費城兒童醫院正運用開源 AI 工具，在數秒內建立兒童心臟模型，目標是為患有先天性心臟病的兒童提供更安全、更精準的照護。

大約 1% 的活產嬰兒患有先天性心臟缺陷，且每個案例都獨一無二。例如，心室間有孔洞或單一泵血腔瓣膜滲漏的兒童，需要完全符合其精確解剖構造的照護。然而，過去外科醫生所使用的醫療器材，幾乎從未針對特定兒童的狀況進行設計。

費城兒童醫院（CHOP）的心臟科醫生兼研究員 Matthew Jolley 博士表示：「你面對的是一個獨一無二的孩子，卻只有現成的醫療器材。我們的工作就是找到最適合的方案，而模型技術讓我們能在進入心導管室或手術室之前就做到這點。」

CHOP 的心臟模型服務是基於 NVIDIA 共同創立的開源醫學影像框架 MONAI 所建構。它能利用兒童照護團隊現有的 CT 掃描、MRI 和 3D 超音波等影像資料，在短短數秒內生成解剖學上精確的心臟模型。過去需要熟練研究員耗費四小時的工作流程，現在已能快速完成，足以用於常規臨床應用。

這項方法正在迅速推廣。目前全美已有超過 20 家兒童醫院推行心臟模型計畫。波士頓兒童醫院的心臟模型技術支援了超過一半的心臟手術，每年約 500 個案例。CHOP 預計今年將達到約 200 個模型案例。這項工作最初始於心臟照護領域，現在 CHOP 正透過醫院摩根研究與創新中心的 IDEA Lab，目標將相同的工具應用於多個醫學專科。

當 Jolley 博士於 2015 年加入 CHOP 時，3D 心臟超音波技術才剛起步。當時已有用於成人瓣膜建模的工具，但幾乎沒有針對他所治療的複雜、微小心臟解剖構造而設計的工具。他的實驗室與開源社群合作，開發了 SlicerHeart — 這是 3D Slicer 開源軟體的擴充功能，用於視覺化、分割和分析 3D 醫學影像 — 並開始開發從多種影像模態建立兒童心臟和瓣膜模型的工作流程。

多年來，製作單一心臟模型意味著一位熟練的研究助理必須在工作站上花費數小時。然而，機器學習改變了這一切。Jolley 博士的團隊利用 MONAI Label 和 NVIDIA 的 Auto3DSeg 實作，在先前的影像和模型對上訓練分割網路。現在，AI 輸出的品質標準與受過訓練的人類產生的結果相同，但時間從數小時縮短到數秒。

Jolley 博士表示：「機器學習已經成為我們的基本工具。只要我們製作了 10 到 20 對影像與模型，我們就會訓練一個模型並開始應用它。」

臨床影響迅速顯現。對於複雜的心室中膈缺損（心臟下腔室之間的孔洞），CHOP 現在會在手術前常規進行模型建立。一個早期案例清楚地證明了其價值：一名兒童曾經歷兩次失敗的修復嘗試，外科醫生無法使用傳統方法找到缺陷。3D 模型釐清了其解剖構造，使得修復在第一次嘗試中就成功了。Jolley 博士表示，對於這類案例，心臟模型技術已從研究轉變為標準照護。

僅僅視覺化並非最終目標。Jolley 博士的團隊不僅想知道兒童心臟的樣貌，更想在任何手術開始前，預測當醫療器材植入心臟後會發生什麼情況。這就是 Newton 登場的原因。

Newton 是一個基於 NVIDIA Warp Python 框架建構的開源物理引擎，可在 GPU 上運行物理模擬。CHOP 正與 NVIDIA 和開源社群合作，利用 Warp 建立以生物力學為重點的模擬框架，並將其整合到最初用於基於模擬的 AI 機器人訓練的 Newton 中。

這些框架一旦與 3D Slicer 和 SlicerHeart 整合，就能幫助醫生了解組織材料特性，進而判斷醫療器材在特定患者體內的部署方式。透過 GPU 加速，心臟醫療器材模擬所需的時間可從長達四小時（或多種配置需通宵運行）縮短至接近即時。

實際上，臨床醫生可以比較不同器材如何適應兒童的特定解剖構造，並快速獲得結果，足以在當天做出決策。

CHOP 已開始針對用於封堵兒童心臟孔洞的閉合裝置，實施基於 Warp 和 Newton 開發的功能，並希望將類似方法應用於經導管瓣膜的模擬。Warp 和 Newton 的開源架構正與 SlicerHeart 連結，其長期目標是將即時模擬引入臨床工作流程。

一個結合 SlicerHeart 和由 OpenUSD 驅動的 NVIDIA Omniverse 數位分身耦合器也正在開發中。OpenUSD 的開源 3D 互通性允許將多樣化的資料和求解器整合到基於患者影像建立的模擬中。這些模擬隨後可以導入虛擬實境環境，並利用嵌入式視覺語言模型（VLMs），讓臨床醫生在實際操作前，能夠在模擬中直觀地查詢和互動兒童的心臟解剖構造。

美國約有 240 萬人患有先天性心臟病。從歷史上看，這個群體過於罕見且多樣，難以吸引傳統醫療器材公司投入家庭所需規模的投資。沒有任何一家公司能獨立開發 Jolley 博士團隊所需的所有工具，也沒有任何單一機構能獨自完成。開源（Open source）是解決之道。

SlicerHeart 的工具可免費使用和開發。史丹佛大學和波士頓兒童醫院的研究人員與 CHOP 一同貢獻額外的工具。目前，一個全國性的兒童醫院聯盟正在組建中，旨在建立下一代共享模型基礎設施，並以開源作為各機構之間的連結。

Jolley 博士指出：「這個群體規模太小，無法透過傳統經濟模式支持商業開發。但這是一個非常重要的問題，因此研究社群和慈善機構都積極投入。開源透過允許無障礙的協作與進步，打破了傳統經濟學對小型和異質群體的限制。」

NVIDIA 在開發開源平台方面的投資與積極合作 — 包括用於醫學影像 AI 的 MONAI、用於物理模擬的 Newton，以及用於 3D 互通性和虛擬實境的 OpenUSD — 讓像 Jolley 博士這樣的團隊能夠使用工業規模維護的基礎設施。現在，一間兒童醫院的實驗室可以快速利用這些工具，而這些工具若非開源，原本需要一個公司規模的工程團隊才能建立和維護，同時也能從廣泛的開源社群持續創新中受益。

了解 MONAI 如何推動醫學影像 AI 的發展。