Arbeitsablauf für automatisierte digitale periphere Blut- und Knochenmarkzytomorphologie unter Berücksichtigung kritischer zellulärer Fehlklassifikationen

Zusammenfassung

Der Workflow der automatisierten digitalen Zytomorphologie peripheren Blutes und Knochenmarks wird beschrieben. Nach der standardisierten Abstrichvorbereitung und Färbung erfasst ein Scanner Probenbilder. KI-gestützte Software lokalisiert, erfasst und klassifiziert nukleierte Zellen vorläufig, gefolgt von einer Expertenbewertung. Der Fokus liegt auf kritischen zellulären Fehlklassifikationen mit Potenzial für Fehldiagnosen.

Zusammenfassung

Wachsende Belege stützen die Fähigkeit der KI-gestützten automatisierten digitalen Zytomorphologie (ADM) von peripherem Blut (PB) und Knochenmark (BM), Expertenentscheidungen zu unterstützen. Der ADM-Workflow für PB- und BM-Abstriche wird beschrieben. Die Kernkomponenten der ADM-Technologie umfassen Präzisionsmechanik, fortschrittliche Bildgebungssysteme, künstliche Intelligenz (KI) und eine benutzerfreundliche Benutzeroberfläche. Der Prozess beginnt mit einer standardisierten Aufbereitung und Färbung von Schleifen unter Verwendung von Protokollen, die für Automatisierung und Digitalisierung angepasst sind. Ein automatisiertes Mikroskop mit Immersionsobjektiv und Digitalkamera nimmt hochauflösende Bilder der Probe mit mehreren Vergrößerungen auf. KI-gestützte Software lokalisiert, erfasst und klassifiziert dann vorläufig nukleierte Zellen, einschließlich Megakaryozyten, sofern anwendbar. Darauf folgt eine verpflichtende Expertenüberprüfung und, falls erforderlich, eine Neuklassifizierung. Digitale Bilder und Berichte werden anschließend auf einem lokalen Server mit hoher Kapazität gespeichert. Wesentliche Vorteile von ADM sind erhöhte Geschwindigkeit, effizientes Datenmanagement, Bildungsunterstützung, Fernzugriff zur Bewertung und Konsultation, digitale Archivierung und multimodale Datenintegration. Die bedeutendste Einschränkung von ADM ist das Risiko einer kritischen zellulären Fehlklassifikation, die erhebliche klinische Auswirkungen haben kann. Irrelevante Fehlklassifikationen sind tolerierbar und diagnostisch neutral, während relevante Fehlklassifikationen inakzeptabel sind und zu schwerwiegenden diagnostischen und klinischen Konsequenzen führen können. Eine kritische Fehlklassifizierung von neoplastischen Lymphozyten, kleinen Lymphoblasten/Myeloblasten, granularen Monoblasten, dysplastischen Pronozyten und Monocyten, Plasmablasten und unreifen Plasmazellen – die alle atypische Morphologie aufweisen können – birgt ein Risiko einer Fehldiagnose. Weitere Fortschritte sind erforderlich, um eine zuverlässige diagnostische Leistung zu erzielen. Umfangreiche, hochwertige Trainingsdaten in Kombination mit regelmäßiger Validierung sind unerlässlich, um sicherzustellen, dass KI als effektives unterstützendes Werkzeug für diagnostische Urteilsfähigkeit fungiert.

Einleitung

Die korrekte zytomorphologische Beurteilung von peripheren Blut- (PB) und Knochenmarkabstrichen (BM) bleibt ein Grundpfeiler der multidisziplinären Diagnostik in der Hämato-Onkologie und beeinflusst kritische klinische Entscheidungspunkte 1,2,3,4. Es gibt Hinweise auf erhebliche Inter-Experten- und Intra-Experten-Variabilität in manuellen PB- und BM-Abstrichen, mit nachgelagerten Effekten auf die Patientendiagnose 2,5,6,7,8,9. Jüngste Fortschritte in der Bildanalyse, im maschinellen Lernen und in der computergestützten Pathologie haben eine automatisierte Bewertung von PB- und BM-Abstrichen auf einem Niveau ermöglicht, das eine fachkundige zytomorphologische Überprüfung 1,2,3,4,10,11,12,13,14 ergänzt . Künstliche Intelligenz (KI)-gestützte automatisierte digitale Zytomorphologie (ADM) von PB und BM kann arbeitsintensive und zeitaufwändige optische Mikroskopie und Expertenentscheidungen unterstützen 1,2,3,4,11,12.

Die Kernelemente der ADM-Technologie umfassen eine standardisierte Aufbereitung und Färbung, ein Scanner mit fortschrittlichen Bildgebungsfähigkeiten, KI und eine effiziente, benutzerfreundliche Oberfläche. Die Präzisionsmechanik von ADM arbeitet mit Mikrometer-Genauigkeit bei hoher Geschwindigkeit, während fortschrittliche Bildgebungslösungen eine hohe Bildqualität^{gewährleisten}. Eine benutzerfreundliche Oberfläche macht diese ausgeklügelte Technologie auf intuitive und schlanke Weise zugänglich¹⁴.

ADM wird seit langem für PB-Bewertungen verwendet, wo es hochentwickelt ist und zu einem integralen Bestandteil der Standard-Laborabläufe geworden ist. In BM-Bewertungen stellt ADM jedoch Herausforderungen dar, bedingt durch komplexe und komplexe zytomorphologische Muster, eine hohe Anzahl unterschiedlicher Zelltypen und die morphologische Ähnlichkeit der Vorläuferzellen². Die KI-Klassifikationsfähigkeit basiert auf dem Training mit großen, umfassenden Bilddatensätzen mit bis zu mehreren Millionen Zellen. Alle in diesen Trainingsdatensätzen enthaltenen Zellen werden von Experten überprüft und kommentiert. Dieser Experteninput und andere Faktoren hat einen direkten Einfluss auf die Qualität der Klassifizierung.

Dennoch bleiben bestimmte PB- und BM-Zellen für ADM besonders schwer zu klassifizieren, was die zytomorphologische Diagnose^{erheblich beeinflussen} kann ^2,12,15. Kritische zelluläre Fehlklassifikationen bleiben die Hauptbeschränkung von ADM und können ernsthafte klinische Folgen haben, wodurch die Zuverlässigkeit der Methode² untergraben wird.

Unser Ziel ist es, einen praktischen ADM-Arbeitsablauf zu präsentieren, einschließlich der spezifischen Schritte und des Expertenüberprüfungsprozesses. Eine detaillierte Berichterstattung des ADM-Prozesses unter Verwendung von zwei Analyseplattformen als Beispielen ermöglicht es den Nutzern, die Fähigkeiten und Vorteile der Methode voll auszuschöpfen. Die hohe Klassifikationsgenauigkeit von ADM für PB wurde in zahlreichen Studien nachgewiesen: 12,15,16. Daher haben wir uns in unserer Forschung ausschließlich auf ADM für BM konzentriert, wo zuverlässige Validierungsdaten dieser Art begrenzt sind. Die quantitativen Validierungsergebnisse basieren auf BM-Analysen. Darüber hinaus betonen wir eine zentrale Einschränkung der Methode, nämlich kritische Fehlklassifikationen. Wir schlagen außerdem eine Kategorisierung von Fehlklassifikationen vor und heben die häufigsten Arten kritischer Fehlklassifizierungen hervor.

Protokoll

Unsere Studie, veröffentlicht 2025, verwendete archiviertes Material und wurde gemäß den aktualisierten Grundsätzen der Helsinkier Erklärung durchgeführt. Die Patienten gaben schriftliche informierte Einwilligung für Laboruntersuchungen, anonyme Datenerhebung und -analyse sowie Forschungsnutzung, einschließlich der Veröffentlichung anonymisierter Bilddaten. Die Studie wurde vom örtlichen Ethikausschuss des Krankenhauses Havířov genehmigt (Genehmigung IGS_2023_HEM_PAT).

HINWEIS: Das ADM-Protokoll für PB und BM wird nach automatischer Färbung gemeldet.

1. Herstellung und Färbung peripherer Blut- und Knochenmarkabstriche mit einem automatisierten Instrument

1. Führen Sie vor dem Einschalten des Instruments folgende Kontrollen durch: Zustand des Rohrs, Netzanschluss, Status des Abfallbehälters, ausreichende Reagenzien und eine ausreichende Versorgung mit Objektträgern.
   HINWEIS: Reagenzbehälter dürfen nicht leer sein, und alle Reagenzien müssen innerhalb des Ablaufdatums liegen.
2. Schalte das Instrument ein.
3. Die Haupteinheit führt automatisch eine Selbstkontrolle durch.
4. Melden Sie sich mit einem gültigen Benutzernamen und Passwort in die Software ein.
5. Betreiben Sie das Instrument mit den aktuellen Softwareversionen. Befolgen Sie die Herstellerempfehlungen und das Benutzerhandbuch (Startbildschirm – Abbildung 1).
6. Verwenden Sie das Menü, um Operationen auszuwählen, die Arbeitsliste, um Anfragen zur Folienvorbereitung und -vorbereitung zu verwalten, den Browser, um die Daten in Anfragen zu überprüfen, und den Status-Reiter, um den Status des vorbereiteten Smear zu überprüfen.
7. Laden Sie eine neue Folienvorbereitungsanfrage vom Host-Computer herunter oder erstellen Sie eine neue Anfrage.
   HINWEIS: Verwenden Sie Folien mit abgeschrägten und abgerundeten Kanten von 24,7–26,3 mm mal 74,7–76,3 mm, mit einer Breite von 0,9–1,2 mm und einer matten Kante von 15–20 mm.
8. Bearbeiten oder löschen Sie Anfragen zur Präsentation der Folie nach Bedarf.
9. Bereiten Sie den Abstrich vor:
   1. Verwende immer Latex- oder Nitrilhandschuhe beim Umgang mit PB- und BM-Proben und Abstrichen.
   2. Wählen Sie den Vorbereitungsmodus für den Ausstrich.
   3. Setze das Mustergestell in den Probemischer.
      HINWEIS: Verwenden Sie nur Probentuben, die speziell vom Hersteller des Stainers genehmigt wurden.
   4. Überprüfen Sie, ob das Spreader-Glas intakt, vollständig sauber und sicher im Halter verstaut ist.
   5. Beginnen Sie mit der Vorbereitung und dem Färben des Smeers über das Dialogfenster.
   6. Überprüfen Sie den Stand des Ausstrichs, der gerade vorbereitet wird.
10. Überprüfen Sie die Details der Anfragen zur Präsentation von Dias.
11. Entfernen Sie das Mustergestell.
12. Entfernen Sie die vorbereiteten und befleckten Objektträger.
    Checkpoint: Erfüllt die Smear-Qualität bei der Sichtinspektion (Post-Output) die definierten Akzeptanzkriterien? Eine minimale Monoschichtzone mit ausreichender Länge und Zelldichte muss vorhanden sein.
13. Führen Sie die Instrumenteninspektion und -reinigung vor dem Abschalten durch.
14. Schalte das Instrument aus.
    HINWEIS:
    Färbeprotokoll für peripheres Blut-
    Beize 1: May–Grünwald-Fleck; Beize 2: Giemsa–Romanowski-Beize. Unverdünnter Fleck 1 (73 mL) 2:48 Min; Verdünnter Farbstoff 1 (73 ml, Verdünner-pH 7,0 Phosphatpuffer, Verdünnungsverhältnis 1:10) 3:36 Min. Verdünnter Farbstoff 2 (26 ml, Verdünner-pH 7,0 Phosphatpuffer, Verdünnungsverhältnis 1:10) 4:00 Min. Spülzählung (439 mL, automatisierter Prozess)
    1. Trocknung (automatisierter Prozess) 3:36 Min.
    
    Färbungsprotokoll für Knochenmark –
    Beize 1: May–Grünwald-Fleck; Beize 2: Giemsa–Romanowski-Beize. Unverdünnter Fleck 1 (73 mL) 3:36 Min; verdünnte Färbung 1 (73 ml, Verdünner-pH 7,0 Phosphatpuffer, Verdünnungsverhältnis 1:10) 2:48 Min. Verdünnter Farbstoff 2 (26 ml, Verdünner-pH 7,0 Phosphatpuffer, Verdünnungsverhältnis 1:10) 10:00 Min. Spülzählung (439 mL, automatisierter Prozess)
    1. Trocknung (automatisierter Prozess) 3:36 Min.
    
    VORSICHT: Beim Umgang mit Chemikalien im Labor befolgen Sie die Anweisungen in den offiziellen Sicherheitsdatenblättern, die Zusammensetzung, Gefahrensymbole, Erste-Hilfe-Anweisungen, Notfallmaßnahmen bei unbeabsichtigten Lecks und Bränden, Richtlinien zur Handhabung und Lagerung, Anforderungen an persönliche Schutzausrüstung, toxikologische und Umweltinformationen sowie Anweisungen für Transport und Entsorgung enthalten. Entsorgen Sie Abfallflüssigkeiten, Reagenzien und Verbrauchsgüter als medizinische Infektionsabfälle und/oder Industrieabfälle gemäß lokalen Gesetzen und Vorschriften. Wenn möglich, verwenden Sie ein zentrales Abfallentsorgungssystem.

2. Automatisierte digitale Zytomorphologie von PB

1. Verwenden Sie die Anwendung für die Differenzzählung weißer Blutkörperchen (WBC), die Beurteilung der Morphologie roter Blutkörperchen (RBC) und die Schätzung der Thrombozytenzahl (PLT). Verifizieren Sie die vorgeschlagene Klassifikation jedes Zelltyps.
   HINWEIS: Der Bediener ist ein erfahrener, zertifizierter Labortechniker mit mindestens fünf Jahren Berufserfahrung oder ein zertifizierter Laborwissenschaftler.
2. Starte den Analysator.
3. Melden Sie sich mit einem gültigen Benutzernamen und Passwort in die Software ein.
4. Betreiben Sie das Instrument mit den aktuellen Softwareversionen. Befolgen Sie die Herstellerempfehlungen und das Benutzerhandbuch.
5. Verwenden Sie den Tab System Control View für Qualitätskontrollverfahren (QC) und für die Bearbeitung von Bestellungen.
6. Führen Sie täglich eine interne Qualitätskontrolle mit einem Kontroll-Slide durch (routinemäßiger PB-Abstrich mit einem weißen Blutkörperchenwert über 10 × 10⁹/L). Führen Sie den Zelldetektionstest mindestens einmal täglich durch, der 100 Zellen erkennt.
   HINWEIS: Der Zelldetektionstest validiert den Präparatvorbereitungsprozess und überprüft die Zellerkennungsfähigkeit des Analysators. Der Objektträger muss von ausreichender Qualität sein, damit der Analysator die für die Analyse benötigten Zellen nachweisen kann. Für die QC-Akzeptanz müssen 97 % der Zellen erfolgreich nachgewiesen werden.
7. Verwenden Sie einen Erdnussbutter-Schmier, der mit dem Instrument zum Herstellen und Färben vorbereitet wird.
8. Leg den verfärbten Fleck in die Ladeschublade des Analysators.
9. Geben Sie die Testidentifikation manuell oder über einen Barcodescanner ein; Die Anfrage aus dem Laborinformationssystem wird automatisch geladen.
10. Schließe die Eingabetür des Analysators.
11. Bearbeiten Sie den Abstrich.
    HINWEIS: Der Analysator bewegt den Abstrich automatisch unter das Mikroskop, scannt ihn und nimmt Bilder von WBCs sowie ein Monoschichtbild von RBCs auf. Der Analysator führt eine vorläufige Klassifikation aller detektierten weißen Blutkörperchen durch und bewertet die Morphologie der roten Blutkörperchen.
12. Überprüfen Sie die vorläufigen Ergebnisse und klassifizieren sie gegebenenfalls um, entweder direkt am Analyzer oder mit Fernüberprüfungssoftware. Betrachten Sie die vorgeschlagenen drei Klassifikationsoptionen, einschließlich der Wahrscheinlichkeitsprozente.
    HINWEIS: Die automatische Vorklassifikation dauert nur wenige Sekunden. Bei mehrdeutigen oder grenzwertig zellulären Klassifikationen ist eine doppelte Lesung notwendig. Für Zellen mit unterschiedlichen Klassifikationen muss ein Konsens zwischen den Beobachtern erreicht werden. Die neu klassifizierte Zelle ist mit einem Häkchen in der oberen rechten Bildecke beschriftet.
13. Im WBC-Modus wird die vorläufige Klassifikation der nukleären Zellen überprüft.
    HINWEIS: Qualitätshinweise, die digitale Morphologie und eine obligatorische Expertenüberprüfung erfordern, umfassen Blasten, unreife Granulozyten, atypische Lymphozyten, reaktive Lymphozyten, neoplastische Lymphozyten, Monozytose über 1,0 × 10⁹/L, Lymphozytose über 4,0 × 10⁹/L sowie unzuverlässige Differenzenzählung. Jede manuelle Neuklassifizierung durch den Bediener oder Pathologen muss mit Benutzer-ID und Zeitstempel protokolliert werden.
14. Wenn eine falsche Klassifikation festgestellt wird, wird die Zelle durch Ziehen des Bildes mit der Maus der richtigen Kategorie zugeordnet.
    HINWEIS: Für Beispiele für Fehlklassifikationen von PB-Zellen siehe Abbildung 2.
15. Im Rotkörperchen-Modus überprüfen Sie die Beurteilung morphologischer Veränderungen der roten Blutkörperchen und korrigieren Sie eventuelle ungenaue Bewertungen oder ergänzen Sie Befunde durch Auswahl zusätzlicher pathologischer Merkmale (z. B. Zielzellen, Schiefozyten, Ovalozyten).
16. Im PLT-Modus überprüfen Sie die PLT-Bewertung.
17. Kommentare manuell hinzufügen oder aus vordefinierten Textoptionen auswählen.
    HINWEIS: Die Regeln zur automatischen Verifikation müssen mindestens jährlich formell validiert, dokumentiert und überprüft werden.
18. Bestätigen Sie das Endergebnis, das dann automatisch an das Laborinformationssystem gesendet wird.
    HINWEIS: Das Endergebnis wird als numerische Differentialzählung zusammen mit weiteren Kommentaren exportiert, falls vorhanden. Bei Proben mit niedriger Zellularität (WBC unter 2,0 × 10⁹/L) werden automatisch zwei Abstriche einzeln vorbereitet, gescannt und bewertet.
19. Melde dich aus und schalte den Analyzer herunter.
    HINWEIS: Für jede PB-Probe wird eine 100-Zell-Zählung durchgeführt, entsprechend ICSH-Empfehlungen¹⁷. Die Klassifikationskategorien (Klassen) der weißen Blutkörperchen umfassen Blast, Promyelozyt, Myelozyt, Metamyelozyt, Bandneutrophil, segmentiertes Neutrophil, Eosinophil, Basophil, Monozyt, Lymphozyt, Variante und Plasmazelle. Zu den Nicht-WBC-Klassifikationskategorien (Klassen) gehören Smurgezelle, Artefakt, Riesenplättchen, Thrombozytenklumpen und Erythroblast. Klassifikationskategorien (Klassen) der Morphologie der Rotkörperchen umfassen polychromatische Rote Lege, hypochrome Rote Lege, Anisozytose, Makrozytose, Mikrozytose und Poikilozytose. Začátek formuláře
    
    VORSICHT: Beim Umgang mit Chemikalien im Labor befolgen Sie die Anweisungen in den offiziellen Sicherheitsdatenblättern, die Zusammensetzung, Gefahrensymbole, Erste-Hilfe-Anweisungen, Notfallmaßnahmen bei unbeabsichtigten Lecks und Bränden, Richtlinien zur Handhabung und Lagerung, Anforderungen an persönliche Schutzausrüstung, toxikologische und Umweltinformationen sowie Anweisungen für Transport und Entsorgung enthalten. Entsorgen Sie Abfallflüssigkeiten, Reagenzien und Verbrauchsgüter als medizinische Infektionsabfälle und/oder Industrieabfälle gemäß lokalen Gesetzen und Vorschriften. Wenn möglich, verwenden Sie ein zentrales Abfallentsorgungssystem.

Konec formuláře

3. Automatisierte digitale Zytomorphologie der BM

1. Verwenden Sie das System für die Differenzzählung von PB- und BM-Zellen. Verifizieren Sie die vorgeschlagene Klassifikation jedes Zelltyps.
   HINWEIS: Die Verwendung der BM-Analyse wird beschrieben. Der Betreiber ist ein erfahrener, zertifizierter Labortechniker mit mindestens fünf Jahren Berufserfahrung, ein zertifizierter Laborwissenschaftler oder ein zertifizierter Arzt.
2. Starte den Analysator.
3. Melden Sie sich mit einem gültigen Benutzernamen und Passwort in die Software ein.
4. Betreiben Sie das Instrument mit den aktuellen Softwareversionen. Befolgen Sie die Herstellerempfehlungen und das Benutzerhandbuch.
5. Verwenden Sie Project zur Bearbeitung von Bestellungen und Folienverwaltung, Edit für die Konfiguration von Klassifikationsregeln und der Vorklassifizierungsstrategie, Report für Berichtsformateinstellungen und Berichtsgenerierung sowie den Reiter Verwalten für Kontoeinstellungen und Signaturregeln.
6. Benutze einen BM-Schmier, der mit dem Färbeinstrument geverfärbt ist.
7. Eingabe der Testidentifikation manuell oder über einen Barcode-(QR-Code-)Scanner; Die Anfrage aus dem Laborinformationssystem wird automatisch geladen.
8. Legen Sie die verfärbten Flecken in die Ladeschublade des Analysators.
9. Schließe die Eingabetür des Analysators.
10. Bearbeiten Sie den Abstrich.
    HINWEIS: Der Analysator bewegt den Abstrich automatisch unter das Mikroskop, scannt ihn und macht Bilder von nukleierten Zellen, einschließlich Megakaryozyten. Es führt eine vorläufige Klassifikation aller nachgewiesenen nukleierten Zellen, einschließlich Megakaryozyten, in nur wenigen Sekunden durch.
11. Überprüfen Sie die vorläufigen Ergebnisse und klassifizieren sie gegebenenfalls um, entweder direkt am Analyzer oder mit Fernüberprüfungssoftware.
    HINWEIS: Das System bietet eine klare Sicht auf den gesamten Objektträger bei 400× Vergrößerung (Gesamtbildbildgebung) und zeigt alle nuklearen Zellen und Megakaryozyten an; Keimige Zellen (und möglicherweise Megakaryozyten) werden mit einer Vergrößerung von 1000× mit einem Immersionsobjektiv eingefangen. Die durchschnittliche Zeit für eine vollständige Untersuchung eines normozellulären Abstrichs beträgt <10 Minuten pro Objektträger. Bei hypozellulären Abstrichen beträgt die Scanzeit >20 Minuten pro Objektträger.
12. Im Falle einer falschen Klassifikation wird die Zelle durch Ziehen des Bildes mit der Maus der richtigen Kategorie zugeordnet.
    HINWEIS: Ein Beispiel für Fehlklassifikationen von BM-Zellen finden Sie in Abbildung 3. Bei mehrdeutigen oder grenzwertig zellulären Klassifikationen ist eine doppelte Lesung notwendig. Für Zellen mit unterschiedlichen Klassifikationen muss ein Konsens zwischen den Beobachtern erreicht werden. Jede manuelle Neuklassifizierung durch den Bediener oder Pathologen muss mit Benutzer-ID und Zeitstempel protokolliert werden.
13. Fügen Sie Kommentare und zytomorphologische Beschreibungen manuell hinzu oder wählen Sie aus vordefinierten Textoptionen.
14. Füllen Sie den vorläufigen Bericht aus.
15. Bestätigen Sie das Endergebnis, das dann automatisch an das Laborinformationssystem gesendet wird.
    HINWEIS: Das Endergebnis wird als numerische Differentialzählung (Myelogram) zusammen mit zusätzlichen Kommentaren und einer zytomorphologischen Beschreibung exportiert.
16. Melde dich aus und schalte den Analyzer herunter.
    HINWEIS: Für jede BM-Probe wird eine 500-Zell-Zählung durchgeführt, entsprechend ICSH-Empfehlungen¹⁷.
    Zu den Klassifikationskategorien (Klassen) gehören Proerythroblast, früher Erythroblast (einschließlich megaloblastisch), intermediärer Erythroblast (einschließlich megaloblastisch), später Erythroblast (einschließlich megaloblastisch), Myeloblast, Promyelozyt, neutrophiler Myelozyt, neutrophiler Metamyelozyt, Bandneutrophil, segmentierter Neutrophil, eosinophiler Myelozyt, eosinophiler Metamyelozyt, Band-Eosinophil, segmentierter Eosinophil, Basophil, Monoblast, Pronovocyt, Monocyt, Lymphoblast, Prolymphoblast, reif Lymphozyten (einschließlich atypischer und reaktiver), Plasmablast, unreife Plasmazelle, Plasmazelle und andere (Smudge-Zelle, Histiozyt, Phagozyt, Mastzelle und Mitose).
    
    VORSICHT: Entsorgen Sie Abfallflüssigkeiten, Reagenzien und Verbrauchsmaterialien gemäß lokalen Gesetzen und Vorschriften als medizinische infektiöse Abfälle und/oder Industrieabfälle. Wenn möglich, verwenden Sie ein zentrales Abfallentsorgungssystem.

Ergebnisse

Validierungsstudie – Methoden
In dieser Validierungsstudie reproduzieren wir die Ergebnisse unserer früheren Arbeiten, die in Clinical and Translational Medicine² veröffentlicht wurden. Konventionelle optische Mikroskopie und ADM wurden an 328 BM-Abstrichen durchgeführt. Die Analysedaten enthielten Bildinformationen für alle analysierten Zellen und Klassifikationsergebnisse, einschließlich seltener und atypischer morphologischer Fälle. Die Fälle wurden in sechs diagnostische Gruppen unterteilt: myelodysplastische Neoplasien (MDN: 15 %), multiples Myelom (MM: 14 %), reife B/T-Zell-Neoplasien (B/T-Lymphom: 13 %), akute Leukämie und chronische myelomonocytäre Leukämie (AL+CMML: 9 %), myeloproliferative Neoplasien (MPN: 8 %) und reaktive Hämatopoese (reaktiv: 41 %). Die Fähigkeit zur Zellerkennung (Klassifikation) des ADM wurde bewertet, indem seine Fähigkeit bewertet wurde, Zellen korrekt in eine von 25 Kategorien zu klassifizieren, im Vergleich zur unabhängigen, einvernehmlichen Expertenannotation mit doppelter Lesung².

Jeder Fall wurde von zwei Experten überprüft, mit entsprechender Klassifikation (Annotation) in >99 % der Zellen. Die Experten waren sehr erfahren und nahmen regelmäßig an erfolgreichen externen Qualitätsbewertungen teil. Für Zellen mit unterschiedlichen Klassifikationen (<1 %) wurde ein Konsens zwischen den Beobachtern erzielt. Das Prinzip der Konsistenzanalyse war der Vergleich der automatischen Vorklassifizierung jeder Zelle mit der endgültigen Expertenklassifikation jeder Zelle; Die einvernehmliche Expertenklassifikation galt als die wahre Klassifikationsreferenz (Ground Truth)^2.

Zelluläre und klinische Klassifikationskonsistenz wurden bewertet und kritische Fehlklassifikationen identifiziert. Die zelluläre Klassifikationskonsistenz wurde anhand der Verwirrungsmatrix bestimmt, basierend auf der Klassifikationsübereinstimmung für einzelne Zelltypen. Standardstatistische Methoden und visuelle Datenauswertung wurden angewandt. Der Matthews-Korrelationskoeffizient (MCC) wurde für jeden Zelltyp und als Durchschnittswert berechnet und auf standardisierte Weise interpretiert. Ein MCC-Wert von 0,400 und höher wurde als zufriedenstellend ^2,18 angesehen.

Für jeden Patienten wurde die klinische Klassifikationskonsistenz als Prozentsatz der korrekt vorklassifizierten Elemente unter allen im Fall untersuchten Zellen nach Eliminierung der nicht klassifizierbaren Zellen bestimmt. Die Expertenklassifikation galt als die wahre Referenz (Ground Truth)^2.

Fehlklassifizierungen gelten als irrelevant, wenn sie diagnostisch neutral sind und die endgültige Diagnose nicht beeinflussen. Dazu gehören reziproke Fehlklassifizierungen zwischen Lymphoblasten, Myeloblasten und Monoblasten; neutrophile, eosinophile und basophile Promyelozyten/Myelozyten; Myelozyten/Metamyelozyten; Metamyelozyten/-band; Band-/segmentiertes Neutrophil; Proerythroblast/frühes Erythroblast; frühe/intermediare und intermediäre/späte Erythroblasten; Pronozyt/Monocyt; Prolymphozyt/Lymphozyt; Plasmablast/unreife Plasmazelle; und unreife Plasmazelle/ausgereifte Plasmazelle. Alle anderen Fehlklassifikationen gelten als relevant, da sie diagnostisch inakzeptabel sind und zu schwerwiegenden klinischen Folgen führen können (Abbildung 4)².

Die gesamte klinische Klassifikationskonsistenz wurde als Median der Einzelfallwerte berechnet, wobei nur relevante Zellfehlklassifikationen berücksichtigt wurden. Kritische Fehlklassifizierung wurde definiert als ein Fall, in dem der individuelle klinische Klassifikationskonsistenzwert unter 80 % lag. Diese willkürliche Grenze wurde durch Expertenkonsens festgelegt, wobei minimale Anforderungen an externe Qualitätsbewertung in zytomorphologischen Runden² berücksichtigt wurden.

Wichtige plattformspezifische Unterschiede sind ein zweistufiger BM-Workflow (40× und 100× Ziel), was zusätzliche Komplexität im PB-Protokoll mit sich bringt, unterschiedliche Zellziele (100 Zellen in PB, 500 Zellen in BM) und unterschiedliche Klassifikationskategorien. Der mit Abstand wichtigste gemeinsame Determinant für die Vergleichbarkeit zwischen Plattformen und Probentypen ist das Ausstrichvorbereitungsverfahren.

Die berichteten quantitativen Leistungskennzahlen stehen eindeutig in Zusammenhang mit der in den Methoden beschriebenen Validierungskohorte (n = 328 BM-Abstriche). Der Anteil der korrekt klassifizierten relevanten Zellen aus allen klassifizierten Zellen (zelluläre Klassifikationskonsistenz) betrug 95,4 %. Zufriedenstellende Korrelationswerte, wie durch das MCC angezeigt, lagen bei ≥0,400 für 22 der 25 (88,0 %) Zelltypen, während für 3 von 25 (12,0 %) Zelltypen (Lymphoblasten, Prolymphozyten und Pronozyten) unzufriedenstellende MCC-Werte (<0,400) beobachtet wurden. Die insgesamt relevante klinische Konsistenz lag bei 97,1 % (Median), wobei 94,5 % der Fälle Konsistenzraten zwischen 80 % und 100 % aufwiesen. Bei 5,5 % der Patienten wurde eine kritische Fehlklassifikation festgestellt, wobei relevante klinische Konsistenzwerte zwischen 36 % und 79 % aufgrund des Versäumnisses der neoplastischen Zellen² liegen.

Eine zelluläre Fehlklassifikation beeinträchtigt die Zuverlässigkeit von ADM in der BM-Analyse und stellt eine wesentliche Einschränkung der Methode in der diagnostischen Hämato-Onkologie dar (Tabelle 1). In Fällen relevanter Fehlklassifizierung wurde die Morphologie korrekt und falsch klassifizierter Zellen untersucht. Korrekt klassifizierte Zellen zeigen in der Regel typische zytomorphologische Merkmale. Im Gegensatz dazu treten Fehlklassifikationen am häufigsten auf, wenn zwischen morphologisch ähnlichen oder atypischen Zellen, insbesondere atypischen Lymphozyten und Blasten, unterschieden wird; Myeloblasten und Lymphozyten; Lymphoblasten und Lymphozyten; Monoblasten oder Pronozyten und Promyelozyten; sowie unreife Plasmazellen und Blasten. Falsch klassifizierte Zellen zeigen häufig eine atypische Zytomorphologie. Bei lymphozytischen Neoplasien sind fehlklassifizierte neoplastische Lymphozyten, wie sie bei Randzonenlymphom und haariger Zellleukämie zu beobachten sind, meist mittelgroß, mit reichlich basophilem oder blassem Zytoplasma, zytoplasmatischen Projektionen und feinerem Chromatin mit einem Nukleol. Diese Merkmale unterscheiden sich von denen korrekt klassifizierter neoplastischer Zellen. Beim Mantelzelllymphom können atypische Lymphozyten ein blastoides Aussehen aufweisen, was die Wahrscheinlichkeit einer Fehlklassifizierung erhöht. Ähnlich können neoplastische Lymphozyten in der pleomorphen Variante der chronischen lymphozytären Leukämie fälschlicherweise als Blasten identifiziert werden. Wir zeigen qualitative repräsentative Beispiele in Abbildung 4 und Abbildung 5.

Bei akuter Leukämie und chronischer myelomonocytärer Leukämie (CMML) sind falsch klassifizierte Lymphoblasten und Myeloblasten klein, mit einem hohen Kern-zu-Zytoplasma-Verhältnis, gröberem Chromatin und Nukleoli. Zahlreiche granulare Monoblasten können fälschlicherweise als Promyelozyten klassifiziert werden. Bei CMML ist eine Fehlklassifikation häufig mit dysplastischen monozytischen Zellen verbunden. Beim multiplen Myelom treten innerhalb der Plasmazelllinie Fehlklassifizierungen auf, insbesondere bei Plasmablasten und unreifen Plasmazellen. Wir zeigen qualitative repräsentative Beispiele in Abbildung 5.

Kritische Fehlklassifizierungen von neoplastischen Lymphozyten, kleinen Lymphoblasten/Myeloblasten, granularen Monoblasten, dysplastischen Pronozyten und Monocyten, Plasmablasten und unreifen Plasmazellen – die alle atypische Morphologie aufweisen können – stellen ein Fehldiagnoserisiko dar. Die Verwechslung von Lymphom mit akuter Leukämie und umgekehrt birgt das Potenzial für schwerwiegende oder sogar tödliche Folgen für das Patientenmanagement. Falsch-negative Ergebnisse, wie das Versäumnis, akute myeloide Leukämie (insbesondere akute promyelozytische Leukämie) zu erkennen, oder eine Fehldiagnose von CMML oder multiplem Myelom, können potenziell zu ungeeigneten Behandlungsentscheidungen oder Verzögerungen in der Therapie führen.

Abbildung 1. Automatischer Stainer, Startbildschirm-Icons. Mit freundlicher Genehmigung von Sysmex; Herstellerinformationsmaterialien (Grundlegendes Handbuch). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2. Fehlklassifizierungen von PB-weißen Blutkörperchen. In Screenshots der Software sind falsch klassifizierte Zellen in roten Kästchen hervorgehoben. Bei einer EBV-Infektion wurden reaktive Lymphozyten fälschlicherweise als Monozyten klassifiziert (A, rote Box). Bei chronischer lymphozytischer Leukämie wurden einige Lymphozyten fälschlicherweise als Blasten klassifiziert (B, rote Box). Bei CMML wurden dysplastische Monozyten fälschlicherweise als segmentierte Neutrophile (C, rote Box) klassifiziert, und ein Monoblast fälschlicherweise als dysplastischer Myelocyt (D, rote Box). PB, CellaVision DC-1, Testsoftware, automatisierte Färbung May–Grünwald und Giemsa–Romanowski mit dem Sysmex SP-50 Färger, Vergrößerung 1000×, Experte: zertifizierter Techniker. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3. Fehlklassifikation neoplastischer Lymphozyten bei der Stuhlgang. Screenshot der Software. Neoplastische Lymphozyten bei hochgradigen B-Zell-Lymphomen im BM wurden fälschlicherweise als Myeloblasten klassifiziert. Die vorgeschlagene alternative Klassifikation mit den fünf wahrscheinlichsten Optionen (der "Top-5-Liste"), einschließlich prozentualer Wahrscheinlichkeiten, ist mit einem gelben Pfeil markiert. Für die Zelle im gelben Kästchen zeigt das Etikett die prozentualen Wahrscheinlichkeiten für Myeloblast, Monoblast, Lymphoblast, Proerythroblast und frühes Erythroblast, ohne Option für Lymphozyten. BM, Morphogo, Review Software, automatisierte Färbung May–Grünwald und Giemsa–Romanowski mit dem Sysmex SP-50 Färber, Vergrößerung 1000×, Experte: zertifizierter Wissenschaftler, zertifizierter Arzt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4. Irrelevante und relevante Zellen-Fehlklassifikationen. (A) Beispiele für irrelevante Fehlklassifizierungen in myeloiden und erythroideen Linien werden in einem Vergleich zwischen Expertenklassifikation und ADM-Vorklassifikation gezeigt. (B) Beispiele für relevante Fehlklassifikationen in lymphoiden, plasmazelligen und monozytischen Linien werden in einem Vergleich zwischen Expertenklassifikation und ADM-Vorklassifikation gezeigt. Die Kategorisierung einiger Elemente war selbst für einen Experten schwierig. Zellbilder wurden aus der Software extrahiert. BM, Morphogo, Review Software, automatisierte Färbung May–Grünwald und Giemsa–Romanowski mit dem Sysmex SP-50 Färber, Vergrößerung 1000×, Experte: zertifizierter Wissenschaftler, zertifizierter Arzt. Jeder Zelle wurde eine Skalaleiste hinzugefügt. Skalenbalken repräsentieren 10 μm. Kalibrierung basierend auf der ToupCam-Kamera (1,85 μm Pixelgröße) mit 100× Olympus Plan N Objektiv.
Modifiziert von: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E u. a. Der Nutzen der automatisierten, künstlich unterstützten digitalen Zytomorphologie für die Knochenmarkanalyse in der diagnostischen Hämato-Onkologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5. Repräsentative Beispiele für die häufigsten Fehlklassifizierungen von BM-Zellen bei Patienten mit hämatologischen Neoplasien. Falsch klassifizierte neoplastische Lymphozyten, Myeloblasten, Lymphoblasten, Monoblasten und Plasmazellen zeigen sich in ausgewählten Fällen von Marginalzonenlymphom (MZL), Mantelzelllymphom (MCL), Haarzellleukämie (HCL), chronischer lymphozytärer Leukämie (CLL), akuter myeloider Leukämie (AML), akuter T-lymphoblastischer Leukämie (T-ALL) und multiplem Myelom (MM). Die Fehlklassifikation von atypischem Lymphozyten/Blasten war der häufigste Fehler. Die wichtigsten zytomorphologischen Merkmale falsch klassifizierter neoplastischer Lymphozyten waren mittlere Größe, feineres Chromatin (rote Pfeile), Nukleolen (blaue Pfeile), reichlich basophiles oder blasses Zytoplasma mit Aussprungen (grüne Pfeile) und blastoides Aussehen (oranger Pfeil). Falsch klassifizierte Lymphoblasten und Myeloblasten waren klein, mit einem hohen Verhältnis von Kern zu Zytoplasma und gröberem Chromatin mit Nukleolen (graue Pfeile). Plasmablasten und unreife Plasmazellen wurden fälschlicherweise als Lymphozyten klassifiziert oder nicht als Teil der Plasmazelllinie anerkannt (klassifiziert als "Blast, nicht spezifiziert"). Zellbilder wurden aus der Software extrahiert. BM Morphogo Review Software, automatisierte Färbung May–Grünwald und Giemsa–Romanowski mit dem Sysmex SP-50 Färber, Vergrößerung 1000×, Experte: zertifizierter Wissenschaftler, zertifizierter Arzt. Jeder Zelle wurde eine Skalaleiste hinzugefügt. Skalenbalken repräsentieren 10 μm. Kalibrierung basierend auf der ToupCam-Kamera (1,85 μm Pixelgröße) mit 100× Olympus Plan N Objektiv.
Das Bild wurde bearbeitet von: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E et al. Der Nutzen der automatisierten, künstlich unterstützten digitalen Zytomorphologie für die Knochenmarkanalyse in der diagnostischen Hämato-Onkologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Diagnose	Anzahl der Fälle	Fehlklassifizierte Zellen
		Expertenklassifikation	ADM-Klassifikation
Reife B-Zell-Neoplasien	9/43
Lymphom der Randzone	4/8	Atypischer Lymphozyt	Verdammt, NOC
Mantelzelllymphom	2/5	Atypischer Lymphozyt	Verdammt, NOC
CLL	1/14	Atypischer Lymphozyt	Verdammt, NOC
Haarige Zellleukämie	2/2	Atypischer Lymphozyt	Blast, NOC / Monocyt
Multiples Myelom	5/46	Plasmazelle	Verdammt, NOC
AML	3/16	Myeloblast / Monoblast	Lymphozyten / Promyelozyten
T-ALL	1/1	Lymphoblast	Lymphozyten

Tabelle 1: Kritische Fehlklassifikationen nach ADM. Bei 18 von 328 (5,5 %) der Patienten wurde eine kritische Fehlklassifikation festgestellt. Die klinische Gruppe der kritischen Fehlklassifikationen durch ADM umfasste neun von 43 Patienten mit reifen B-Zell-Neoplasien, fünf von 46 Patienten mit MM, drei von 16 Patienten mit AML und einen (von einem) Patienten mit T-ALL. Die Fehlklassifizierung atypischer Lymphozyten/Blasten war am häufigsten. NOC: Keine sonst geheimen Kategorien. 
Wiedergabe von: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, u.a. Der Nutzen der automatisierten, künstlich unterstützten digitalen Zytomorphologie für die Knochenmarkanalyse in der diagnostischen Hämato-Onkologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Diskussion

Technologische Fortschritte in der hochauflösenden Bildverarbeitung, automatisierter digitaler Bildklassifikation und KI-gestützter Entscheidungsfindung mittels konvolutioneller neuronaler Netze haben erhebliche Verbesserungen im ADM ermöglicht. Daher ergänzt ADM die Standardoptikmikroskopie. Die korrekte Identifikation einzelner zytomorphologischer Kategorien kann schwierig sein, insbesondere bei eng verwandten Klassifikationsgruppen mit morphologischen Ähnlichkeiten 2,11,12,14,15,19,20. Da Expertenerkenntnisse stets von einem gewissen Maß an Subjektivität beeinflusst werden, werden sie möglicherweise nicht als endgültig oder als einzig mögliche korrekte Ergebnisse betrachtet – insbesondere bei Borderline- oder mehrdeutiger zellulärer Klassifikation (z. B. dysplastische oder stark atypische Elemente)². Diese Fehlklassifikationsmuster wurden in PB berichtet und zeigen eine stärkere Leistung für gängige Zelltypen, aber eine schwächere Klassifikationskonsistenz für einige klinisch wichtige Teilgruppen, darunter Blasten ^12,15,19,20. Dies kann die zytomorphologische Diagnose von PB und BM erheblich beeinflussen.

Im Vergleich zu PB haben sich nur wenige Studien auf die Klassifikationsgenauigkeit von ADM in BM-Analyse 2,20,21,22,23 konzentriert. In einer chinesischen Studie zur ADM-Klassifikation erreichte die Konsistenz 99 %, wobei die meisten BM-Zelltypen eine extrem hohe Korrelation mit hämatopathologischer Expertise^{zeigten 21}. Der Anteil hämatologischer Malignitäten in der Studienkohorte lag jedoch bei weniger als 30 ^%. Weitere vergleichende Studien zur Bewertung der Leistung zwischen automatisierten PB- und BM-Abstrichsystemen sowie manueller Analyse wurden in multizentrischen Studien ^22,23 durchgeführt. In einem aktuellen Vergleich wurden 795 BM-Proben von Patienten mit neoplastischen und anderen klinischen Erkrankungen analysiert, was eine Gesamtübereinstimmung von 91,1 % mit optischer Mikroskopie²³ erzielte.

Eine Studie einer realen Kohorte europäischer Abstammungspatienten mit 59 % neoplastischen Erkrankungen verglich KI-gesteuerte ADM mit Expertenoptikmikroskopie in sechs diagnostischen Gruppen². Kritische Fehlklassifizierungen neoplastischer Zellen mit atypischer Morphologie hatten ein Fehldiagnosepotenzial². Daher identifizierte diese Studie Kandidaten-Zelltypen für zukünftiges Training und Testen der KI-Leistung². Diese Studie hatte jedoch mehrere Einschränkungen. Erstens umfasste die Studie eine begrenzte Anzahl von Patienten und archiviertem Material, und einige seltene Stuhlerkrankungen fehlten, darunter pädiatrische Proben. Zweitens war die Zytomorphologie bestimmter neoplastischer Zellen sehr abnorm, mit fragwürdigem Konsens in der Klassifikation selbst unter erfahrenen Experten. Drittens wurden nur Proben europäischer Abstammung analysiert. Viertens wurde keine externe Validierung relevanter und irrelevanter Fehlklassifikationen durchgeführt².

Zelluläre Fehlklassifikationen stellen die größte Einschränkung von ADM in der diagnostischen Hämato-Onkologie² dar. Es gibt mehrere Gründe für eine Fehlklassifizierung. Neben zytomorphologischen Überschneidungen sind wahrscheinlich die Seltenheit bestimmter Bedingungen und die Variabilität im Expertenkonsens bezüglich Zelltypen beitragende Faktoren. Dies kann zu inkonsistenten Annotationen und Lücken in den Trainingsdaten führen. Der Nachweis dysplastischer Veränderungen in der Hämatopoese ist unzuverlässig, ebenso wie die detaillierte Bewertung der Megakaryozytenzytomorphologie². Obwohl unerwünschte Ergebnisse weitgehend durch verpflichtende fachkundige Aufsicht gemildert werden, bestehen weiterhin Einschränkungen hinsichtlich der absoluten Zuverlässigkeit von ADM, insbesondere bei Leukämien, Lymphomen und multiplem Myelom². Eine korrekte fachkundige Annotation von Zellen für KI-Training ist eine wesentliche Voraussetzung für die ADM-Leistung. Eine genaue Datenkennzeichnung ist grundlegend für den Aufbau zuverlässiger Ground-Truth-Datensätze. In der Zytomorphologie kann die Definition der Grundwahrheit besonders schwierig in mehrdeutigen oder grenzwertigen Fällen sein, da selbst unter erfahrenen, weithin anerkannten Experten ein gewisses Maß an Subjektivität bestehen bleibt. Wenn Expertenmeinungen unterschiedlich sind, kann die Grundwahrheit durch Mehrheitskonsens oder Einigung zwischen zwei oder mehr unabhängigen Gutachtern mit vergleichbarer Expertise festgestellt werden, insbesondere wenn diagnostische Urteile in separate Komponenten² unterteilt werden. Die Verfeinerung der Klassifikationsfähigkeiten, die sich auf spezifische Kandidatenzelltypen konzentrieren, ist unerlässlich. Dazu gehören gezielte Neuschulungen schwieriger Zelltypen, hierarchische Klassifikationsstrategien oder die Einbindung multimodaler Daten, um die Unterscheidung zwischen morphologisch ähnlichen Zellen zu verbessern. Umfangreiche, vielfältige und gut annotierte Trainingsdatensätze, insbesondere bei hämatolymphoiden Neoplasien, müssen eine ausreichende Darstellung atypischer Morphologie, seltener Entitäten, Grenzfälle und diagnostisch mehrdeutiger Zellen enthalten.

Bezüglich kritischer Protokollschritte und Fehlersuche müssen PB-Abstriche innerhalb von zwei Stunden nach der Entnahme durchgeführt werden; der BM-Aspirat muss sofort ab dem ersten Zug verteilt werden. Ein validiertes, automatisiertes Färbeprotokoll, das zwischen den Chargen streng konsistent gehalten wird, ist erforderlich. Eine gut definierte, artefakfreie Monoschicht ist zwingend erforderlich. Eine längere Untersuchung ist bei leukopenischen PB-Proben und hypozellulären BM-Abstrichen erforderlich. Erschöpftes Immersionsöl oder dünne Striche führen zu einem Autofokus-Ausfall und einer Abbruchanalyse. Keines der beiden Systeme ist für autonome Berichterstattung zugelassen, und eine individuelle Zellen-Bildgalerie-Inspektion ist verpflichtend. Eine lokale klinische Validierung ist vor dem Einsatz verpflichtend; Die volle diagnostische und rechtliche Verantwortung liegt beim meldenden Morphologen.

Eine künftige rigorose multiinstitutionelle Validierung in verschiedenen klinischen Umgebungen ist für die Generalisierbarkeit und prädiktive Leistung des Modells unerlässlich. Ein KI-basierter Ansatz zur Megakaryozytenzytozyten-Zytomorphologie könnte die integrierte Diagnose von myeloproliferativen und myelodysplastischen Neoplasien weiter verfeinern^. Eine erhebliche Lücke bleibt auch bei der Entwicklung zuverlässiger, KI-gestützter Erkennung linienspezifischer dysplastischer Veränderungen ^2,27. Für die Modelloptimierung können innovative Techniken wie Hyperparameter-Tuning, Regularisierung, Ensemble-Lernen und Datenaugmentation dazu beitragen, die Robustheit und Klassifikationszuverlässigkeit^{zu verbessern (}28,29,30). Insbesondere haben sich Datenerweiterungsstrategien – von geometrischen Transformationen^30,31 bis zur Generierung synthetischer Trainingsbilder mit generativer KI ^32,33 – kürzlich als vielversprechende Ansätze hervorgetreten, um begrenzte Datensätze zu erweitern und ein Klassenungleichgewicht in der BM-Zellklassifikation zu beheben. Der Bildungsstand und die langjährige Erfahrung des Laborpersonals sind für den Bewertungs- und Entscheidungsprozess in schwierigen zytomorphologischen Fällen unerlässlich. Die Ausbildung der nächsten Generation von Zytomorphologen im Kontext der fortlaufenden Digitalisierung stellt eine pädagogische Herausforderung dar. Einerseits bietet ADM enormes Bildungspotenzial; andererseits birgt es das Risiko, dass weniger erfahrene Betreiber ihre Fähigkeiten überschätzen.

Trotz des vielversprechenden diagnostischen Potenzials von ADM-Systemen müssen mehrere kritische Einschränkungen und Implementierungsherausforderungen anerkannt werden. Ein grundlegendes Anliegen betrifft die Verzerrung in Trainingsdaten: Die meisten kommerziell verfügbaren ADM-Plattformen, einschließlich der in der vorliegenden Studie bewerteten, wurden mit Datensätzen entwickelt, die überwiegend aus bestimmten geografischen Regionen, Färbeprotokollen und Patientengruppen stammen, was ihre Generalisierbarkeit auf ethnisch und klinisch vielfältigere Kohorten oder auf Labore mit unterschiedlichen Vorbereitungstechniken einschränken könnte. Ebenso wichtig ist die Frage der Transparenz in KI-Entscheidungsprozessen. Aktuelle ADM-Systeme funktionieren größtenteils als Black-Box-Modelle, was die Fähigkeit der Kliniker erschwert, einzelne Zellzuweisungen kritisch zu bewerten. Dies steht in direktem Zusammenhang mit der Frage der klinischen Verantwortung, da sich regulatorische Rahmenbedingungen für KI-unterstützte Diagnostik ständig weiterentwickeln. Die praktische Integration von ADM in standardisierte diagnostische Arbeitsabläufe stellt erhebliche organisatorische und technische Hürden dar, darunter den Bedarf an hochwertiger Dia-Digitalisierungsinfrastruktur, Schulungen des Personals, Validierung anhand lokaler Referenzstandards und der Einrichtung von Qualitätskontrollprotokollen zur Überwachung der Systemleistung über die Zeit. Daher wird die von Experten gesteuerte Verfeinerung und Erforschung des vollen Potenzials von ADM in der PB- und BM-Bewertung dessen Nutzen als unterstützendes Werkzeug in der routinemäßigen Laborpraxis weiterhin verbessern.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Automated Hematology Slide Preparation Unit SP-50	Sysmex Corporation, Kobe, Japan	N/A	Automatische Folienherstellungs- und Färbeeinheit
Barcode scanner für Sysmex SP-50	Datalogic Gryphon	S/N: G21M20996	Barcode-Scanner
CellaVision DC-1	CellaVision AB, Lund, Schweden	PM-10895-15	Automatisierter digitaler Morphologie-Analysator
CellaVision DM Software	CellaVision AB, Lund, Schweden	Version 7.1.1 build 8
Giemsa-Lösung für SP-Automatisierte Systeme	RAL Diagnostics, Martillac, Frankreich	750305X1000	Komponente der panoptischen Färbung für periphere Blut- und Knochenmarkausstriche
Immersiol (CellaVision Immersion Oil 50 mL)	CellaVision AB, Lund, Schweden	XU-10319	Immersiol
May-Grünwald für SP-Automatisierte Systeme	RAL Diagnostics, Martillac, Frankreich	750105X2500	Komponente der panoptischen Färbung für periphere Blut- und Knochenmarkausstriche
Morphogo Knochenmark-Analysator	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Automatisierter digitaler Knochenmark-Morphologie-Analysator
Morphogo Review Software	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Version 1.0.6	Knochenmark-Überprüfungssoftware
pH 7,0 Pufferlösung für SP-Automatisierte Systeme	RAL Diagnostics, Martillac, Frankreich	750505X5000	Pufferlösung
QR-Scanner für CellaVision DC-1	Datalogic Gryphon	GD 4500	QR-Scanner
RAL Reinigungslösung	RAL Diagnostics, Martillac, Frankreich	750725X5000	Reinigungslösung
S-Monovette K3 EDTA Röhrchen	Sarstedt	05.1167.001	Röhrchen für SP-50
SP-Spüllösung	RAL Diagnostics, Martillac, Frankreich	37000305	Spüllösung
SP Folien	Sysmex Corporation, Kobe, Japan	ZE 001906	Folien für periphere Blut- und Knochenmarkausstriche
SP Folien	Sysmex Corporation, Kobe, Japan	ZE 001906	Folien für QC
SP Ausstreichglas	Sysmex Corporation, Kobe, Japan	95102918	Glas zum Ausstreichen des Ausstrichs
Röhrchen-Ständer für Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Röhrchen-Ständer