费城儿童医院用开源 NVIDIA AI 数秒建成患儿心脏模型

发生了什么：NVIDIA 讲述费城儿童医院的做法

2026 年 9 月 15 日，NVIDIA 在官方博客发文，介绍费城儿童医院（CHOP）如何用开源 AI 工具，在几秒钟内为患儿的心脏建立模型。文章称，目标是让先天性心脏病患儿获得更安全、更精确的治疗。作者是 Isha Salian。这是一篇厂商博客，下文所有说法都来自 NVIDIA 和文中引用的医院研究者，属于自我报告，我们无法用独立来源核实。

文章开头先给出一个事实：约 1% 的活产婴儿伴有先天性心脏缺陷，而且没有两个缺陷完全相同。有的孩子两个下方心腔（心室）之间有一个孔，有的孩子维持生命的单一泵血腔里瓣膜漏血。这样的孩子需要与其解剖结构完全匹配的治疗。文章说，外科医生手里的器械，过去几乎从来不是为某个具体孩子设计的。CHOP 的心脏科医生兼研究者 Matthew Jolley 博士说：“你面对的是独一无二的孩子，手里却是现成的器械。”他补充说，建模让团队能在有人进入导管室或手术室之前，先找出合适的方案。

文章中的关键事实

CHOP 的心脏建模服务建立在 MONAI 之上。MONAI 是一个开源医学影像框架，NVIDIA 是联合发起方之一。这项服务读取医护团队已有的影像，例如 CT、MRI 和 3D 超声，只需几秒就能生成解剖结构精确的心脏模型。文章说，这个流程过去需要一位熟练研究人员工作四个小时，现在速度已快到可以用于日常临床。 文章还给出了这种做法的推广情况： - 美国已有 20 多家儿童医院开展心脏建模项目。

• 在波士顿儿童医院，建模支持了一半以上的心脏手术，每年约 500 例。
• CHOP 预计今年将完成约 200 例建模病例。
• CHOP 现在希望通过 IDEA Lab（隶属于医院的 Morgan 研究与创新中心），把同样的工具推广到多个学科。 文章回顾了从研究走向标准治疗的十年历程。Jolley 2015 年加入 CHOP 时，3D 超声心动图刚刚起步。当时已有成人瓣膜的建模工具，但几乎没有针对小而复杂的儿童解剖结构的工具。他的实验室与开源社区合作，开发了 SlicerHeart。它是开源软件 3D Slicer 的扩展，用于 3D 医学影像的可视化、分割和分析。团队随后建立了多种影像来源的儿童心脏与瓣膜建模流程。 多年来，做一个模型意味着一位熟练的研究助理要在工作站前花上数小时。机器学习改变了这一点。团队使用 MONAI Label 和 NVIDIA 的 Auto3DSeg 实现，用以往的影像与模型配对训练分割网络。NVIDIA 称，输出结果达到了训练有素的人工所能达到的质量标准，耗时从几小时缩短到几秒。Jolley 说，机器学习现在成了“家常便饭”：只要做出 10 到 20 组影像与模型配对，就训练一个模型并开始应用。

文章还展示了一个应用场景。CHOP 可以比较两种不同的人工瓣膜放入患者心脏后的适配情况，并用颜色显示每种瓣膜给心壁带来的应力。对于复杂的室间隔缺损（下方两个心腔之间的孔），CHOP 现在把术前建模作为常规步骤。文中详细描述了一个早期病例：一个孩子已经经历两次失败的修补，外科医生用传统方法找不到缺损位置。三维模型让解剖结构变得清晰，第一次修补就成功了。Jolley 说，对这类病例，心脏建模已经从研究走向标准治疗。

从形状到物理：Newton 与 NVIDIA Warp

看清心脏并不是终点。Jolley 的团队还想预测，器械放进心脏后会发生什么，而且要在手术开始之前。这就是 Newton 的用武之地。文章把 Newton 描述为一个开源物理引擎，建立在 NVIDIA Warp 这个 Python 框架之上，可在 GPU 上运行物理仿真。它最初是为基于仿真的 AI 机器人训练而设计的。

CHOP 正与 NVIDIA 和开源社区合作，用 Warp 构建面向生物力学的仿真框架，并可接入 Newton。这些框架与 3D Slicer 和 SlicerHeart 集成后，可以帮助医生了解决定器械在特定患者体内如何展开的组织材料特性。文章称，借助 GPU 加速，器械仿真可以从最长四小时（或多种配置需要通宵运行）缩短到接近实时。医生就能比较不同器械与患儿解剖结构的适配情况，并及时得到结果，支持当天做出决定。

这里的措辞值得注意。CHOP“已开始”在 Warp 和 Newton 上实现用于封堵心脏孔洞的封堵器功能，“希望”把类似方法用于经导管瓣膜。Warp 和 Newton 与 SlicerHeart 的连接“正在进行”，把实时仿真带入临床流程只是长期目标。另一个工具，即使用 SlicerHeart 与由 OpenUSD 驱动的 NVIDIA Omniverse 数字孪生的耦合器，仍在“开发中”。文章说，这类仿真可以进入虚拟现实环境，并利用内嵌的视觉语言模型，让医生在行动之前，先以直观的方式查询并操作患儿心脏解剖的仿真。

文章为何强调开源

文章认为，开源适合这个领域，原因是经济上的。美国约有 240 万人患有先天性心脏病。文章说，这个群体太小、差异又太大，无法吸引器械公司投入达到患儿家庭所需规模的资金，也没有哪家公司做出 Jolley 团队需要的工具。SlicerHeart 的工具可免费使用和扩展。斯坦福和波士顿儿童医院的研究者与 CHOP 一同贡献工具，一个全国性的儿童医院联盟也正在形成，要共同构建下一代共享建模基础设施。

Jolley 总结说，这个人群太小，按常规商业逻辑无法支撑开发，但问题足够重要，研究界和慈善界正在支持它。用他的话说，开源“颠覆了传统经济学”，因为它让小而异质的人群也能无障碍地协作和推进。

文章最后谈到 NVIDIA 自己的角色。它说，NVIDIA 对开放平台的投入，包括用于医学影像 AI 的 MONAI、用于物理仿真的 Newton 和用于 3D 互操作的 OpenUSD，让 Jolley 这样的团队得以使用工业规模维护的基础设施。儿童医院的一个实验室因此可以快速用上原本需要一整家公司的工程团队才能建成的工具。

我们的分析：故事说明了什么，没说明什么

我们的解读是，这个故事最扎实的部分是工作流程的变化，而不是 AI 本身。分割，即在扫描图像中勾勒心脏结构，靠人工做很慢。文章描述的是一个循环：少量已完成的影像与模型配对训练出网络，网络再承担常规的勾勒工作。这是机器学习一种朴素而可信的用法。它消除了瓶颈，把临床判断仍留给人。

第二层，即器械的物理仿真，性质不同。文章用的是面向未来的措辞：“可以帮助”“希望”“开发中”“长期目标”。接近实时的仿真是一个目标，取决于文章自己说仍在进行中的集成工作。读者应把这两层分开看。基于影像的建模在 CHOP 被描述为常规做法；基于 Warp 和 Newton 的器械仿真则被描述为早期阶段。

开源的论点也值得掂量。经济逻辑是自洽的：罕见而多样的患者群体撑不起正常的产品市场，共享工具可以分摊成本。同时，这篇文章由一家销售 GPU 和平台的公司发布，并把该公司的开放项目描述为关键的支撑层。这并不代表说法有错，但确实意味着叙事偏向 NVIDIA 的产品。

来源的局限与未解问题

• 文章属于自我报告。它没有给出准确率、误差率，也没有把模型输出与专家勾勒结果做对比。“输出达到训练有素的人工所能达到的质量标准”这一说法，文中没有数据支撑。- 文中唯一的手术病例，即两次修补失败后第三次成功，只是一个个例。它说明可能的收益，但没有说明这种收益出现的频率。- 文章没有给出结局数据，例如建模与未建模手术的并发症率或住院时长。

• 文中出现了两个不同的“四小时”。一个是熟练研究人员建一个模型的时间，另一个是器械仿真的时间。两者指的是不同环节。- 文章没有提到任何监管审查、验证研究或临床试验。仿真工具在更广泛临床使用前是否需要这类审查，是一个来源没有回答的开放问题。- 文章没有说明儿童医院联盟将如何获得资金、如何治理。

给读者的实用建议

对临床医生和医院创新团队，有用的是这套模式：从手头已有的影像出发，积累一小批影像与模型配对，训练分割模型并投入使用；在影像环节得到信任之后，再走向仿真。对开发者，文章列出了值得阅读的具体开源项目：MONAI、MONAI Label、Auto3DSeg、3D Slicer、SlicerHeart、NVIDIA Warp、Newton 和 OpenUSD。

对政策观察者，这个故事提出了一个合理的问题：罕见病工具由谁来建、由谁来出资、由谁来验证。在同行评审或独立结果出现之前，请把这些数字当作 NVIDIA 和 CHOP 自己的说法。