北京
一台心脏手术开始前，医生手里能拿到什么？在费城儿童医院，答案正在变成：一个几秒钟就能生成的、贴合这个孩子解剖结构的心脏模型。
这家医院正在用开源AI工具给儿童心脏建模。目标很直接——让先天性心脏病患儿得到更安全、更精准的治疗。而支撑这套流程的，是MONAI，一个由英伟达联合创立的开源医学影像框架。
一个孩子，一台现成的器械
大约1%的活产婴儿带有先天性心脏缺陷，而且没有两例是完全一样的。
有的孩子心脏下腔之间有个洞，有的孩子靠唯一一个泵血腔维持生命、瓣膜却在漏。这些情况需要的护理，必须严丝合缝地匹配他们各自的解剖结构。但历史上，外科医生能拿到的器械，几乎从来不是为某个具体孩子设计的。
费城儿童医院的心脏病专家、研究员Matthew Jolley博士把这件事说得很直白：“你面对的是一个独一无二的孩子，手里却是一件现成的器械。我们的工作是找到什么能匹配——而建模让我们在任何人走进导管室或手术室之前就能做到这一点。”
从四小时到几秒钟
费城儿童医院的心脏建模服务，会调用患儿医疗团队已经拍好的影像——CT、核磁共振、三维超声——然后生成解剖学上精确的心脏模型，整个过程只需要几秒钟。
而在过去，同样的工作要由一名熟练的研究人员在工作站前花上四个小时。这个时间差，决定了它能不能进入常规临床使用。
Jolley在2015年加入费城儿童医院时，三维超声心动图才刚刚上线。当时市面上有给成人瓣膜建模的工具，但几乎没有为他手上这些复杂、微小的解剖结构准备的东西。
他的实验室和开源社区一起做出了SlicerHeart——这是开源软件3D Slicer的一个扩展，用来可视化、分割和分析三维医学图像。团队由此开始开发工作流，从多种成像模态出发，给儿童的心脏和瓣膜建模。
改变发生在机器学习介入之后。Jolley的团队使用MONAI Label和英伟达的Auto3DSeg实现，在既往的图像与模型配对上训练分割网络。产出的结果达到了受过训练的人类会给出的同等质量标准，而时间从小时级压到了秒级。
“机器学习已经变成了家常便饭，”Jolley说，“只要我们做出10对或20对图像-模型配对，就训练一个模型然后开始用。”
这套做法正在扩散
美国现在有20多家儿童医院运行着心脏建模项目。
在波士顿儿童医院，建模支持了全部心脏手术的一半以上，大约每年500例。费城儿童医院预计今年能达到约200例建模病例。
心脏护理是这套工作的起点。现在，费城儿童医院正打算通过IDEA Lab把同样的工具用到多个学科——这个实验室隶属于该院的摩根研究与创新中心。
临床影响来得很快。对于复杂的室间隔缺损——也就是心脏下腔之间的孔洞，建模的价值立刻显现出来。
开源打破了传统经济学
这件事里有一个不太符合直觉的地方：一家医院能拿到秒级的心脏建模能力，靠的不是采购一套昂贵的专有系统，而是站在开源工具的肩膀上。
MONAI由英伟达联合创立，SlicerHeart是开源软件的扩展，3D Slicer本身也是开源的。Jolley的实验室从2015年起就和开源社区一起工作，把成人瓣膜建模时代缺失的那一块补上。
从一名熟练研究人员四小时的工作量，到几秒钟出结果；从几乎没有为儿童解剖结构设计的工具，到20多家医院跑起建模项目——这条路径的起点，是有人愿意把工具开放出来，让临床团队自己接着往下做。
费城儿童医院把这段历程称为“从研究到诊疗标准”的十年长跑。而跑到现在，它已经不只是心脏的事了。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
