Flujo de trabajo para citomorfología digital automatizada de sangre periférica y médula ósea, teniendo en cuenta las clasificaciones celulares erróneas críticas

Resumen

Se describe el flujo de trabajo de citomorfología digital automatizada de la sangre periférica y la médula ósea. Tras la preparación estandarizada de la frota y tinción, un escáner captura imágenes de las muestras. El software impulsado por IA localiza, registra y clasifica preliminarmente las células nucleadas, seguido de una revisión experta. El enfoque está en las clasificaciones celulares erróneas críticas con potencial de diagnóstico erróneo.

Resumen

Cada vez hay más evidencia que respalda la capacidad de la citomorfología digital automatizada (ADM) impulsada por IA de la sangre periférica (PB) y la médula ósea (BM) para ayudar en la toma de decisiones de expertos. Se describe el flujo de trabajo ADM para los frotis de PB y BM. Los componentes principales de la tecnología ADM incluyen mecánica de precisión, sistemas avanzados de imagen, inteligencia artificial (IA) y una interfaz fácil de usar. El proceso comienza con la preparación y tinción estandarizada de la citología utilizando protocolos adaptados para la automatización y digitalización. Un microscopio automatizado equipado con un objetivo de inmersión y una cámara digital captura imágenes de alta resolución de la muestra a múltiples aumentos. El software impulsado por IA localiza, registra y clasifica preliminarmente las células nucleadas, incluidos los megacariocitos cuando corresponde. Esto es seguido por una revisión obligatoria de expertos y, según sea necesario, una reclasificación. Las imágenes digitales e informes se almacenan posteriormente en un servidor local de alta capacidad. Los principales beneficios de ADM incluyen mayor velocidad, gestión eficiente de datos, apoyo educativo, acceso remoto para evaluación y consulta, archivo digital e integración multimodal de datos. La limitación más significativa de la ADM es el riesgo de clasificación celular errónea crítica, que puede tener un impacto clínico importante. Las clasificaciones erróneas irrelevantes son tolerables y diagnósticamente neutrales, mientras que las clasificaciones erróneas relevantes son inaceptables y pueden conllevar consecuencias diagnósticas y clínicas graves. La clasificación crítica errónea de linfocitos neoplásicos, linfoblastos/mieloblastos pequeños, monoblastos granulares, promonocitos y monocitos displásicos, plasmablastos y células plasmáticas inmaduras —todos ellos con morfología atípica— conlleva un riesgo de diagnóstico erróneo. Se requieren más avances para lograr un rendimiento diagnóstico fiable. Datos de entrenamiento extensos y de alta calidad, combinados con validaciones regulares, son esenciales para garantizar que la IA funcione como una herramienta de apoyo eficaz para el juicio diagnóstico.

Introducción

La correcta evaluación citomorfológica de los frotis de sangre periférica (PB) y médula ósea (BM) sigue siendo una piedra angular del diagnóstico multidisciplinar en hematooncología, influyendo en puntos críticos de decisión^clínica 1,2,3,4. Existen evidencias de una variabilidad sustancial entre expertos e intraexpertos en el análisis manual de PB y BM, con efectos posteriores en el diagnóstico^{del paciente} 2,5,6,7,8,9. Los avances recientes en análisis de imágenes, aprendizaje automático y patología computacional han permitido la evaluación automatizada de los frotis de PB y BM a un nivel que puede complementar la revisión citomorfológica^experta 1,2,3,4,10,11,12,13,14 . La citomorfología digital automatizada (ADM) impulsada por inteligencia artificial (IA) de PB y BM puede apoyar la microscopía óptica intensiva en mano de obra y la toma de decisiones^experta 1,2,3,4,11,12.

Los elementos fundamentales de la tecnología ADM incluyen la preparación y tinción estandarizada de la borrisca, un escáner con capacidades avanzadas de imagen, IA y una interfaz eficiente y fácil de usar. La mecánica de precisión de ADM opera con precisión a nivel micrométrico a alta velocidad, mientras que las soluciones avanzadas de imagen aseguran una alta calidad^{de imagen 14}. Una interfaz fácil de usar hace que esta tecnología sofisticada sea accesible de forma intuitiva y ágil¹⁴.

La ADM se ha utilizado durante mucho tiempo para evaluaciones de PB, donde está muy desarrollada y se ha convertido en una parte integral de los flujos de trabajo estándar de laboratorio. Sin embargo, en las evaluaciones de BM, la ADM presenta desafíos debido a patrones citomorfológicos complejos e intrincados, un alto número de tipos celulares distintos y la similitud morfológica de las células^{precursoras 2}. La capacidad de clasificación de IA se basa en el entrenamiento con grandes y completos conjuntos de datos de imágenes que contienen hasta varios millones de celdas. Todas las células incluidas en estos conjuntos de datos de entrenamiento son revisadas y anotadas por expertos. Esta aportación de expertos, entre otros factores, tiene un impacto directo en la calidad de la clasificación.

No obstante, ciertas células PB y BM siguen siendo especialmente difíciles de clasificar para la ADM, lo que puede afectar significativamente al diagnóstico citomorfológico ^2,12,15. Las clasificaciones celulares erróneas críticas siguen siendo la principal limitación de la ADM y pueden tener graves consecuencias clínicas, minando así la fiabilidad del método².

Nuestro objetivo es presentar un flujo de trabajo práctico de ADM, incluyendo sus pasos específicos y el proceso de revisión experta. Un informe detallado del proceso ADM utilizando dos plataformas analíticas como ejemplos permitirá a los usuarios aprovechar plenamente las capacidades y beneficios del método. La alta precisión de clasificación de ADM para PB se ha demostrado en numerosos estudios 12,15,16. Por ello, en nuestra investigación, nos centramos exclusivamente en ADM para BM, donde los datos fiables de validación de este tipo son limitados. Los resultados cuantitativos de validación se basan en análisis de BM. Además, enfatizamos una limitación clave del método, a saber, las clasificaciones críticas erróneas. También proponemos una categorización de las clasificaciones erróneas y destacamos los tipos más comunes de clasificaciones críticas erróneas.

Protocolo

Nuestro estudio, publicado en 2025^, utilizó material archivado y se llevó a cabo conforme a los principios actualizados de la Declaración de Helsinki. Los pacientes proporcionaron consentimiento informado por escrito para el examen de laboratorio, la recogida y análisis anónimo de datos, y el uso en la investigación, incluyendo la publicación de datos de imágenes anónimos. El estudio fue aprobado por el Comité Local de Ética del Hospital Havířov (aprobación IGS_2023_HEM_PAT).

NOTA: Se informa del protocolo ADM para PB y BM, tras la tinción automatizada.

1. Preparación y tinción de frotis periféricos de sangre y médula ósea utilizando un instrumento automatizado

1. Antes de encender el instrumento, realice las siguientes comprobaciones: estado de la tubería, conexión de red, estado del contenedor de residuos, suficientes reactivos y un suministro adecuado de láminas de microscopio.
   NOTA: Los contenedores de reactivos no deben estar vacíos y todos los reactivos deben estar dentro de la fecha de caducidad.
2. Enciende el instrumento.
3. La unidad principal realiza automáticamente una auto-comprobación.
4. Inicia sesión en el software usando un nombre de usuario y contraseña válidos.
5. Maneja el instrumento usando las versiones actuales del software. Sigue las recomendaciones del fabricante y el manual de usuario (pantalla de inicio—Figura 1).
6. Utiliza el Menú para seleccionar operaciones, la Lista de trabajo para gestionar las solicitudes de preparación de diapositivas y de la difamación, el Navegador para revisar los datos de las peticiones y la pestaña Estado para comprobar el estado de la difamación que se está preparando.
7. Descarga una nueva solicitud de preparación de diapositivas desde el ordenador anfitrión o crea una nueva petición.
   NOTA: Utiliza correderas con bordes biselado y redondeados que miden entre 24,7 y 26,3 mm por 74,7 a 76,3 mm, con un ancho de 0,9 a 1,2 mm y un borde mate de 15 a 20 mm.
8. Edita o elimina las solicitudes de preparación de diapositivas según sea necesario.
9. Prepara la mancha:
   1. Siempre usa guantes de látex o nitrilo al manipular muestras y frotes de PB y defecación.
   2. Selecciona el modo de preparación de la pulverización.
   3. Coloca el soporte de muestras en el sampler.
      NOTA: Utiliza solo tubos de muestra que hayan sido específicamente aprobados por el fabricante del teñido.
   4. Comprueba que el vaso separador esté intacto, completamente limpio y colocado de forma segura en el soporte.
   5. Empieza a preparar y teñir el manchado usando la ventana de diálogo.
   6. Comprueba el estado del frotis que se está preparando.
10. Revisa los detalles de las solicitudes de preparación de diapositivas.
11. Quita el soporte de muestras.
12. Retira las láminas preparadas y teñidas.
    Checkpoint: ¿La calidad de la mancha en la inspección visual (después de la salida) cumple los criterios de aceptación definidos? Debe existir una zona mínima de monocapa de longitud y densidad celular adecuadas.
13. Realiza la inspección y limpieza de instrumentos antes del apagado.
14. Apaga el instrumento.
    NOTA:
    Protocolo de tinción para sangre periférica-
    Tinte 1: tinte May–Grünwald; Tinte 2: tinción de Giemsa–Romanowski. Tinte sin diluir 1 (73 mL) 2:48 min; tinción diluida 1 (73 mL, diluyente pH 7,0 tampón de fosfato, relación de dilución 1:10) 3:36 min. Tinción diluida 2 (26 mL, diluyente pH 7,0 tampón de fosfato, relación de dilución 1:10) 4:00 min. Recuento de enjuagues (439 mL, proceso automatizado)
    1. Secado (proceso automatizado) 3:36 min.
    
    Protocolo de tinción para médula ósea-
    Tinte 1: tinte May–Grünwald; Tinte 2: tinción de Giemsa–Romanowski. Tinte sin diluir 1 (73 mL) 3:36 min; tinción diluida 1 (73 mL, diluyente pH 7,0 tampón de fosfato, relación de dilución 1:10) 2:48 min. Tinción diluida 2 (26 mL, diluyente pH 7,0 tampón de fosfato, relación de dilución 1:10) 10:00 min. Recuento de enjuagues (439 mL, proceso automatizado)
    1. Secado (proceso automatizado) 3:36 min.
    
    PRECAUCIÓN: Al manipular productos químicos en el laboratorio, siga las instrucciones de sus hojas oficiales de datos de seguridad, que incluyen composición, símbolos de peligro, instrucciones de primeros auxilios, procedimientos de respuesta de emergencia para fugas y incendios accidentales, directrices de manipulación y almacenamiento, requisitos de equipos de protección personal, información toxicológica y medioambiental, e instrucciones para el transporte y la eliminación. Eliminar líquidos residuales, reactivos y consumibles como residuos infecciosos médicos y/o residuos industriales conforme a las leyes y normativas locales. Si es posible, utiliza un sistema central de eliminación de residuos.

2. Citomorfología digital automatizada de PB

1. Utiliza la aplicación para el recuento diferencial de glóbulos blancos (GBC), la evaluación de la morfología de glóbulos rojos (RBC) y la estimación del recuento de plaquetas (PLT). Verifica la clasificación propuesta de cada tipo de célula.
   NOTA: El operador es un técnico de laboratorio certificado con al menos cinco años de experiencia o un científico de laboratorio certificado.
2. Arranca el analizador.
3. Inicia sesión en el software usando un nombre de usuario y contraseña válidos.
4. Maneja el instrumento usando las versiones actuales del software. Sigue las recomendaciones del fabricante y el manual de usuario.
5. Utiliza la pestaña de la Vista de Control del Sistema para el procedimiento de control de calidad (QC) y para procesar órdenes.
6. Realizar control de calidad interno diario usando una laminación de control (froto rutinario de PB con un recuento de leucocitos superior a 10 × 10⁹/L). Haz la prueba de detección celular al menos una vez al día, que reconoce 100 celdas.
   NOTA: La prueba de detección celular valida el proceso de preparación de láminas y verifica la capacidad del analizador para detectar células. La lámina debe tener suficiente calidad para que el analizador pueda detectar las células necesarias para el análisis. Para la aceptación de la QC, el 97% de las células deben ser detectadas con éxito.
7. Utiliza una pasta de mantequilla de cacahueta preparada con el instrumento para hacer láminas y teñir.
8. Coloca la mancha manchada en el cajón de carga del analizador.
9. Introduce la identificación de la prueba manualmente o mediante un escáner de códigos de barras; La solicitud del sistema de información del laboratorio se carga automáticamente.
10. Cierra la puerta de entrada del analizador.
11. Procesa la mancha.
    NOTA: El analizador mueve automáticamente la mancha bajo el microscopio, la escanea y captura imágenes de glóbulos blancos, así como una imagen monocapa de glóbulos rojos. El analizador realiza una clasificación preliminar de todos los glóbulos blancos detectados y evalúa la morfología de los glóbulos rojos.
12. Revisa los resultados preliminares y reclasifica si es necesario, ya sea directamente en el analizador o utilizando software de revisión remota. Consideremos las tres opciones de clasificación propuestas, incluyendo los porcentajes de probabilidad.
    NOTA: La clasificación preliminar automática dura solo unos segundos. En casos de clasificaciones celulares ambiguas o límite, es necesaria una doble lectura. Para las células con diferentes clasificaciones, debe alcanzarse un consenso entre observadores. La celda reclasificada está etiquetada con una marca de verificación en la esquina superior derecha de la imagen.
13. En modo WBC, revisa la clasificación preliminar de las células nucleadas.
    NOTA: Las señales de calidad que requieren morfología digital y revisión obligatoria de expertos incluyen blastochistos, granulocitos inmaduros, linfocitos atípicos, linfocitos reactivos, linfocitos neoplásicos, monocitosis superior a 1,0 ×^{10 9}/L, linfocitosis superior a 4,0 × 10⁹/L y recuento diferencial poco fiable. Cualquier reclasificación manual realizada por el operador o patólogo debe registrarse con el ID de usuario y la marca de tiempo.
14. Si se identifica una clasificación incorrecta, reasigna la celda a la categoría correcta arrastrando su imagen con el ratón.
    NOTA: Para ejemplos de malas clasificaciones de células PB, véase la Figura 2.
15. En modo glóbulo rojo, revisa la evaluación de los cambios morfológicos de los glóbulos rojos y corrige cualquier evaluación inexacta o añade hallazgos seleccionando características patológicas adicionales (por ejemplo, células objetivo, esquistocitos, ovalocitos).
16. En modo PLT, revisa la evaluación PLT.
17. Añadir comentarios manualmente o seleccionar entre opciones de texto predefinidas.
    NOTA: Las reglas de verificación automática deben validarse, documentarse y revisarse formalmente al menos una vez al año.
18. Confirma el resultado final, que luego se envía automáticamente al sistema de información del laboratorio.
    NOTA: El resultado final se exporta como un conteo numérico diferencial junto con comentarios adicionales, si los hay. Para muestras con baja celularidad (leucocitos por debajo de 2,0 × 10⁹/L), se preparan, escanean y evalúan automáticamente dos citologías individualmente.
19. Cierra sesión y apaga el analizador.
    NOTA: Se aplica un recuento de 100 células para cada muestra de PB, siguiendo las recomendaciones¹⁷ del ICSH. Las categorías de clasificación de los leucocitos incluyen blasto, promielocito, mielocito, metamielocito, neutrófilo de banda, neutrófilo segmentado, eosinófilo, basófilo, monocito, linfocito, linfocito variante y células plasmáticas. Las categorías de clasificación no relacionadas con los WBC incluyen célula difuminada, artefacto, plaqueta gigante, cúmulo de plaquetas y eritroblasto. Las categorías de clasificación morfológicas de los glóbulos rojos (clases) incluyen glóbulos rojos policromáticos, glóbulos rojos hipocromáticos, anisocitosis, macrocitosis, microcitosis y poikilocitosis. Začátek formuláře
    
    PRECAUCIÓN: Al manipular productos químicos en el laboratorio, siga las instrucciones de sus hojas oficiales de datos de seguridad, que incluyen composición, símbolos de peligro, instrucciones de primeros auxilios, procedimientos de respuesta de emergencia para fugas y incendios accidentales, directrices de manipulación y almacenamiento, requisitos de equipos de protección personal, información toxicológica y medioambiental, e instrucciones para el transporte y la eliminación. Eliminar líquidos residuales, reactivos y consumibles como residuos infecciosos médicos y/o residuos industriales conforme a las leyes y normativas locales. Si es posible, utiliza un sistema central de eliminación de residuos.

Konec formuláře

3. Citomorfología digital automatizada de la BM

1. Utiliza el sistema para el recuento diferencial de células PB y BM. Verifica la clasificación propuesta de cada tipo de célula.
   NOTA: Se describe el uso del análisis de la BM. El operador es un técnico de laboratorio certificado con al menos cinco años de práctica, o un científico de laboratorio certificado, o un médico certificado.
2. Arranca el analizador.
3. Inicia sesión en el software usando un nombre de usuario y contraseña válidos.
4. Maneja el instrumento usando las versiones actuales del software. Sigue las recomendaciones del fabricante y el manual de usuario.
5. Utiliza Project para procesar pedidos y gestión de diapositivas, Editar para la configuración de reglas de clasificación y estrategia de preclasificación, Informe para la configuración de formatos de informes y generación de informes, y la pestaña Gestionar para la configuración de cuentas y reglas de firma.
6. Usa una mancha de deposición teñida con el instrumento de tinción.
7. Introduce la identificación de la prueba manualmente o mediante un escáner de código de barras (código QR); La solicitud del sistema de información del laboratorio se carga automáticamente.
8. Coloca las manchas manchadas en el cajón de carga del analizador.
9. Cierra la puerta de entrada del analizador.
10. Procesa la mancha.
    NOTA: El analizador mueve automáticamente la mancha bajo el microscopio, la escanea y captura imágenes de células nucleadas, incluidos megacariocitos. Realiza una clasificación preliminar de todas las células nucleadas detectadas, incluidos los megacariocitos, en solo unos segundos.
11. Revisa los resultados preliminares y reclasifica si es necesario, ya sea directamente en el analizador o utilizando software de revisión remota.
    NOTA: El sistema ofrece una vista clara de toda la lámina a 400× aumento (imagen de portaobjetos completos) y muestra todas las células nucleadas y megacariocitos; Las células nucleadas (y posiblemente megacariocitos) se capturan con un aumento de 1000× usando un objetivo de inmersión. El tiempo medio para un escaneo completo de una citología normocelular es de <10 minutos por diapositiva. Para las citologías hipocelulares, el tiempo de exploración es de >20 minutos por diapositiva.
12. En caso de clasificación incorrecta, reasigna la celda a la categoría correcta arrastrando su imagen con el ratón.
    NOTA: Para un ejemplo de mala clasificación de células BM, véase la Figura 3. En casos de clasificaciones celulares ambiguas o límite, es necesaria una doble lectura. Para las células con diferentes clasificaciones, debe alcanzarse un consenso entre observadores. Cualquier reclasificación manual realizada por el operador o patólogo debe registrarse con el ID de usuario y la marca de tiempo.
13. Añadir comentarios y descripciones citomorfológicas manualmente o seleccionando entre opciones de texto predefinidas.
14. Completa el informe preliminar.
15. Confirma el resultado final, que luego se envía automáticamente al sistema de información del laboratorio.
    NOTA: El resultado final se exporta como un recuento numérico diferencial (mielograma) junto con comentarios adicionales y descripción citomorfológica.
16. Cierra sesión y apaga el analizador.
    NOTA: Se aplica un recuento de 500 células para cada muestra de BM, siguiendo las recomendaciones¹⁷ del ICSH.
    Las categorías de clasificación (clases) incluyen proeritroblasto, eritroblasto temprano (incluyendo megaloblástico), eritroblasto intermedio (incluyendo megaloblástico), eritroblasto tardío (incluyendo megaloblástico), mieloblasto, promielocito, mielocito neutrófilo, metamielocito neutrófilo, neutrófilo de banda, neutrófilo segmentado, mielocito eosinofílico, metamielocito eosinofílico, eosinófilo de banda, eosinófilo segmentado, basófilo, monoblasto, promonócito, monocito, linfoblasto, prolinfocito, maduro linfocitos (incluyendo atípicos y reactivos), plasmablasto, células plasmáticas inmaduras, células plasmáticas y otras (células difuminadas, histiocitos, fagocitos, mastocitos y mitosis).
    
    PRECAUCIÓN: Eliminar los líquidos, reactivos y consumibles como residuos infecciosos médicos y/o residuos industriales conforme a las leyes y normativas locales. Si es posible, utiliza un sistema central de eliminación de residuos.

Resultados

Estudio de validación – métodos
En este estudio de validación, reproducimos los resultados de nuestro trabajo previo publicado en Clinical and^{Translational Medicine 2}. Se realizaron microscopías ópticas convencionales y ADM en 328 frotis BM. Los datos para el análisis incluyeron información de imagen de todas las células analizadas y resultados de clasificación, incluyendo casos morfológicos raros y atípicos. Los casos se dividieron en seis grupos diagnósticos: neoplasias mielodisplásicas (MDN: 15%), mieloma múltiple (MM: 14%), neoplasias maduras de células B/T (linfoma B/T: 13%), leucemia aguda y leucemia mielomonocítica crónica (AL+CMML: 9%), neoplasias mieloproliferativas (MPN: 8%) y hematopoyesis reactiva (reactiva: 41%). Las capacidades de reconocimiento (clasificación) de células ADM se evaluaron evaluando su capacidad para clasificar correctamente las células en una de 25 categorías, en comparación con la anotación independiente consensuada de expertos con doble lectura².

Cada caso fue revisado por dos expertos, con clasificación (anotación) coincidente en el >99% de las células. Los expertos tenían mucha experiencia, participando regularmente en evaluaciones externas de calidad exitosas. Para células con diferentes clasificaciones (<1%), se alcanzó un consenso entre observadores. El principio del análisis de consistencia consistía en comparar la preclasificación automática de cada celda con la clasificación experta final de cada celda; La clasificación consensuada por expertos se consideró la referencia verdadera de clasificación (verdad de base)².

Se evaluó la consistencia de clasificación celular y clínica, e identificaron clasificaciones críticas erróneas. La consistencia de clasificación celular se determinó a partir de la matriz de confusión, basándose en el acuerdo de clasificación para los tipos celulares individuales. Se aplicaron métodos estadísticos estándar y minería visual de datos. El coeficiente de correlación de Matthews (MCC) se calculó para cada tipo de celda y como un valor promedio, e interpretó de manera estándar. Un valor MCC de 0,400 o superior se consideró^{satisfactorio 2,18}.

Para cada paciente, la consistencia de clasificación clínica se determinó como el porcentaje de elementos correctamente preclasificados entre todas las células evaluadas en el caso, tras la eliminación de células no clasificables. La clasificación experta se consideró la referencia verdadera (verdad fundamentada⁾².

Las clasificaciones erróneas se consideran irrelevantes cuando son neutrales desde el punto de vista diagnóstico y no afectan al diagnóstico final. Estas incluyen clasificaciones recíprocas erróneas entre linfoblastos, mieloblastos y monoblastos; promielocito/mielocito neutrofílico, eosinofílico y basófilo; mielocito/metamieloicito; metamielocito/banda; neutrófilo en banda/segmentado; proeritrotrotos/eritroblastos tempranos; eritroblastos temprano/intermedios e intermedios/tardíos; promonocito/monocito; prolinfocitos/linfocitos; plasmablast/plasma inmaduro; y células plasmáticas inmaduras/células plasmáticas maduras. Todas las demás clasificaciones erróneas se consideran relevantes, ya que son diagnósticamente inaceptables y pueden conllevar graves consecuencias clínicas (Figura 4)².

La consistencia general de la clasificación clínica se calculó como la mediana de los valores individuales de los casos, considerando únicamente las clasificaciones erróneas celulares relevantes. La clasificación crítica errónea se definió como un caso en el que el valor de consistencia de clasificación clínica individual era inferior al 80%. Este límite arbitrario fue establecido por consenso de expertos, considerando los requisitos mínimos de evaluación externa de la calidad en las rondas^{de citomorfología 2}.

Las diferencias clave específicas de la plataforma incluyen un flujo de trabajo BM en dos pasos (objetivo de 40× y 100×), aportando una complejidad adicional ausente del protocolo PB, objetivos distintos de recuento de células (100 celdas en PB, 500 celdas en BM) y categorías de clasificación variables. El determinante compartido más crítico de la comparabilidad entre plataformas e entre tipos de muestra es el procedimiento de preparación por escruta.

Las métricas cuantitativas de rendimiento reportadas están claramente vinculadas a la cohorte de validación descrita en los Métodos (n = 328 citologías de BM). El porcentaje de células relevantes correctamente clasificadas entre todas las células clasificadas (consistencia de clasificación celular) fue del 95,4%. Los valores de correlación satisfactorios, según lo indicado por el MCC, fueron ≥0,400 para 22 de 25 (88,0%) tipos celulares, mientras que se observaron valores insatisfactorios de MCC (<0,400) para 3 de 25 (12,0%) tipos celulares (linfoblastos, prolinfocitos y promonocitos). La consistencia clínica relevante global fue del 97,1% (mediana), con un 94,5% de los casos mostrando tasas de consistencia entre el 80% y el 100%. En el 5,5% de los pacientes, se observó una clasificación crítica incorrecta, con valores relevantes de consistencia clínica que oscilaban entre el 36% y el 79%, debido a la falta de reconocimiento de las células^{neoplásicas 2}.

La mala clasificación celular compromete la fiabilidad de la DMA en el análisis de la MC y representa una limitación importante del método en hematooncología diagnóstica (Tabla 1). En casos que involucraban clasificación errónea relevante, se examinaba la morfología de las células clasificadas correctamente o incorrectamente. Las células correctamente clasificadas generalmente presentan características citomorfológicas típicas. En cambio, las clasificaciones erróneas ocurren con mayor frecuencia al distinguir entre células morfológicamente similares o atípicas, especialmente linfocitos y blastos atípicos; mieloblastos y linfocitos; linfoblastos y linfocitos; monoblastos o promonocitos y promielocitos; y células plasmáticas inmaduras y blastos. Las células mal clasificadas presentan frecuentemente una citomorfología atípica. En neoplasias linfocíticas, los linfocitos neoplásicos mal clasificados, como los observados en linfomas de zona marginal y leucemia de células pilosas, tienden a ser de tamaño medio, con abundante citoplasma basófilo o pálido, proyecciones citoplasmáticas y cromatina más fina con nucleolo. Estas características difieren de las de las células neoplásicas correctamente clasificadas. En el linfoma de células del manto, los linfocitos atípicos pueden mostrar un aspecto blastoide, aumentando la probabilidad de clasificación errónea. De manera similar, en la variante pleomórfica de la leucemia linfocítica crónica, los linfocitos neoplásicos pueden identificarse erróneamente como blastos. Demostramos ejemplos cualitativos representativos en la Figura 4 y la Figura 5.

En la leucemia aguda y la leucemia mielomonocítica crónica (CMML), los linfoblastos y mieloblastos mal clasificados son pequeños, con una alta proporción nuclear-citoplasmático, cromatina y nucleolos más gruesos. Numerosos monoblastos granulares pueden clasificarse erróneamente como promielocitos. En CMML, la clasificación errónea se asocia frecuentemente con células monocíticas displásicas. En el mieloma múltiple, se producen clasificaciones erróneas dentro de la línea de células plasmáticas, especialmente en plasmablastos y células plasmáticas inmaduras. Demostramos ejemplos cualitativos representativos en la Figura 5.

Las clasificaciones críticas erróneas de linfocitos neoplásicos, linfoblastos/mieloblastos pequeños, monoblastos granulares, promonocitos y monocitos displásicos, plasmablastos y células plasmáticas inmaduras —todas ellas con morfología atípica— suponen un riesgo de diagnóstico erróneo. Confundir un linfoma con leucemia aguda y viceversa puede tener consecuencias graves o incluso fatales para el manejo del paciente. Los resultados falsos negativos, como la falta de reconocimiento de la leucemia mieloide aguda (particularmente leucemia promielocítica aguda) o un diagnóstico erróneo de CMML o mieloma múltiple, pueden llevar potencialmente a decisiones inapropiadas en el tratamiento o a retrasos en la terapia.

Figura 1. Tindador automático, iconos de pantalla de inicio. Cortesía de Sysmex; Materiales informativos del fabricante (manual básico de operaciones). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2. Clasificaciones erróneas de glóbulos blancos PB. En capturas de pantalla del software, las celdas mal clasificadas están resaltadas en recuadros rojos. En la infección por EBV, los linfocitos reactivos se clasificaron erróneamente como monocitos (A, caja roja). En la leucemia linfocítica crónica, algunos linfocitos fueron clasificados erróneamente como blastos (B, caja roja). En CMML, los monocitos displásicos fueron clasificados erróneamente como neutrófilos segmentados (C, caja roja), y un monoblasto fue mal clasificado como mielocito displásico (D, caja roja). PB, CellaVision DC-1, Software de revisión, teñido automatizado May–Grünwald y Giemsa–Romanowski con el tindador Sysmex SP-50, aumento 1000×, experto: técnico certificado. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3. Clasificación errónea de linfocitos neoplásicos en la madre materna. Captura de pantalla del software. Los linfocitos neoplásicos en linfomas de células B de alto grado en la evacuación fueron erróneamente clasificados como mieloblastos. La clasificación alternativa propuesta con las cinco opciones más probables (la "lista de las cinco mejores"), incluyendo probabilidades porcentuales, está marcada con una flecha amarilla. Para la célula del recuadro amarillo, la etiqueta muestra probabilidades porcentuales de mieloblasto, monoblasto, linfoblasto, proeritroblasto y eritroblasto temprano, sin opción para linfocitos. BM, Morphogo, Review Software, teñido automatizado May–Grünwald y Giemsa–Romanowski con el tinzador Sysmex SP-50, aumento de 1000×, experto: científico certificado, médico certificado. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4. Clasificaciones erróneas de células irrelevantes y relevantes. (A) Ejemplos de clasificaciones erróneas irrelevantes en linajes mieloides y eritroides se muestran en una comparación entre la clasificación experta y la preclasificación ADM. (B) Se muestran ejemplos de clasificaciones erróneas relevantes en linajes linfoides, plasmáticos y monocíticos en una comparación entre la clasificación experta y la preclasificación ADM. La categorización de algunos elementos era difícil incluso para un experto. Se extrajeron imágenes celulares del software. BM, Morphogo, Review Software, teñido automatizado May–Grünwald y Giemsa–Romanowski con el tinzador Sysmex SP-50, aumento de 1000×, experto: científico certificado, médico certificado. Se añadió una barra de escala a cada celda. Las barras de escala representan 10 μm. Calibración basada en la cámara ToupCam (tamaño de píxel de 1,85 μm) con objetivo Olympus Plan N del 100×.
Modificado de: Material suplementario, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. La utilidad de la citomorfología digital automatizada asistida por inteligencia artificial para el análisis de médula ósea en hemato-oncología diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5. Ejemplos representativos de las clasificaciones erróneas más frecuentes de células BM en pacientes con neoplasias hematológicas. Se muestran linfocitos neoplásicos, mieloblastos, linfoblastos, monoblastos y células plasmáticas mal clasificados en casos seleccionados de linfoma de zona marginal (MZL), linfoma de células del manto (MCL), leucemia de células pilosas (HCL), leucemia linfocítica crónica (LLC), leucemia mieloide aguda (LMA), leucemia linfoblástica T aguda (LTA) y mieloma múltiple (MM). La clasificación errónea de linfocitos/blastos atípicos fue el error más frecuente. Las principales características citomorfológicas de los linfocitos neoplásicos mal clasificados incluían tamaño medio, cromatina más fina (flechas rojas), nucleolos (flechas azules), abundante citoplasma basófilo o pálido con proyecciones (flechas verdes) y apariencia blastoide (flecha naranja). Los linfoblastos y mieloblastos mal clasificados eran pequeños, con una alta proporción nuclear-citoplasmático y cromatina más gruesa con nucleolos (flechas grises). Los plasmablastos y las células plasmáticas inmaduras fueron clasificados erróneamente como linfocitos o no se reconocieron como pertenecientes a la línea de células plasmáticas (clasificados como "blast, no especificados"). Se extrajeron imágenes celulares del software. Software de revisión de BM Morphogo, teñido automatizado May–Grünwald y Giemsa–Romanowski con el tindador Sysmex SP-50, aumento de 1000×, experto: científico certificado, médico certificado. Se añadió una barra de escala a cada celda. Las barras de escala representan 10 μm. Calibración basada en la cámara ToupCam (tamaño de píxel de 1,85 μm) con objetivo Olympus Plan N del 100×.
La imagen fue modificada de: Material suplementario, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. La utilidad de la citomorfología digital automatizada asistida por inteligencia artificial para el análisis de médula ósea en hemato-oncología diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Diagnóstico	Número de casos	Celdas mal clasificadas
		Clasificación de expertos	Clasificación ADM
Neoplasias maduras de células B	9/43
Linfoma de zona marginal	4/8	Linfocitos atípicos	Explosión, NOC
Linfoma de células del manto	2/5	Linfocitos atípicos	Explosión, NOC
CLL	1/14	Linfocitos atípicos	Explosión, NOC
Leucemia de células pilosas	2/2	Linfocitos atípicos	Explosión, NOC / Monocito
Mieloma múltiple	5/46	Celda plasmática	Explosión, NOC
LMA	3/16	Mieloblasto / Monoblasto	Linfocitos / Promielocitos
T-ALL	1/1	Linfoblasto	Linfocitos

Tabla 1: Clasificaciones erróneas críticas por ADM. En 18 de 328 (5,5%) de los pacientes, se observó una clasificación críticamente incorrecta. El grupo clínico de clasificaciones críticas erróneas por la MDA incluyó nueve de 43 pacientes con neoplasias maduras de células B, cinco de 46 pacientes con MM, tres de cada 16 pacientes con LMA y un (de uno) paciente con LLA (T-ALL). La clasificación errónea de linfocitos/blastos atípicos fue la más frecuente. NOC: no hay otro tipo de clasificación. 
Reproducido de: Material suplementario, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. La utilidad de la citomorfología digital automatizada asistida por inteligencia artificial para el análisis de médula ósea en hemato-oncología diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Discusión

Los avances tecnológicos en el procesamiento de imágenes de alta resolución, la clasificación digital automatizada de imágenes y la toma de decisiones apoyada por IA mediante redes neuronales convolucionales han permitido mejoras sustanciales en ADM. Como resultado, la ADM complementa la microscopía óptica estándar. La identificación correcta de categorías citomorfológicas individuales puede ser un reto, especialmente entre grupos de clasificación estrechamente relacionados que comparten similitudes^{morfológicas} 2,11,12,14,15,19,20. Como los hallazgos de expertos siempre están influenciados por cierto grado de subjetividad, pueden no considerarse definitivos ni los únicos posibles resultados correctos, especialmente en casos de clasificación celular límite o ambigua (por ejemplo, elementos displásicos o altamente atípicos⁾². Estos patrones de clasificación errónea se han reportado en PB, mostrando un mejor rendimiento para tipos celulares comunes pero menor consistencia en la clasificación para algunos subconjuntos clínicamente importantes, incluidos los^blastos 12,15,19,20. Esto puede afectar significativamente al diagnóstico citomorfológico de PB y BM.

En comparación con PB, solo unos pocos estudios se han centrado en la precisión de clasificación de la ADM en el análisis^BM 2,20,21,22,23. En un estudio chino sobre la clasificación ADM, la consistencia alcanzó el 99%, con la mayoría de los tipos de células BM mostrando una correlación extremadamente alta con la experiencia^{hematopatológica 21}. Sin embargo, la proporción de malignidades hematológicas en la cohorte del estudio fue inferior al 30%²¹. Se han realizado otros estudios comparativos que evaluan el rendimiento entre sistemas automatizados de froto PB y BM y análisis manuales en ensayos^{multicéntricos 22,23}. En una comparación reciente, se analizaron 795 muestras de BM de pacientes con neoplásicas y otras condiciones clínicas, logrando un acuerdo global del 91,1% con microscopía^{óptica 23}.

Un estudio de una cohorte real de pacientes de ascendencia europea, con un 59% de condiciones neoplásicas, comparó la ADM impulsada por IA con microscopía óptica experta en seis grupos^{diagnósticos 2}. Las clasificaciones críticas erróneas de células neoplásicas con morfología atípica tenían potencial de diagnóstico^{erróneo 2}. Por ello, este estudio identificó tipos celulares candidatos para el entrenamiento y pruebas futuras del rendimiento de la IA². Sin embargo, este estudio tenía varias limitaciones. En primer lugar, el estudio incluyó un número limitado de pacientes y material archivado, y algunos trastornos raros de la deposición estuvieron ausentes, incluidas muestras pediátricas. En segundo lugar, la citomorfología de ciertas células neoplásicas era muy anormal, con consenso cuestionable en la clasificación incluso entre expertos experimentados. Tercero, solo se analizaron muestras de ascendencia europea. Cuarto, no se realizó ninguna validación externa de clasificaciones erróneas relevantes^{e irrelevantes 2}.

Las clasificaciones erróneas celulares representan la principal limitación de la DMA en la hemato-oncología^{diagnóstica 2}. Existen varias razones para la clasificación errónea. Además de la superposición citomorfológica, los factores que probablemente contribuyen incluyen la rareza de ciertas condiciones y la variabilidad en el consenso de expertos respecto a los tipos celulares. Esto puede provocar anotaciones inconsistentes y lagunas en los datos de entrenamiento. La detección de cambios displásicos en la hematopoyesis es poco fiable, al igual que la evaluación detallada de la citomorfología de^{megacariocitos 2}. Aunque los resultados adversos se mitigan en gran medida mediante supervisión experta obligatoria, persisten limitaciones en cuanto a la fiabilidad absoluta de la DMA, especialmente en leucemias, linfomas y mieloma^{múltiple 2}. La correcta anotación experta de las células para el entrenamiento de IA es un requisito esencial para el rendimiento del ADM. El etiquetado preciso de los datos es fundamental para construir conjuntos de datos fiables y fiables y fiables. En citomorfología, definir la verdad fundamental puede ser especialmente difícil en casos ambiguos o límite, ya que persiste cierto grado de subjetividad incluso entre expertos experimentados y ampliamente reconocidos. Cuando las opiniones de expertos difieren, la verdad de base puede establecerse mediante consenso o acuerdo mayoritario entre dos o más revisores independientes de experiencia similar, especialmente cuando los juicios diagnósticos se desglosan en componentes^{separados 2}. Es esencial refinar las capacidades de clasificación centradas en tipos específicos de células candidatas. Incluye reentrenamiento dirigido en tipos celulares difíciles, estrategias jerárquicas de clasificación o la incorporación de datos multimodales para mejorar la discriminación entre células morfológicamente similares. Los conjuntos de datos de entrenamiento extensos, diversos y bien anotados, especialmente en neoplasias hematolinfoides, deben incluir una representación suficiente de la morfología atípica, entidades raras, casos límite y células diagnósticamente ambiguas.

En cuanto a pasos críticos del protocolo y la resolución de problemas, las borrosas de PB deben realizarse en un plazo de dos horas tras la recogida; el aspirado de la evacuación debe distribuirse inmediatamente desde la primera extracción. Se requiere un protocolo de tinción automatizado y validado, estrictamente consistente entre lotes. Una monocapa bien definida y libre de artefactos es obligatoria. Se requiere un escaneo prolongado en muestras leucopénicas de PB y en los frotis de BM hipocelulares. El aceite de inmersión agotado o las manchas finas provocan fallos en el autoenfoque y análisis de aborto. Ninguno de los dos sistemas está aprobado para informes autónomos, y es obligatoria una inspección de galería de imágenes individual. La validación clínica local es obligatoria antes del despliegue; La responsabilidad diagnóstica y legal completa recae en el morfólogo que lo reporta.

La futura validación rigurosa y multiinstitucional en diferentes entornos clínicos es esencial para la generalizabilidad del modelo y el rendimiento predictivo. Un enfoque basado en IA para la citomorfología de megacariocitos podría refinar aún más el diagnóstico integrado de neoplasias mieloproliferativas y^{mielodisplásicas} 24,25,26. También persiste una carencia considerable en el desarrollo de un reconocimiento fiable apoyado por IA de los cambios displásicos específicos de la línea ^2,27. Para la optimización del modelo, técnicas innovadoras como la afinación de hiperparámetros, la regularización, el aprendizaje de conjuntos y la ampliación de datos pueden servir para mejorar la robustez y la fiabilidad de la clasificación 28,29,30. En particular, las estrategias de aumento de datos —que van desde transformaciones geométricas^30,31 hasta la generación de imágenes sintéticas de entrenamiento usando IA^{generativa 32,33}– han surgido recientemente como enfoques prometedores para ampliar conjuntos de datos limitados y abordar el desequilibrio de clases en la clasificación de células BM. El nivel de formación y la experiencia a largo plazo del personal de laboratorio son esenciales para el proceso de evaluación y toma de decisiones en casos citomorfológicos difíciles. Formar a la próxima generación de citomorfólogos en el contexto de la digitalización continua presenta un desafío educativo. Por un lado, ADM ofrece un enorme potencial educativo; Por otro lado, conlleva el riesgo de que operadores menos experimentados sobreestimen sus capacidades.

A pesar del prometedor potencial diagnóstico de los sistemas ADM, hay que reconocer varias limitaciones críticas y desafíos de implementación. Una preocupación fundamental está relacionada con el sesgo en los datos de entrenamiento: la mayoría de las plataformas ADM disponibles comercialmente, incluidas las evaluadas en el presente estudio, se desarrollaron utilizando conjuntos de datos derivados predominantemente de regiones geográficas específicas, protocolos de coloración y poblaciones de pacientes, lo que puede limitar su generalizabilidad a cohortes más diversas étnica y clínicamente o a laboratorios que emplean técnicas de preparación diferentes. Igualmente importante es la cuestión de la transparencia en la toma de decisiones de la IA. Los sistemas ADM actuales funcionan en gran medida como modelos de caja negra, lo que dificulta a los clínicos evaluar críticamente las asignaciones celulares individuales. Esto está directamente vinculado a la cuestión de la responsabilidad clínica, ya que los marcos regulatorios para el diagnóstico asistido por IA siguen evolucionando. La integración práctica de ADM en flujos de trabajo diagnósticos estándar presenta barreras organizativas y técnicas sustanciales, incluyendo la necesidad de una infraestructura de digitalización de diapositivas de alta calidad, formación del personal, validación conforme a estándares locales de referencia y establecimiento de protocolos de control de calidad para monitorizar el rendimiento del sistema a lo largo del tiempo. Por tanto, el refinamiento y exploración por expertos del potencial completo de ADM en la evaluación de PB y BM continuará mejorando su utilidad como herramienta de apoyo en la práctica rutinaria de laboratorio.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Automated Hematology Slide Preparation Unit SP-50	Sysmex Corporation, Kobe, Japan	N/A	Automated slide maker and stainer
Barcode scanner for Sysmex SP-50	Datalogic Gryphon	S/N: G21M20996	Barcode scanner
CellaVision DC-1	CellaVision AB, Lund, Sweden	PM-10895-15	Automated digital morphology analyzer
CellaVision DM Software	CellaVision AB, Lund, Sweden	Version 7.1.1 build 8
Giemsa Solution for SP Automated Systems	RAL Diagnostics, Martillac, France	750305X1000	Component of panoptic staining for peripheral blood and bone marrow smears
Immersion Oil (CellaVision Immersion Oil 50 mL)	CellaVision AB, Lund, Sweden	XU-10319	Immersion oil
May-Grünwald for SP Automated Systems	RAL Diagnostics, Martillac, France	750105X2500	The component of panoptic staining for peripheral blood and bone marrow smears
Morphogo Bone Marrow Analyzer	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Automated digital bone marrow morphology analyzer
Morphogo Review Software	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Version 1.0.6	Bone marrow review software
pH 7.0 Buffer Solution for SP Automated Systems	RAL Diagnostics, Martillac, France	750505X5000	Buffer solution
QR scanner for CellaVision DC-1	Datalogic Gryphon	GD 4500	QR scanner
RAL Cleaning solution	RAL Diagnostics, Martillac, France	750725X5000	Cleaning solution
S-Monovette K3 EDTA tube	Sarstedt	05.1167.001	Tube for SP-50
SP-Rinse Solution	RAL Diagnostics, Martillac, France	37000305	Rinse solution
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	Slides  for peripheral blood and bone marrow smears
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	Slides  for QC
SP Spreader glass	Sysmex Corporation, Kobe, Japan	95102918	Glass for spreading the smear
Tube rack for Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Tube rack