AI如何让超声波“听懂”人体：从原始声波到个性化诊断的革命

起因：为什么超声波成像需要一场AI革命？ 超声波因其安全、实时、便携和低成本，成为应用最广的医学成像方式之一。但几十年来，其图像生成依赖于一个固定的“手工工程”流程：探头接收到的丰富原始声波信号（包含声波如何与人体组织复杂互动的全部信息）被大幅压缩和简化，最终重建为临床医生看到的图像。这个过程基于一个关键的简化假设——人体内的声速是恒定的。这就像用一个固定的滤镜去处理所有人的照片，必然会导致信息丢失和图像失真。在基础模型时代，一个自然的问题是：我们能否跳过这个“有损压缩”管道，让AI直接从最原始的传感器数据中学习，并利用那些通常被丢弃的信息？NVIDIA与西门子医疗的合作，正是为了回答这个问题，其成果NV-Raw2Insights-US模型，揭示了超声波成像的未来可能。

拆解：AI如何“听懂”声波？ 这项技术的核心思想是“Raw2Insights”——从原始数据到洞察。传统方法是从“成品图像”开始处理，而新方法则追溯到更上游：直接从超声波探头捕获的原始信号（即声波如何在人体内真实传播的记录）开始学习。这就像从听一首压缩过的MP3，升级到直接分析录音棚里的无损母带。模型通过学习海量的原始信号与对应的人体组织特性，能够“更仔细地聆听”，并理解每位患者独特的身体结构如何塑造了这些声波。

其第一个具体应用，是估计人体内的声速分布。模型能实时为每位患者生成一张个性化的“声速地图”，并用它来校正超声波束的聚焦，从而生成更清晰、更准确的图像。过去，这种个性化物理参数估计需要极其复杂的计算，几乎无法在临床实时场景中应用。而现在，通过一个AI模型的单次推理（single AI pass）就能完成。这实现了从原始超声波通道数据到可行动的临床洞察的直接跃迁。

趋势洞察：从“通用物理”到“个人物理”的范式转变 这件事揭示了一个更深层的趋势：AI正在从处理“人类已经理解并结构化的数据”（如图像、文本），迈向直接处理“原始物理世界信号”。在超声波成像中，这意味着从依赖通用物理假设（如恒定声速）转向构建个人化物理模型。AI不再仅仅是一个图像增强工具，而是成为了一个能够理解并适应每位患者独特生物物理特性的“物理学家”。这种“AI驱动的个性化物理建模”能力，未来可能扩展到更多依赖传感器数据的领域，如雷达、声纳或其他医学成像模态（如MRI的原始k空间数据），从根本上改变我们从传感器中提取信息的方式。

实用价值与工程突破 对于开发者和研究者而言，这项工作展示了两个关键点：一是数据获取的桥梁。临床级设备的原始数据通常难以获取。NVIDIA的Holoscan传感器桥接技术，通过利用设备的高带宽DisplayPort输出，巧妙地将原始数据流传输到GPU，为AI模型提供了“燃料”。这为如何从现有设备中挖掘AI价值提供了工程范本。二是边缘AI平台的价值。整个流程——从数据采集、传输到AI推理——都在NVIDIA的边缘计算平台（如IGX Thor）上实时完成，满足了临床场景对低延迟的严苛要求。这证明了高性能边缘计算是将此类前沿AI研究转化为实际产品的关键基础设施。

反常识与未来展望 一个可能被忽略的角度是：这项技术提升的不仅仅是“图像质量”，更是“信息维度”。传统图像丢弃了原始信号中的相位、频率细节等物理信息，而新方法保留了这些。这意味着，未来基于原始数据的AI或许能直接从声波中诊断出传统图像无法显示的组织特性（如早期纤维化或特定病理变化），将超声波从一种“形态学”成像工具，升级为“功能学”甚至“分子学”诊断工具。这不仅是技术的改进，更是临床诊断范式的潜在革命。

---

原文地址: Adaptive Ultrasound Imaging with Physics-Informed NV-Raw2Insights-US AI