NVIDIA与西门子医疗：NV-Raw2Insights-US直接从原始超声信号中学习，并实时校正图像
为什么重要
NV-Raw2Insights-US是NVIDIA与西门子医疗（Siemens Healthineers）联合开发的AI模型，直接从原始超声通道信号（raw ultrasound channel data）学习——早于传统波束成形（beamforming）处理阶段——并在单次AI推理中生成针对每位患者个体化的组织声速分布图。该分布图用于实时成像中的自适应聚焦。模型权重（weights）和数据集已在HuggingFace和GitHub上开放发布，通过NVIDIA Holoscan平台和Blackwell GPU进行部署。
2026年4月28日，NVIDIA与西门子医疗（Siemens Healthineers）的研究人员联合发布了NV-Raw2Insights-US——一个颠覆传统超声处理流程的AI模型。传统波束成形（beamforming）将超声探头采集的数百万个回波压缩成最终图像，并假设声学物理参数固定不变（如声音在人体组织中的传播速度为常数）。NV-Raw2Insights-US则在这一压缩步骤之前进行学习，直接处理原始通道数据（raw channel data）。
模型具体做什么？
在这一首个Raw2Insights应用中，NVIDIA与西门子估算声音通过组织的速度，用于自适应图像聚焦。系统在单次AI推理中生成患者个性化的声速分布图，并将其实时回传至扫描仪以校正实时成像图像。以往需要复杂计算才能完成的工作，现在变成了单次推理（single-pass inference）。西门子医疗AI与先进平台团队的Ismayil Guracar和Rickard Loftman主导了这一合作。
如何部署？
原始超声通道数据在临床扫描仪上并不容易获取，因为该信号带宽极高。NVIDIA的Holoscan Sensor Bridge（HSB）（开源FPGA IP核）通过RDMA over Converged Ethernet以低延迟将数据传输至GPU内存。演示使用了Altera Agilex-7 FPGA开发套件、ACUSON Sequoia扫描仪（西门子）以及NVIDIA称为**「Data over DisplayPort」的技术——通过扫描仪的DisplayPort输出流式传输原始信号。推理在NVIDIA IGX Thor或DGX Spark系统内的Blackwell-class GPU上运行，基于NVIDIA Holoscan**边缘AI平台。
开放发布了哪些内容？
NVIDIA已完整开放研究成果：GitHub（github.com/NVIDIA-Medtech/NV-Raw2insights-US）、模型权重（huggingface.co/nvidia/NV-Raw2Insights-US）和数据集（huggingface.co/datasets/nvidia/NV-Raw2Insights-US）。此次发布不包含详细的基准（benchmark）数据或临床验证——重点在于架构与概念层面。NVIDIA强调：该技术处于研究性开发阶段，未获临床批准。更广泛的意义在于：这种「AI原生成像」方法直接从每位患者的物理特性中学习，而非依赖预处理图像，有望成为下一代AI驱动诊断系统的模块化基础。
本文由人工智能基于一手来源生成。