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

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

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

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

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

Investigación

JoVE Journal

Medicine

Medicina

Este video describe la técnica de aspiración de médula ósea de la columna ilíaca y la preparación del frotis para la biopsia. En el ejemplo, realizamos una aspiración de médula ósea de un paciente con leucemia mieloide aguda (LMA) y examinamos las células para comprobar si hay enfermedad residual (ERM) medible, un importante biomarcador pronóstico.

Aspiración de médula ósea: un método para obtener médula ósea para examinar la morfología celular

Se presenta una estrategia para analizar cuantitativamente los datos histológicos en la médula ósea. La microscopía confocal de células marcadas con fluorescencia en secciones de tejido da como resultado imágenes bidimensionales, que se analizan automáticamente. Los análisis de colocalización de diferentes tipos de células se comparan con los datos de imágenes simuladas, lo que proporciona información cuantitativa sobre las interacciones celulares.

Automatizado Cuantificación de células hematopoyéticas - Interacciones de células del estroma en histológicas Imágenes de descalcificados Hueso

Detección de enfermedad residual mínima o medible (Milirutherford) es un biomarcador pronóstico importante para refinar la evaluación de riesgo y predicción de la recaída en la leucemia mieloide aguda (AML). Estas directrices amplias y recomendaciones con las mejores prácticas de identificación consistente y precisa y detección de MRD, puede ayudar en la toma de decisiones eficaces de tratamiento de AML.

General protocolo muestra y médula de proceso para medir enfermedad Residual medible y células leucémicas en la leucemia mieloide aguda

La diagnosis MDS es difícil en ausencia de criterios morfológicos o citogenética no informativo. MFC podría ayudar a perfeccionar el proceso de diagnóstico de MDS. Para ser de utilidad para la práctica clínica, el análisis MFC debe basarse en parámetros con suficiente especificidad y sensibilidad, y resultados deben ser reproducibles entre diferentes operadores.

Guiada por la base de datos-citometría de flujo para la evaluación de la maduración de células mieloides de la médula

Describimos el uso de trasplante de células madre hematopoyéticas (HSCT) para evaluar el potencial maligno de las células hematopoyéticas genéticamente. TCMH es útil para evaluar varias células hematopoyéticas malignas en vivo así como generar una cohorte grande de ratones con síndromes mielodisplásicos (MDS) o leucemia para evaluar nuevas terapias.

Uso de trasplante de células madre hematopoyéticas para evaluar el origen del síndrome mielodisplásico

Aquí, presentamos un protocolo para procesar la médula ósea fresca (BM) aislada del ratón o humana para el análisis de citometría de masa de alta dimensión (citometría por tiempo de vuelo, CyTOF) de células de linaje neutrófilo.

Preparación de la médula ósea entera para el análisis de citometría de masa de células de linaje neutrófilo

Aquí, describimos un protocolo simple para el aislamiento y tinción de células murinas de médula ósea para fenotipo de células madre hemopoyéticas y progenitoras junto con las células madre endoteliales y mesenquimales de nicho de soporte. También se incluye un método para enriquecer las células ubicadas en las áreas endosteal y central de la médula ósea.

Análisis por citometría de flujo de células madre y progenitoras hematopoyéticas de médula ósea murina y células de nicho estromal

El éxito de la transcriptómica y multiómica de una sola célula/núcleo único depende en gran medida de la calidad de las células/núcleos. Por lo tanto, el aislamiento de células/núcleos de los tejidos y su purificación debe estar altamente estandarizado. Este protocolo describe la preparación de núcleos del cerebro y la médula ósea para el ensayo multioma de un solo núcleo aguas abajo.

Preparación de núcleos cerebrales y de médula ósea de alta calidad para ensayos multioma de núcleos individuales

Aquí, se describe un método basado en citometría de fosfoflujo para analizar la señalización aguas abajo de las vías mTORC1, JAK/STAT5 y MAPK en células de leucemia mieloide humana aguda xenoinjertadas en ratones y obtenidas de aspirados de médula ósea. Los niveles de p-STAT5, p-4EBP1, p-RPS6 y p-ERK1/2 se miden simultáneamente utilizando un citómetro de flujo espectral de última generación con alta sensibilidad.

Citometría de fosfoflujo intracelular de xenotrasplantes derivados de pacientes con leucemia mieloide aguda

Este protocolo describe un procedimiento para inducir la diferenciación de células madre y progenitoras hematopoyéticas humanas derivadas de células mononucleares de médula ósea y sangre periférica del paciente. El ensayo utiliza un medio de cultivo semisólido que apoya el compromiso de linaje eritroide y mieloide e incorpora métricas estandarizadas para la clasificación de colonias reproducibles para la caracterización preclínica de fármacos.

Ensayo de unidad formadora de colonias adaptado para células mononucleares de médula ósea y sangre periférica derivadas del paciente

Moravian-Silesian Hospital Havirov.  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 d...

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

Explorar más videos