ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol>
	<li>Walter W, et al. Artificial intelligence in hematological diagnostics: Game changer or gadget? Blood Rev. 2023;58:101019.</li>
	<li>Starostka D, et al. The utility of automated artificial intelligence-assisted digital cytomorphology for bone marrow analysis in diagnostic haemato-oncology. Clin Transl Med. 2025;15(7):e70364.</li>
	<li>Zini G, Barbagallo O, Scavone F, B&#233;n&#233; MC. Digital morphology in hematology diagnosis and education: The experience of the European LeukemiaNet WP10. Int J Lab Hematol. 2022;44(Suppl 1):37-44.</li>
	<li>Saft L, et al. A deep-learning algorithm (AIFORIA) for classification of hematopoietic cells in bone marrow aspirate smears based on nine cell classes &#8211; a feasible approach for routine screening? J Hematop. 2025;18(1):12.</li>
	<li>Lewandowski K, Kurpierz K, Sledzinska A. External bone marrow cytological examination quality assurance (EQAhem) &#8211; summary after 6 years in Poland. Ann Hematol. 2015;94(10):1741-1748.</li>
	<li>Sasada K, et al. Inter-observer variance and the need for standardization in the morphological classification of myelodysplastic syndrome. Leuk Res. 2018;69:54-59.</li>
	<li>Tohyama K. Present status and perspective of laboratory hematology in Japan: On the standardization of blood cell morphology including myelodysplasia: On behalf of the Japanese Society for Laboratory Hematology. Int J Lab Hematol. 2018;40(Suppl 1):120-125.</li>
	<li>Font P, et al. Interobserver variance in myelodysplastic syndromes with less than 5% bone marrow blasts: unilineage vs. multilineage dysplasia and reproducibility of the threshold of 2% blasts. Ann Hematol. 2015;94(4):565-573.</li>
	<li>DeLima M, et al. Comparison of referring and tertiary cancer center physician&#39;s diagnoses in patients with leukemia. Am J Med. 1998;104(3):246-251.</li>
	<li>Hanna MG, Parwani A, Sirintrapun SJ. Whole slide imaging: Technology and applications. Adv Anat Pathol. 2020;27(4):251-259.</li>
	<li>Matek C, et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-1927.</li>
	<li>Lewis JE, Pozdnyakova O. Digital assessment of peripheral blood and bone marrow aspirate smears. Int J Lab Hematol. 2023;45(Suppl 2):50-58.</li>
	<li>Zini G, et al. Digital morphology compared to the optical microscope: A validation study on reporting bone marrow aspirates. Int J Lab Hematol. 2024;46(3):474-480.</li>
	<li>Starostka D, et al. Automated digital cytomorphology increases the reliability of bone marrow diagnostics. Transfuze Hematol Dnes. 2025;31(2):66-80.</li>
	<li>Briggs C, et al. Can automated blood film analysis replace the manual differential? An evaluation of the CellaVision DM96 automated image analysis system. Int J Lab Hematol. 2009;31(1):48-60.</li>
	<li>Ceelie H, Dinkelaar RB, van Gelder W. Examination of peripheral blood films using automated microscopy; evaluation of Diffmaster Octavia and Cellavision DM96. J Clin Pathol. 2007;60(1):72-79.</li>
	<li>Lee SH, et al. ICSH guidelines for the standardization of bone marrow specimens and reports. Int J Lab Hematol. 2008;30(5):349-364.</li>
	<li>Chicco D, Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics. 2020;21(1):6.</li>
	<li>La Gioia A, et al. A prolonged microscopic observation improves detection of underpopulated cells in peripheral blood smears. Ann Hematol. 2017;96(10):1749-1754.</li>
	<li>Fu X, et al. Morphogo: An automatic bone marrow cell classification system on digital images analyzed by artificial intelligence. Acta Cytol. 2020;64(6):588-596.</li>
	<li>Lv Z, et al. High-accuracy morphological identification of bone marrow cells using deep learning-based Morphogo system. Sci Rep. 2023;13(1):13364.</li>
	<li>Katz BZ, et al. Evaluation of Scopio Labs X100 Full Field PBS: The first high-resolution full field viewing of peripheral blood specimens combined with artificial intelligence-based morphological analysis. Int J Lab Hematol. 2021;00:1-9.</li>
	<li>Bagg A, et al. Performance evaluation of a novel artificial intelligence-assisted digital microscopy system for the routine analysis of bone marrow aspirates. Mod Pathol. 2024;37(9):100542.</li>
	<li>Sirinukunwattana K, et al. Artificial intelligence-based morphological fingerprinting of megakaryocytes: A new tool for assessing disease in MPN patients. Blood Adv. 2020;4(14):3284-3294.</li>
	<li>Ryou H, et al. Quantitative interpretation of bone marrow biopsies in MPN &#8211; What&#39;s the point in a molecular age? Br J Haematol. 2023;203(4):523-535.</li>
	<li>Wang X, et al. The application of Morphogo in the detection of megakaryocytes from bone marrow digital images with convolutional neural networks. Technol Cancer Res Treat. 2023;22:15330338221150069.</li>
	<li>Kimura K, et al. A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Sci Rep. 2019;9(1):13385.</li>
	<li>Lin Y, Chen Q, Chen T. Recent advancements in machine learning for bone marrow cell morphology analysis. Front Med (Lausanne). 2024;11:1402768.</li>
	<li>Nazha A, et al. Artificial intelligence in hematology. Blood. 2025;146(19):2283-2292.</li>
	<li>Nakamura I, et al. Evaluation of two semi-supervised learning methods and their combination for automatic classification of bone marrow cells. Sci Rep. 2022;12:16736.</li>
	<li>Gl&#252;ge S, Balabanov S, Koelzer VH, Ott T. Evaluation of deep learning training strategies for the classification of bone marrow cell images. Comput Methods Programs Biomed. 2024;243:107924.</li>
	<li>Eckardt JN, et al. Synthetic bone marrow images enhance real samples in the development of microscopy classification models for acute myeloid leukemia. npj Digit Med. 2025;8,173.</li>
	<li>Deltadahl S, et al. Deep generative classification of blood cell morphology. Nat Mach Intell. 2025;7:1791-1803.</li>
</ol>

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

arbeitsablauf für automatisierte digitale periphere blut- und knochenmarkzytomorphologie unter berücksichtigung kritischer zellulärer fehlklassifikationen

Workflow for Automated Digital Peripheral Blood and Bone Marrow Cytomorphology, With Consideration of Critical Cellular Misclassifications

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

Growing evidence supports the ability of AI-powered automated digital cytomorphology (ADM) of peripheral blood (PB) and bone marrow (BM) to assist expert ...

workflow-for-automated-digital-peripheral-blood-bone-marrow

Research

Forschung

JoVE Journal

Medicine

Medizin

Dieses Video beschreibt die Technik der Absaugung von Knochenmark aus der Beckenwirbelsäule und die Vorbereitung des Abstrichs für die Biopsie. In diesem Beispiel führen wir eine Knochenmarkaspiration bei einem Patienten mit akuter myeloischer Leukämie (AML) durch und untersuchen die Zellen auf eine messbare Resterkrankung (MRD), einen wichtigen prognostischen Biomarker.

Knochenmarkaspiration: Eine Methode zur Gewinnung von Knochenmark zur Untersuchung der Zellmorphologie

Eine Strategie zur quantitativen Analyse histologischer Daten im Knochenmark wird vorgestellt. Die konfokale Mikroskopie von fluoreszenzmarkierten Zellen in Gewebeschnitten führt zu 2-dimensionalen Bildern, die automatisch analysiert werden. Co-Lokalisationsanalysen verschiedener Zelltypen werden mit Daten aus simulierten Bildern verglichen, um quantitative Informationen über zelluläre Interaktionen zu erhalten.

Automatisierte Quantifizierung Hämatopoetische Zell - Stromal Cell Interactions in histologische Bilder unentkalkte Knochen

Nachweis von minimal oder messbare Resterkrankung (MRD) ist eine wichtige prognostische Biomarker für die Verfeinerung der Risikobewertung und Vorhersage von Rückfällen bei akuter myeloischer Leukämie (AML). Diese umfassende Leitlinien und Empfehlungen mit best Practices für konsistente und genaue Identifizierung und Nachweis von MRD, können helfen, effektive Entscheidungen für AML-Behandlung.

Umfassendes Protokoll zur Probe und Prozess des Knochenmarks zur Messung von messbaren Resterkrankung und leukämischen Stammzellen in der akuten myeloischen Leukämie

Die MDS-Diagnose ist schwierig bei fehlender morphologischer Kriterien oder nicht-informativen Zytogenetik. MFC könnte dazu beitragen, den MDS diagnostischen Prozess zu verfeinern. Nützlich für die klinische Praxis zu werden, die MFC-Analyse muss auf Parametern beruhen mit ausreichender Spezifität und Sensitivität und Daten sollten zwischen verschiedenen Betreibern reproduzierbar sein.

Datenbank-geführte Durchflusszytometrie zur Auswertung von Knochenmark myeloische Zellen Reifung

Wir beschreiben die Verwendung von hämatopoetischen Stammzelltransplantation (HSCT) Das maligne Potential der gentechnisch veränderten blutbildenden Zellen zu beurteilen. HSCT ist nützlich für die Bewertung der verschiedenen malignen hämatopoetischen Zellen in Vivo sowie die Generierung einer großen Kohorte von Mäusen mit myelodysplastischen Syndromen (MDS) oder Leukämie um neue Therapien zu bewerten.

Einsatz von hämatopoetischen Stammzelltransplantation zu beurteilen, den Ursprung des myelodysplastischen Syndroms

Hier stellen wir ein Protokoll zur Verarbeitung von frischem Knochenmark (BM) vor, das von der Maus oder dem Menschen isoliert ist, um die analyse von Neutrophilenzellen durch die hochdimensionale Massenzytometrie (Cytometrie durch Time-Of-Flight, CyTOF) zu verarbeiten.

Vorbereitung des ganzen Knochenmarks für die Mass Cytometry Analyse von Neutrophilen-Linienzellen

In dieser Arbeit beschreiben wir ein einfaches Protokoll für die Isolierung und Färbung von murinen Knochenmarkzellen zum Phänotyp hämopoetischer Stamm- und Vorläuferzellen zusammen mit den unterstützenden endothelialen und mesenchymalen Stammzellen der Nische. Eine Methode zur Anreicherung von Zellen, die sich im endostealen und zentralen Knochenmarkbereich befinden, ist ebenfalls enthalten.

Durchflusszytometrische Analyse von hämatopoetischen Stamm- und Vorläuferzellen des murinen Knochenmarks und stromalen Nischenzellen

Der Erfolg von Einzelzell-/Einzelkern-Transkriptomik und Multi-Omics hängt weitgehend von der Qualität der Zellen/Zellkerne ab. Daher muss die Isolierung von Zellen/Zellkernen aus Gewebe und deren Aufreinigung hochgradig standardisiert sein. Dieses Protokoll beschreibt die Präparation von Zellkernen aus Gehirn und Knochenmark für den nachgeschalteten Einzelkern-Multiom-Assay.

Hochwertige Präparation von Hirn- und Knochenmarkkernen für Einzelkern-Multiom-Assays

Hier wird eine auf Phosphoflow-Zytometrie basierende Methode zur Analyse der Signalwege stromabwärts der mTORC1-, JAK/STAT5- und MAPK-Signalwege in akuten humanen myeloischen Leukämiezellen beschrieben, die in Mäuse xenotransplantiert und aus Knochenmarkaspiraten gewonnen wurden. Die Werte von p-STAT5, p-4EBP1, p-RPS6 und p-ERK1/2 werden gleichzeitig mit einem spektralen Durchflusszytometer der nächsten Generation mit hoher Empfindlichkeit gemessen.

Intrazelluläre Phosphoflow-Zytometrie von Xenotransplantaten bei akuter myeloischer Leukämie

Dieses Protokoll beschreibt ein Verfahren zur Einleitung der Differenzierung menschlicher hämatopoietischer Stamm- und Vorläuferzellen, die aus dem Knochenmark und peripheren mononuklearen Blutzellen des Patienten stammen. Der Test verwendet ein halbfestes Kulturmedium, das die Verpflichtung der erythroiden und myeloiden Linie unterstützt und standardisierte Kennzahlen für die reproduzierbare Kolonieklassifikation für die präklinische Wirkstoffcharakterisierung.

Koloniebildender Unit-Assay, angepasst für patientenabgeleitetes Knochenmark und periphere mononukleare Blutzellen

Moravian-Silesian Hospital Havirov.  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.

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

Weitere Videos entdecken