CHOP modellerar barns hjärtan med NVIDIAs AI-verktyg med öppen källkod

Children’s Hospital of Philadelphia (CHOP) driver en tjänst för hjärtmodellering som bygger på MONAI, ett ramverk med öppen källkod för medicinsk bildbehandling som NVIDIA var med och grundade. Tjänsten omvandlar de CT-bilder, MR-bilder och 3D-ultraljudsbilder som barnets vårdteam redan har till anatomiskt exakta hjärtmodeller, rapporterade NVIDIA den 15 september 2026. Enligt NVIDIA skapar tjänsten varje modell på några sekunder och ersätter därmed ett arbetsflöde som tidigare tog en kvalificerad forskare omkring fyra timmar. Modellerna blir därför tillräckligt snabba för rutinmässig klinisk användning.

Omkring 1 procent av levande födda barn har ett medfött hjärtfel, och inga två fall är likadana, enligt NVIDIAs redogörelse. Ett barn som föds med ett hål mellan hjärtats nedre kammare, eller med en läckande klaff i den enda pumpande kammaren som håller barnet vid liv, behöver vård som är anpassad till just den anatomin. De enheter som kirurger använder har dock historiskt sett nästan aldrig utformats med det enskilda barnet i åtanke.

”Man har ett unikt barn och en standardenhet”, sade dr Matthew Jolley, kardiolog och forskare vid Children’s Hospital of Philadelphia, i NVIDIAs blogginlägg. ”Vårt jobb är att hitta det som passar, och modellering gör det möjligt innan någon går in i kateterlaboratoriet eller operationssalen.”

Metoden sprider sig, uppger NVIDIA. Program för hjärtmodellering finns nu vid fler än 20 barnsjukhus i USA. Vid Boston Children’s Hospital används modellering vid mer än hälften av alla hjärtoperationer, omkring 500 fall per år, och CHOP räknar med att nå cirka 200 modellerade fall under 2026. Arbetet började inom hjärtsjukvården, men CHOP vill nu använda samma verktyg inom flera discipliner genom IDEA Lab, en del av sjukhusets Morgan Center for Research and Innovation. CHOPs Research Institute beskriver IDEA Lab, en förkortning för Innovate, Design, Engineer, and Accelerate, som en central del av Morgan Center som erbjuder resurser för biofabrikation på sjukhusområdet under ledning av Elizabeth Silvestro, PhD.

Från SlicerHeart till standardvård

Jolley började på CHOP 2015, när 3D-ekokardiografi precis höll på att införas. Det fanns verktyg för att modellera klaffar hos vuxna, men nästan ingenting hade byggts för de komplexa och små anatomier som han behandlade, enligt NVIDIA. Jolleys laboratorium och gemenskapen kring öppen källkod skapade SlicerHeart, ett tillägg till programvaran 3D Slicer med öppen källkod som används för att visualisera, segmentera och analysera medicinska 3D-bilder. Teamet utvecklade också arbetsflöden för att modellera barns hjärtan och klaffar från flera bildtekniker.

Under flera år krävde en enda modell flera timmars arbete vid en arbetsstation av en kvalificerad forskningsassistent. Med MONAI Label och NVIDIAs Auto3DSeg-implementering tränade Jolleys team segmenteringsnätverk på par av tidigare bilder och modeller. NVIDIA uppger att resultatet på sekunder i stället för timmar når samma kvalitetsnivå som en utbildad person skulle leverera. Jolley säger att maskininlärning har blivit rutin i laboratoriet: så snart teamet har skapat 10 eller 20 bild-modell-par tränar det en modell och börjar använda den.

MONAIs egen projektsida beskriver ett PyTorch-baserat och gemenskapsdrivet ekosystem för AI inom medicinsk bildbehandling: MONAI Label ger annotering med aktiv inlärning som kan kopplas till 3D Slicer, MONAI Core tillhandahåller biblioteket för träning och forskning, och MONAI Deploy paketerar tränade modeller för kliniska inferensflöden, med Auto3DSeg bland referensimplementeringarna. Ramverket underhålls av forskare och ingenjörer vid NVIDIA, NIH, King’s College London, Mayo Clinic, MSKCC, Stanford, DKFZ och fler än 30 andra institutioner och distribueras under Apache 2.0-licensen.

Den kliniska nyttan visade sig snabbt, enligt NVIDIA. Vid komplicerade ventrikelseptumdefekter, hål mellan hjärtats nedre kammare, utför CHOP nu rutinmässigt modellering före operation. I ett tidigt fall hade ett barn redan genomgått två misslyckade reparationsförsök, eftersom kirurgerna inte kunde hitta defekten med traditionella metoder. 3D-modellen tydliggjorde anatomin, och reparationen lyckades vid första försöket. I sådana fall har hjärtmodellering enligt Jolley gått från forskning till standardvård.

Simulering av enheter före operation

För Jolleys team går målet längre än visualisering: de vill förutsäga vad som händer när en enhet placeras i ett barns hjärta innan ett ingrepp börjar. Arbetet körs på Newton, en fysikmotor med öppen källkod som bygger på Python-ramverket NVIDIA Warp, kör fysiksimuleringar på GPU:er och ursprungligen var avsedd för simuleringsbaserad träning av AI-robotar.

CHOP samarbetar med NVIDIA och gemenskapen kring öppen källkod för att bygga biomekaniskt inriktade simuleringsramverk med Warp som kan föras in i Newton. När de har integrerats med 3D Slicer och SlicerHeart ska ramverken hjälpa läkare att förstå de materialegenskaper hos vävnaden som avgör hur en enhet vecklas ut hos en viss patient. NVIDIA uppger att GPU-acceleration kan minska tiden för simulering av en hjärtenhet från upp till fyra timmar, eller en hel natt för flera konfigurationer, till nära realtid. I praktiken är det tillräckligt snabbt för att en läkare ska kunna jämföra hur olika enheter passar ett barns anatomi och fatta ett beslut samma dag.

CHOP har börjat införa funktioner byggda på Warp och Newton för de förslutningsenheter som används för att täta hål i barns hjärtan och hoppas kunna tillämpa liknande metoder på simuleringar av transkateterklaffar. Arkitekturen med öppen källkod i Warp och Newton kopplas till SlicerHeart, med det långsiktiga målet att föra in realtidssimuleringar i kliniska arbetsflöden. En koppling som använder SlicerHeart och digitala tvillingar från NVIDIA Omniverse, drivna av OpenUSD, är också under utveckling: simuleringar byggda från patientbilder skulle överföras till miljöer för virtuell verklighet med inbyggda bild-språk-modeller, så att läkare kan ställa frågor om och interagera med ett barns hjärtanatomi innan de ingriper.

Ekonomin bakom öppen källkod och ett nationellt konsortium

Omkring 2,4 miljoner människor i USA lever med medfödd hjärtsjukdom, och NVIDIA beskriver gruppen som historiskt sett för liten och för varierad för att locka traditionella investeringar från medicintekniska företag i den omfattning som familjerna behöver. Jolley säger att gruppen enligt normala ekonomiska villkor är för liten för att stödja traditionell kommersiell utveckling och att öppen källkod bryter mot dessa villkor för små och heterogena grupper genom att möjliggöra samarbete och framsteg utan hinder.

SlicerHeart-verktygen är kostnadsfritt tillgängliga för andra att använda och vidareutveckla, och forskare vid Stanford och Boston Children’s Hospital bidrar med ytterligare verktyg tillsammans med CHOP. Ett nationellt konsortium av barnsjukhus håller nu på att bildas för att bygga nästa generations gemensamma modelleringsinfrastruktur, där verktyg med öppen källkod kopplar samman arbetet mellan de deltagande institutionerna. Enligt NVIDIA ger företagets investeringar och samarbete kring öppna plattformar, däribland MONAI för AI inom medicinsk bildbehandling, Newton för fysiksimulering och OpenUSD för 3D-interoperabilitet och virtuell verklighet, ett laboratorium på ett barnsjukhus tillgång till verktyg som annars skulle kräva ett ingenjörsteam av företagsstorlek för att bygga och underhålla.