بیمارستان CHOP زمان مدل‌سازی قلب کودکان را از ۴ ساعت به چند ثانیه رساند

تصور کنید جراحی قلب یک کودک را بر عهده دارید، اما ابزاری که در دست دارید برای یک اندازهٔ استاندارد ساخته شده، در حالی که قلب هر کودک دنیایی متفاوت است. در گذشته، یک پژوهشگر ماهر مجبور بود چهار ساعت زمان صرف کند تا نقشه قلب یک کودک را به‌صورت دستی ترسیم کند، اما اکنون بیمارستان کودکان فیلادلفیا (CHOP) این فرآیند را در عرض چند ثانیه به پایان می‌رساند و این ریسک را با تبدیل اسکن‌های پزشکی به مدل‌های سه‌بعدی حذف کرده است.

طبق اعلام NVIDIA در ۱۵ سپتامبر ۲۰۲۶، این بیمارستان از سرویس مدل‌سازی قلبی مبتنی بر MONAI استفاده می‌کند. این چارچوب متن‌باز که توسط انویدیا بنیان‌گذاری شده، تصاویر سی‌تی‌اسکن، MRI و اولتراسوند سه‌بعدی را به مدل‌های آناتومیک دقیق تبدیل می‌کند.

نقص‌های مادرزادی قلبی حدود ۱٪ از تولدهای زنده را تحت تأثیر قرار می‌دهند. به دلیل تفاوت شدید در آناتومی هر بیمار، تجهیزات پزشکی «آمادهٔ مصرف» (off-the-shelf) اغلب با ساختار قلب کودک سازگار نیستند. این موضوع به‌ویژه برای کودکانی که دچار نشت دریچه در یک محفظه پمپاژ واحد یا سوراخی بین محفظه‌های پایینی قلب هستند، حیاتی و تعیین‌کننده است.

دکتر متیو جولی، متخصص قلب و پژوهشگر در CHOP، می‌گوید: «ما با کودکی منحصربه‌فرد و ابزاری استاندارد طرف هستیم. وظیفه ما یافتن قطعه‌ای است که دقیقاً khớp شود و مدل‌سازی اجازه می‌دهد این کار را پیش از ورود هر کسی به آزمایشگاه کاتتریزاسیون یا اتاق عمل انجام دهیم.»

در پوشش پیشین ما درباره‌ی کاربردهای هوش مصنوعی در پزشکی، دیدیم که دقت در تشخیص‌های اولیه چگونه نرخ بقای بیماران را بالا می‌برد. در مورد کودکان، چالش بزرگ‌تر نبود ابزار تشخیص بود، نه نبود داده. برای سال‌ها، جامعه پزشکی ابزاری که برای آناتومی پیچیده و مقیاس کوچک بیماران اطفال طراحی شده باشد، در اختیار نداشت.

دکتر جولی که از سال ۲۰۱۵ به CHOP پیوست، اشاره می‌کند که در آن زمان اکوکاردیوگرافی سه‌بعدی در حال ظهور بود. در حالی که ابزارهایی برای دریچه‌های قلب بزرگسالان وجود داشت، برای موارد اطفال که او درمان می‌کرد، تقریباً هیچ ابزاری در دسترس نبود. این شکاف باعث شد پزشکان به تصویربرداری‌های سنتی متکی شوند که اغلب در شناسایی نقص‌ها در موارد پیچیده شکست می‌خورد.

برای رفع این شکاف، بیمارستان آزمایشگاه IDEA Lab (نوآوری، طراحی، مهندسی و شتاب‌دهی) را تأسیس کرد. این مرکز که بخشی از مرکز تحقیقات و نوآوری مورگان در بیمارستان است، اکنون به عنوان قطب منابع تولید زیستی (biofabrication) در محیط بیمارستان عمل می‌کند و توسط دکتر الیزابت سیلوسترو مدیریت می‌شود.

این رویکرد به‌سرعت در سراسر ایالات متحده در حال گسترش است و اکنون بیش از ۲۰ بیمارستان کودکان برنامه‌های مدل‌سازی قلبی فعالی دارند. در بیمارستان کودکان بوستون، این فناوری از بیش از نیمی از تمام جراحی‌های قلبی (حدود ۵۰۰ مورد در سال) پشتیبانی می‌کند، در حالی که CHOP انتظار دارد در سال ۲۰۲۶ تعداد موارد مدل‌سازی شده به ۲۰۰ مورد برسد.

برای رفع گلوگاه نقشه‌برداری دستی، تیم دکتر جولی SlicerHeart را توسعه داد؛ افزونه‌ای برای نرم‌افزار متن‌باز 3D Slicer که برای بصری‌سازی، قطعه‌بندی (segmentation) و تحلیل تصاویر پزشکی سه‌بعدی به کار می‌رود. آن‌ها با ادغام MONAI Label و ابزار Auto3DSeg انویدیا، شبکه‌های قطعه‌بندی را بر روی جفت‌های تصاویر قبلی و مدل‌های متناظر آموزش دادند.

شبکه عصبی (Neural Network) — شبیه نقشهٔ مترویی است که سیگنال‌ها را از ورودی به جواب می‌رساند — در این آزمایشگاه اکنون به یک روتین تبدیل شده است. به محض اینکه تیم ۱۰ یا ۲۰ جفت تصویر-مدل جمع‌آوری می‌کند، یک مدل را آموزش داده و آن را اعمال می‌کند. این اتوماسیون باعث می‌شود بیمارستان مدل‌هایی با کیفیت استانداردهای تخصص انسانی، تقریباً در لحظه تولید کند.

این سامانه بر پایه اکوسیستمی مبتنی بر PyTorch است که توسط بیش از ۳۰ مؤسسه از جمله NIH (مؤسسه ملی سلامت)، مایو کلینیک، MSKCC، کینگز کالج لندن و استنفورد پشتیبانی می‌شود. این گردش‌کار که تحت مجوز Apache 2.0 توزیع شده است، به سه مرحله اصلی تقسیم می‌شود:

• MONAI Label: برچسب‌گذاری فعال (active-learning annotation) را فراهم می‌کند که مستقیماً به 3D Slicer متصل می‌شود.
• MONAI Core: کتابخانه ضروری برای آموزش و پژوهش‌های پایه را ارائه می‌دهد.
• MONAI Deploy: مدل‌های آموزش‌دیده را برای خط لوله‌های استنتاج بالینی بسته‌بندی می‌کند و از پیاده‌سازی‌های مرجعی مانند Auto3DSeg بهره می‌برد.

بیمارستان CHOP اکنون از تصاویر ایستا فراتر رفته و به سمت شبیه‌سازی پیش‌بینانه با استفاده از Newton حرکت کرده است. این موتور فیزیک متن‌باز بر پایه چارچوب پایتونی NVIDIA Warp ساخته شده است. Warp که در ابتدا برای آموزش ربات‌های مبتنی بر شبیه‌سازی AI طراحی شده بود، شبیه‌سازی‌های فیزیکی را روی GPU (واحد پردازش گرافیکی) اجرا می‌کند.

بیمارستان CHOP در حال همکاری با انویدیا و جامعه متن‌باز است تا چارچوب‌های شبیه‌سازی متمرکز بر بیومکانیک را در محیط Warp بسازد. پس از ادغام با SlicerHeart و 3D Slicer، این چارچوب‌ها به پزشکان کمک می‌کنند تا ویژگی‌های متریال بافت‌های خاص را درک کنند؛ ویژگی‌هایی که تعیین می‌کنند یک دستگاه پزشکی در بدن یک بیمار خاص چگونه مستقر و باز می‌شود.

این قابلیت نیاز به اجرای شبیه‌سازی‌های شبانه‌روزی یا فرآیندهای چهار ساعته را از بین برده است. پزشکان اکنون می‌توانند در همان روز و به‌صورت تقریباً لحظه‌ای، تناسب دستگاه‌های مختلف را با هم مقایسه کنند تا تصمیمات جراحی دقیق‌تری بگیرند. بیمارستان در حال حاضر این شبیه‌سازی‌ها را برای دستگاه‌های بسته‌بندی (closure devices) جهت مسدود کردن سوراخ‌های قلب به کار می‌برد و در حال گسترش آن به سمت دریچه‌های ترانس‌کاتتر است.

ادغام‌های آینده شامل یک کوپلر با استفاده از دوقلوهای دیجیتال در NVIDIA Omniverse و استاندارد OpenUSD است. این فناوری به پزشکان اجازه می‌دهد وارد محیط‌های واقعیت مجازی شوند و با استفاده از مدل‌های بینایی-زبانی (VLM) تعبیه شده، پیش از اولین برش جراحی، درباره آناتومی قلب کودک پرس‌وجو کرده و با آن تعامل داشته باشند.

این تحول، اقتصاد پزشکی را به‌طور بنیادی تغییر می‌دهد. حدود ۲.۴ میلیون نفر در آمریکا با بیماری‌های مادرزادی قلبی زندگی می‌کنند. چون این جمعیت بسیار متنوع اما در مقایسه با سایر بیماری‌ها نسبتاً کوچک است، از نظر تاریخی برای جذب سرمایه‌گذاری‌های تجاری سنتی از سوی شرکت‌های سازنده تجهیزات پزشکی، «بیش از حد نادر» تلقی می‌شد.

به باور دکتر جولی، مدل متن‌باز با حذف موانع همکاری، این اقتصاد سنتی را به چالش می‌کشد. با به اشتراک‌گذاری رایگان ابزارهای SlicerHeart، بیمارستان‌های CHOP، استنفورد و بوستون در حال ساخت یک کنسرسیوم ملی از بیمارستان‌های کودکان برای ایجاد زیرساخت‌های مدل‌سازی مشترک هستند. سرمایه‌گذاری انویدیا در پلتفرم‌هایی مثل MONAI، Newton و OpenUSD، ابزارهایی را در اختیار این آزمایشگاه‌ها قرار داده که در حالت عادی برای نگهداری آن‌ها به یک تیم مهندسی در سطح یک شرکت بزرگ نیاز بود. این رویکرد با استراتژی‌های جدیدی که هزینه‌های عملیاتی AI در محیط‌های بیمارستانی را به‌شدت کاهش می‌دهد، هم‌سو است تا دسترسی به فناوری‌های پیشرفته را تسهیل کند.

برای بیمار، اثر این فناوری فوری و ملموس است. به نقل از انویدیا، کودکی با نقص پیچیده سپتوم بطنی (ventricular septal defect) پیش از این دو بار جراحی ناموفق را تجربه کرده بود، زیرا جراحان نمی‌توانستند با روش‌های سنتی مکان دقیق نقص را پیدا کنند. در نهایت، یک مدل سه‌بعدی آناتومی را شفاف کرد و جراحی در تلاش سوم در اولین مرحله با موفقیت انجام شد. در چنین موارد پیچیده‌ای، مدل‌سازی قلبی از یک پژوهش آزمایشگاهی به «استاندارد مراقبت» (standard of care) تبدیل شده است.

گام بعدی شما

• بررسی مستندات MONAI برای درک نحوه پیاده‌سازی مدل‌های قطعه‌بندی در تصاویر پزشکی.
• مطالعه درباره استاندارد OpenUSD و نقش آن در ایجاد دوقلوهای دیجیتال برای شبیه‌سازی‌های صنعتی و پزشکی.
• دنبال کردن گزارش‌های مربوط به ادغام مدل‌های بینایی-زبانی (VLM) در محیط‌های VR برای کاربردهای جراحی.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و قدرت پردازش شبیه‌سازی‌های فیزیکی مراجعه کنید.