Background & AimsObesity defined by body mass index (BMI) significantly increases the risk of hepatocellular carcinoma (HCC). In contrast, not only obesity but also underweight is associated with poor prognosis in patients with HCC. Differences in body composition rather than BMI were suggested to be true determinants of prognosis. However, this hypothesis has not been demonstrated conclusively.MethodsWe measured skeletal muscle index (SMI), mean muscle attenuation (MA), visceral adipose tissue index, subcutaneous adipose tissue index, and visceral to subcutaneous adipose tissue area ratios (VSR) via computed tomography in a large-scale retrospective cohort of 1257 patients with different stages of HCC, and comprehensively analyzed the impact of body composition on the prognoses.ResultsAmong five body composition components, low SMI (called sarcopenia), low MA (called intramuscular fat [IMF] deposition), and high VSR (called visceral adiposity) were significantly associated with mortality, independently of cancer stage or Child-Pugh class. A multivariate analysis revealed that sarcopenia (hazard ratio [HR], 1.52; 95% confidence interval [CI], 1.18–1.96; p = 0.001), IMF deposition (HR, 1.34; 95% CI, 1.05–1.71; p = 0.020), and visceral adiposity (HR, 1.35; 95% CI, 1.09–1.66; p = 0.005) but not BMI were significant predictors of survival. The prevalence of poor prognostic body composition components was significantly higher in underweight and obese patients than in normal weight patients.ConclusionsSarcopenia, IMF deposition, and visceral adiposity independently predict mortality in patients with HCC. Body composition rather than BMI is a major determinant of prognosis in patients with HCC. Obesity defined by body mass index (BMI) significantly increases the risk of hepatocellular carcinoma (HCC). In contrast, not only obesity but also underweight is associated with poor prognosis in patients with HCC. Differences in body composition rather than BMI were suggested to be true determinants of prognosis. However, this hypothesis has not been demonstrated conclusively. We measured skeletal muscle index (SMI), mean muscle attenuation (MA), visceral adipose tissue index, subcutaneous adipose tissue index, and visceral to subcutaneous adipose tissue area ratios (VSR) via computed tomography in a large-scale retrospective cohort of 1257 patients with different stages of HCC, and comprehensively analyzed the impact of body composition on the prognoses. Among five body composition components, low SMI (called sarcopenia), low MA (called intramuscular fat [IMF] deposition), and high VSR (called visceral adiposity) were significantly associated with mortality, independently of cancer stage or Child-Pugh class. A multivariate analysis revealed that sarcopenia (hazard ratio [HR], 1.52; 95% confidence interval [CI], 1.18–1.96; p = 0.001), IMF deposition (HR, 1.34; 95% CI, 1.05–1.71; p = 0.020), and visceral adiposity (HR, 1.35; 95% CI, 1.09–1.66; p = 0.005) but not BMI were significant predictors of survival. The prevalence of poor prognostic body composition components was significantly higher in underweight and obese patients than in normal weight patients. Sarcopenia, IMF deposition, and visceral adiposity independently predict mortality in patients with HCC. Body composition rather than BMI is a major determinant of prognosis in patients with HCC.

The fourth version of Clinical Practice Guidelines for Hepatocellular Carcinoma was revised by the Japan Society of Hepatology, according to the methodology of evidence-based medicine and partly to the Grading of Recommendations Assessment, Development, and Evaluation system, which was published in October 2017 in Japanese. New or revised recommendations were described, herein, with a special reference to the surveillance, diagnostic, and treatment algorithms.

Purpose To quantify observer agreement and analyze causes of disagreement in identifying honeycombing at chest computed tomography (CT). Materials and Methods The institutional review board approved this multiinstitutional HIPAA-compliant retrospective study, and informed patient consent was not required. Five core study members scored 80 CT images with a five-point scale (5 = definitely yes to 1 = definitely no) to establish a reference standard for the identification of honeycombing. Forty-three observers from various subspecialties and geographic regions scored the CT images by using the same scoring system. Weighted κ values of honeycombing scores compared with the reference standard were analyzed to investigate intergroup differences. Images were divided into four groups to allow analysis of imaging features of cases in which there was disagreement: agreement on the presence of honeycombing, agreement on the absence of honeycombing, disagreement on the presence of honeycombing, and other (none of the preceding three groups applied). Results Agreement of scores of honeycombing presence by 43 observers with the reference standard was moderate (Cohen weighted κ values: 0.40–0.58). There were no significant differences in κ values among groups defined by either subspecialty or geographic region (Tukey-Kramer test, P = .38 to >.99). In 29% of cases, there was disagreement on identification of honeycombing. These cases included honeycombing mixed with traction bronchiectasis, large cysts, and superimposed pulmonary emphysema. Conclusion Identification of honeycombing at CT is subjective, and disagreement is largely caused by conditions that mimic honeycombing. © RSNA, 2012

Accurately diagnosing lung cancer relies on analyzing hundreds of images in a single examination, placing a significant workload on radiologists. In radiation treatment planning, tailoring the prescribed dose distribution to each tumor area is critical. However, manual tumor region demarcation has proven laborious and time-consuming, with inconsistencies potentially leading to intra- and inter-session variations in tumor region definition. Amidst the vast landscape of deep learning, massive-training artificial neural networks (MTANN) stand out for their accuracy in image pattern recognition. In this paper, 3D MTANN is used to classify nodules based on their level of malignancy on lung CT images in the LIDC-IDRI database. Detection is fully automated and evaluated using the AUC of the ROC curve. By adjusting the 3D MTANN parameters, our method achieved a maximum AUC of 0.91 with efficient inference capabilities. Experimental results demonstrate the reliability of MTANN in differentiating benign and malignant nodules from thoracic CT images with better accuracy than state-of-the-art methods. The proposed method successfully achieved its goal of determining lung cancer by maintaining a high level of differentiation while reducing the proportion of false positives. Our 3D MTANN-based AI system with efficient inference capabilities would be useful in assisting radiologists in their diagnosis of lung nodules effectively.