Abstract Objective To evaluate whether and how the radiological journals present their policies on the use of large language models (LLMs), and identify the journal characteristic variables that are associated with the presence. Methods In this meta-research study, we screened Journals from the Radiology, Nuclear Medicine and Medical Imaging Category, 2022 Journal Citation Reports, excluding journals in non-English languages and relevant documents unavailable. We assessed their LLM use policies: (1) whether the policy is present; (2) whether the policy for the authors, the reviewers, and the editors is present; and (3) whether the policy asks the author to report the usage of LLMs, the name of LLMs, the section that used LLMs, the role of LLMs, the verification of LLMs, and the potential influence of LLMs. The association between the presence of policies and journal characteristic variables was evaluated. Results The LLM use policies were presented in 43.9% (83/189) of journals, and those for the authors, the reviewers, and the editor were presented in 43.4% (82/189), 29.6% (56/189) and 25.9% (49/189) of journals, respectively. Many journals mentioned the aspects of the usage (43.4%, 82/189), the name (34.9%, 66/189), the verification (33.3%, 63/189), and the role (31.7%, 60/189) of LLMs, while the potential influence of LLMs (4.2%, 8/189), and the section that used LLMs (1.6%, 3/189) were seldomly touched. The publisher is related to the presence of LLM use policies ( p < 0.001). Conclusion The presence of LLM use policies is suboptimal in radiological journals. A reporting guideline is encouraged to facilitate reporting quality and transparency. Critical relevance statement It may facilitate the quality and transparency of the use of LLMs in scientific writing if a shared complete reporting guideline is developed by stakeholders and then endorsed by journals. Key Points The policies on LLM use in radiological journals are unexplored. Some of the radiological journals presented policies on LLM use. A shared complete reporting guideline for LLM use is desired. Graphical Abstract

Abstract Background To assess the improvement of image quality and diagnostic acceptance of thinner slice iodine maps enabled by deep learning image reconstruction (DLIR) in abdominal dual-energy CT (DECT). Methods This study prospectively included 104 participants with 136 lesions. Four series of iodine maps were generated based on portal-venous scans of contrast-enhanced abdominal DECT: 5-mm and 1.25-mm using adaptive statistical iterative reconstruction-V (Asir-V) with 50% blending (AV-50), and 1.25-mm using DLIR with medium (DLIR-M), and high strength (DLIR-H). The iodine concentrations (IC) and their standard deviations of nine anatomical sites were measured, and the corresponding coefficient of variations (CV) were calculated. Noise-power-spectrum (NPS) and edge-rise-slope (ERS) were measured. Five radiologists rated image quality in terms of image noise, contrast, sharpness, texture, and small structure visibility, and evaluated overall diagnostic acceptability of images and lesion conspicuity. Results The four reconstructions maintained the IC values unchanged in nine anatomical sites (all p > 0.999). Compared to 1.25-mm AV-50, 1.25-mm DLIR-M and DLIR-H significantly reduced CV values (all p < 0.001) and presented lower noise and noise peak (both p < 0.001). Compared to 5-mm AV-50, 1.25-mm images had higher ERS (all p < 0.001). The difference of the peak and average spatial frequency among the four reconstructions was relatively small but statistically significant (both p < 0.001). The 1.25-mm DLIR-M images were rated higher than the 5-mm and 1.25-mm AV-50 images for diagnostic acceptability and lesion conspicuity (all P < 0.001). Conclusions DLIR may facilitate the thinner slice thickness iodine maps in abdominal DECT for improvement of image quality, diagnostic acceptability, and lesion conspicuity.

Background:: Ultrasound-guided microwave ablation (MWA) is recommended as a first-line treatment for early liver cancer due to its minimally invasive, efficient, and cost-effective nature. It utilizes microwave radiation to heat and destroy tumor cells as a local thermal therapy and offers the benefits of being minimally invasive, repeatable, and applicable to tumors of various sizes and locations. However, despite the efficacy of MWA, early recurrence after treatment remains a challenge, particularly when it occurs within a year and has a significant impact on the prognosis of the patient. Objective:: This study aimed to identify the risk factors for early recurrence after MWA in patients with hepatocellular carcinoma (HCC) and establish a predictive model. Methods:: A total of 119 patients with hepatocellular carcinoma (HCC) treated in the Department of Ultrasound at the First Affiliated Hospital of the Air Force Medical University from January, 2020 to April, 2022 were included in this study. Patients were categorized into the early recurrence group and the non-early recurrence group based on whether recurrence occurred within 1 year. We conducted univariate analysis on 29 variables. A predictive model was developed using multiple-factor logistic regression analysis, and a risk column graph was created Results:: A total of 28 patients were included in the early recurrence group, with an early recurrence rate of 23%. Tumor size ≥ 3cm, multiple tumors, AST > 35 U/L, low pathological differentiation, CD34 positive, Ki67 level, quantitative parameters mean transit time (mTT), and rise time (RT) were confirmed as risk factors affecting early recurrence after ablation (P < 0.05). Furthermore, the model constructed based on these 5 predictive factors, including tumor size, tumor number, pathological differentiation, CD34, and quantitative analysis parameter mTT, demonstrated good predictive ability, with an AUC of 0.93 in the training set and 0.86 in the validation set. Conclusion:: Our research indicates that the risk column graph can be utilized to predict the risk of early postoperative recurrence in patients after MWA. This contributes to guiding personalized clinical treatment decisions and provides important references for improving the prognosis of patients.

Abstract Objectives To investigate how studies determine the sample size when developing radiomics prediction models for binary outcomes, and whether the sample size meets the estimates obtained by using established criteria. Methods We identified radiomics studies that were published from 01 January 2023 to 31 December 2023 in seven leading peer-reviewed radiological journals. We reviewed the sample size justification methods, and actual sample size used. We calculated and compared the actual sample size used to the estimates obtained by using three established criteria proposed by Riley et al. We investigated which characteristics factors were associated with the sufficient sample size that meets the estimates obtained by using established criteria proposed by Riley et al. Results We included 116 studies. Eleven out of one hundred sixteen studies justified the sample size, in which 6/11 performed a priori sample size calculation. The median (first and third quartile, Q1, Q3) of the total sample size is 223 (130, 463), and those of sample size for training are 150 (90, 288). The median (Q1, Q3) difference between total sample size and minimum sample size according to established criteria are −100 (−216, 183), and those differences between total sample size and a more restrictive approach based on established criteria are −268 (−427, −157). The presence of external testing and the specialty of the topic were associated with sufficient sample size. Conclusion Radiomics studies are often designed without sample size justification, whose sample size may be too small to avoid overfitting. Sample size justification is encouraged when developing a radiomics model. Key Points Question Sample size justification is critical to help minimize overfitting in developing a radiomics model, but is overlooked and underpowered in radiomics research . Findings Few of the radiomics models justified, calculated, or reported their sample size, and most of them did not meet the recent formal sample size criteria . Clinical relevance Radiomics models are often designed without sample size justification. Consequently, many models are too small to avoid overfitting. It should be encouraged to justify, perform, and report the considerations on sample size when developing radiomics models .