费城儿童医院（Children's Hospital of Philadelphia，CHOP）正在使用开源 AI工具，在数秒内为儿童心脏建模，目标是让先天性心脏病患儿获得更安全、更精准的诊疗。
约1%的活产婴儿患有先天性心脏缺陷，且没有两例完全相同。CHOP心脏病学家、研究员 Matthew Jolley博士表示：“你面对的是一个独一无二的孩子，却只能用现成的器械。我们的工作是找到合适的方案，而建模让我们在进入导管室或手术室之前就能做到这一点。”
CHOP的心脏建模服务基于 MONAI——由 NVIDIA联合创立的开源医学影像框架——利用患儿诊疗团队已有的 CT、MRI和三维超声等影像，在数秒内生成解剖结构精确的心脏模型。这项工作过去需要一名熟练研究人员耗时4小时，如今已快到足以用于常规临床。
这一做法正在推广。美国已有20多家儿童医院开展心脏建模项目。波士顿儿童医院（Boston Children's Hospital）的建模支持了其半数以上心脏手术，每年约500例。CHOP预计今年将完成约200例建模病例。CHOP正通过 IDEA Lab（隶属于该院 Morgan研究与创新中心）将同样的工具推广到多个学科。
2015年 Jolley加入 CHOP时，三维超声心动图刚刚起步，当时有用于成人瓣膜建模的工具，但几乎没有针对他所面对的复杂、微小解剖结构的产品。其实验室与开源社区合作开发了 SlicerHeart——3D Slicer开源软件的扩展，用于三维医学影像的可视化、分割与分析——并开始开发从多种影像模态建模儿童心脏和瓣膜的工作流程。
过去制作一个模型需要一名熟练研究助理在工作站上花数小时。机器学习改变了这一点。使用 MONAI Label和 NVIDIA的 Auto3DSeg实现，Jolley团队在既往影像与模型配对上训练分割网络，输出结果达到训练有素的人类同等质量标准，而耗时从数小时缩短到数秒。
临床影响很快显现。对于复杂的室间隔缺损（心脏下部两个腔室之间的孔洞），CHOP现在常规在术前建模。一个早期案例说明了价值：一名患儿已接受两次失败的修补尝试，外科医生用传统方法无法定位缺损，三维模型厘清了解剖结构，修补一次成功。Jolley表示，对于此类病例，心脏建模已从研究走向标准诊疗。
可视化并非终点。Jolley团队希望不仅了解患儿心脏的样子，还能在手术开始前知道器械置入后会发生什么。Newton由此登场。Newton是基于 NVIDIA Warp Python框架构建的开源物理引擎，可在 GPU上运行物理仿真。CHOP正与 NVIDIA及开源社区合作，用 Warp构建面向生物力学的仿真框架，并将其引入 Newton——后者最初用于基于仿真的 AI机器人训练。
这些框架一旦与3D Slicer和 SlicerHeart集成，可帮助医生理解决定器械在特定患者体内如何展开的组织材料属性。借助 GPU加速，心脏器械仿真所需时间可从最多4小时（多配置情况下需整夜运行）缩短至接近实时。在实践中，