraîner un modèle de segmentation et l'utiliser.

Passer à la simulation seulement quand l'étape d'imagerie est jugée fiable. Pour les développeurs, le billet nomme des projets ouverts concrets qui méritent d'être lus : MONAI, MONAI Label, Auto3DSeg, 3D Slicer, SlicerHeart, NVIDIA Warp, Newton et OpenUSD. Pour ceux qui suivent les politiques publiques, l'histoire soulève une question légitime sur la manière dont les outils pour maladies rares sont construits et financés, et sur qui les valide. Traitez les chiffres comme des affirmations de NVIDIA et du CHOP tant que des résultats évalués par des pairs ou indépendants ne sont pas disponibles.