编辑推荐：
为解决 CTPA 检测肺栓塞（PE）存在的效率低、准确性依赖医生等问题，研究人员开展了对比注意力深度学习网络与传统放射学流程检测 PE 效率的研究。结果显示 AID-PE 模型表现优异，这对提升 PE 诊断效率和准确性意义重大。
在医学领域，肺栓塞（Pulmonary Embolism，PE）一直是个令人头疼的难题。它是美国第三大心血管致死病因，像个隐藏在暗处的杀手，时刻威胁着人们的生命健康。目前，计算机断层扫描肺动脉造影（Computed Tomography Pulmonary Angiography，CTPA）虽作为诊断 PE 的金标准，但也存在诸多短板。比如，对比剂团注时间不好把控，诊断准确性严重依赖医生个人水平，而且读片耗时久。这些问题导致诊断常常延误，许多患者因此错过最佳治疗时机，死亡率居高不下。在这样的困境下，开展一项能改善现状的研究迫在眉睫。
来自国外（文中未明确具体机构名称）的研究人员勇挑重担，开启了一项极具意义的研究。他们致力于探究基于注意力机制的深度学习网络在 CTPA 检测 PE 方面的效率，并与传统放射学流程一较高下。最终，他们取得了令人瞩目的成果，相关论文发表在《European Journal of Radiology Open》上。这一研究成果对提高 PE 的诊断效率和准确性意义非凡，有望为临床治疗带来全新的变革。
在研究过程中，研究人员运用了多个关键技术方法。他们使用了公开的 RSNA-STR PE CT（RSPECT）数据集（N = 7279）和内部数据集（n = 106）。模型构建方面，采用了两阶段架构。第一阶段利用 CNN Efficient-Net 提取特征，第二阶段通过双向长短期记忆（Bi-LSTM）模型捕捉 CTPA 切片间的长程依赖关系，并引入注意力模块提升性能。此外，还运用了自定义损失函数优化模型训练。
研究结果如下：
- 消融研究与基线模型对比：研究人员将 AID-PE 模型与基线模型对比。基线模型包括 CNN 分类器（Baseline 1）和无注意力模块的 CNN-LSTM 网络（Baseline 2）。结果显示，Baseline 1 的 AUC / 准确率为 0.5/0.74，Baseline 2 为 0.88/0.65，而 AID-PE 达到了 0.95/0.88，AID-PE 表现更优。
- 验证队列与独立队列对比：在验证队列（D2）和独立队列（D3）中，AID-PE 检测 PE 的 AUC 分别为 0.82 和 0.95。D3队列研究中切片数量更多、厚度不同，为模型提供了更多信息，使得 AUC 更高。
- 类激活映射（CAMs）分析：通过计算 CAMs 发现，在单侧 PE 中，模型能准确识别血栓周围区域；应用 t - 分布随机邻域嵌入（t-SNE）对注意力模块生成的特征分析可知，模型能有效学习和预测 PE 及其相关属性。
- AID-PE 网络效率：传统放射学流程诊断 148 例 CTPA 阳性 PE 平均耗时 39.6 分钟（标准差 31.64），而 AID-PE 网络仅需 1.32 秒（标准差 0.554），效率大幅提升。
研究结论表明，AID-PE 模型在检测 PE 方面表现出色，优于基线模型。它不仅能高效筛查阳性病例，还能为医生提供更多关于 PE 的特征信息，辅助医生更准确地评估病情，制定更合适的治疗方案。这将极大地缩短诊断时间，减少患者因诊断延误导致的并发症风险，显著改善患者的临床结局，降低 PE 带来的整体发病率和死亡率。不过，研究也存在一定局限性，如在双侧 PE 中 CAMs 的表现有待改进，模型还需在多机构进一步验证。但总体而言，这项研究为未来 PE 的诊断和治疗开辟了新的方向，具有极高的临床应用潜力。
