Flux de travail pour la cytomorphologie numérique automatisée du sang périphérique et de la moelle osseuse, en tenant compte des erreurs de classification cellulaires critiques

Résumé

Le flux de travail de cytomorphologie numérique automatisée du sang périphérique et de la moelle osseuse est décrit. Après une préparation standardisée du frottis et une coloration, un scanner capture les images des échantillons. Les logiciels alimentés par l’IA localisent, enregistrent et classifient de manière préliminaire les cellules nucléées, suivies d’une revue d’experts. L’accent est mis sur les erreurs de classification cellulaires critiques susceptibles de mal diagnostiquer.

Résumé

De plus en plus de preuves soutiennent la capacité de la cytomorphologie numérique automatisée (ADM) du sang périphérique (PB) et de la moelle osseuse (BM) alimentée par l’IA à aider la prise de décision par des experts. Le flux de travail ADM pour les frottis PB et BM est décrit. Les composants fondamentaux de la technologie ADM incluent la mécanique de précision, des systèmes d’imagerie avancés, l’intelligence artificielle (IA) et une interface conviviale. Le processus commence par la préparation standardisée du frottis et la coloration à l’aide de protocoles adaptés à l’automatisation et à la numérisation. Un microscope automatisé équipé d’un objectif à immersion et d’un appareil photo numérique capture des images haute résolution de l’échantillon à plusieurs grossissements. Les logiciels alimentés par l’IA localisent, enregistrent et classifient de manière préliminaire les cellules nucléées, y compris les mégacaryocytes lorsque cela est applicable. Cela est suivi d’une revue d’expert obligatoire et, si nécessaire, d’une reclassification. Les images et rapports numériques sont ensuite stockés sur un serveur local à grande capacité. Les principaux avantages de l’ADM incluent une accélération accrue, une gestion efficace des données, un soutien éducatif, un accès à distance pour évaluation et consultation, l’archivage numérique et l’intégration multimodale des données. La limitation la plus importante de la DMA est le risque de mauvaise classification cellulaire critique, qui peut avoir un impact clinique majeur. Les erreurs de classification non pertinentes sont tolérables et diagnostiquement neutres, tandis que les erreurs pertinentes sont inacceptables et peuvent entraîner de graves conséquences diagnostiques et cliniques. Une classification critique erronée des lymphocytes néoplasiques, des petits lymphoblastes/myéloblastes, des monoblastes granulaires, des promonocytes et monocytes dysplasiques, des plasmablastes et des plasmocytes immatures — qui peuvent tous présenter une morphologie atypique — comporte un risque de diagnostic erroné. Des avancées supplémentaires sont nécessaires pour obtenir une performance diagnostique fiable. Des données d’entraînement étendues et de haute qualité, combinées à une validation régulière, sont essentielles pour garantir que l’IA fonctionne comme un outil de soutien efficace pour le jugement diagnostique.

Introduction

L’évaluation cytomorphologique correcte des frottis du sang périphérique (PB) et de la moelle osseuse (BM) reste une pierre angulaire du diagnostic multidisciplinaire en hémato-oncologie, influençant les points de décision cliniques^critiques 1,2,3,4. Il existe des preuves d’une variabilité importante entre experts et intra-experts dans l’analyse manuelle du frottis PB et BM, avec des effets en aval sur le diagnostic^{des patients} 2,5,6,7,8,9. Les avancées récentes en analyse d’images, apprentissage automatique et pathologie computationnelle ont permis une évaluation automatisée des frottis de PB et de BM à un niveau pouvant compléter la revue cytomorphologique^d’experts 1,2,3,4,10,11,12,13,14 . La cytomorphologie numérique automatisée (ADM) alimentée par l’intelligence artificielle (IA) de PB et BM peut soutenir la microscopie optique laborieuse et chronophage, ainsi que la prise de décision^experte 1,2,3,4,11,12.

Les éléments fondamentaux de la technologie ADM incluent la préparation et la coloration standardisées des frottis, un scanner doté de capacités d’imagerie avancées, une IA et une interface efficace et conviviale. La mécanique de précision de l’ADM fonctionne à grande vitesse avec une précision de niveau micrométrique, tandis que les solutions d’imagerie avancées garantissent une haute qualité^{d’image 14}. Une interface conviviale rend cette technologie sophistiquée accessible de manière intuitive et^{épurée 14}.

L’ADM est depuis longtemps utilisé pour les évaluations de PB, où il est très développé et est devenu une partie intégrante des flux de travail standards en laboratoire. Dans les évaluations de la CM, cependant, l’ADM présente des défis en raison de schémas cytomorphologiques complexes et complexes, d’un grand nombre de types cellulaires distincts, et de la similarité morphologique des cellules^{précurseurs 2}. La capacité de classification de l’IA repose sur un entraînement avec de grands ensembles de données d’images complets contenant jusqu’à plusieurs millions de cellules. Toutes les cellules incluses dans ces ensembles de données d’entraînement sont examinées et annotées par des experts. Cette contribution d’experts, entre autres facteurs, a un impact direct sur la qualité de la classification.

Néanmoins, certains cellules PB et BM restent particulièrement difficiles à classer pour l’ADM, ce qui peut avoir un impact significatif sur le diagnostic^{cytomorphologique 2,12,15}. Les erreurs de classification cellulaires critiques restent la principale limitation de l’ADM et peuvent avoir de graves conséquences cliniques, compromettant ainsi la fiabilité de la^{méthode 2}.

Notre objectif est de présenter un flux de travail ADM pratique, incluant ses étapes spécifiques et le processus d’évaluation par les experts. Un rapport détaillé du processus ADM à l’aide de deux plateformes analytiques comme exemples permettra aux utilisateurs d’exploiter pleinement les capacités et les avantages de la méthode. La grande précision de classification de l’ADM pour PB a été démontrée dans de nombreuses^{études 12, 15, 16}. Ainsi, dans nos recherches, nous nous sommes concentrés exclusivement sur l’ADM pour BM, où les données fiables de validation de ce type sont limitées. Les résultats de validation quantitative sont basés sur l’analyse BM. De plus, nous insistons sur une limitation clé de la méthode, à savoir les erreurs critiques de classification. Nous proposons également une catégorisation des erreurs de classification et mettons en lumière les types les plus courants de maussailles critiques.

Protocole

Notre étude, publiée en 2025^, utilisait des archives et a été menée conformément aux principes mis à jour de la Déclaration d’Helsinki. Les patients ont fourni un consentement éclairé écrit pour l’examen en laboratoire, la collecte et l’analyse anonymes de données, ainsi que pour l’utilisation de la recherche, y compris la publication de données d’images anonymisées. L’étude a été approuvée par le Comité d’éthique local de l’hôpital Havířov (approbation IGS_2023_HEM_PAT).

REMARQUE : Le protocole ADM pour PB et BM, après coloration automatisée, est rapporté.

1. Préparation et coloration des frottis périphériques de sang et de moelle osseuse à l’aide d’un instrument automatisé

1. Avant d’allumer l’instrument, effectuez les vérifications suivantes : état du tube, connexion réseau, statut du conteneur de déchets, réactifs suffisants et un approvisionnement adéquat en lames de microscope.
   REMARQUE : Les contenants de réactifs ne doivent pas être vides, et tous les réactifs doivent être dans la date d’expiration.
2. Allume l’instrument.
3. L’unité principale effectue automatiquement une auto-vérification.
4. Connectez-vous au logiciel avec un nom d’utilisateur et un mot de passe valides.
5. Utilisez l’instrument en utilisant les versions logicielles actuelles. Suivez les recommandations du fabricant et le manuel d’utilisation (écran d’accueil — Figure 1).
6. Utilisez le Menu pour sélectionner les opérations, la Liste de travail pour gérer les demandes de préparation de diapositives et de frottage, le Navigateur pour examiner les données des requêtes, et l’onglet Statut pour vérifier l’état du frottis en cours de préparation.
7. Téléchargez une nouvelle demande de préparation de diapositives depuis l’ordinateur hôte ou créez une nouvelle demande.
   REMARQUE : Utilisez des glissières aux bords biseautrés et arrondis mesurant 24,7–26,3 mm sur 74,7–76,3 mm, avec une largeur de 0,9 à 1,2 mm et un bord mat de 15 à 20 mm.
8. Modifier ou supprimer les demandes de préparation des diapositives selon les besoins.
9. Préparez le frottis :
   1. Utilisez toujours des gants en latex ou en nitrile lors de la manipulation des échantillons et frottis de PB et de BM.
   2. Sélectionnez le mode de préparation du frottement.
   3. Placez le support à échantillons dans le sampler.
      REMARQUE : Utilisez uniquement des tubes échantillons spécifiquement approuvés par le fabricant du colorant.
   4. Vérifiez que le verre écarteur est intact, parfaitement propre et bien placé dans le support.
   5. Commencez la préparation des étalons et la coloration en utilisant la fenêtre de dialogue.
   6. Vérifiez l’état du frottis en cours de préparation.
10. Examinez les détails des demandes de préparation des diapositives.
11. Enlève le support à échantillons.
12. Retirez les lames préparées et teintées.
    Point de contrôle : La qualité de l’étalonnage lors de l’inspection visuelle (après la sortie) répond-elle aux critères d’acceptation définis ? Une zone minimale de monocouche de longueur et densité cellulaire adéquates doit être présente.
13. Effectuez l’inspection et le nettoyage des instruments avant l’arrêt.
14. Éteins l’instrument.
    REMARQUE :
    Protocole de coloration pour le sang périphérique -
    Teinte 1 : teinture May–Grünwald ; Teinte 2 : Tache de Giemsa–Romanowski. Teinture non diluée 1 (73 mL) 2:48 min ; Coloration diluée 1 (73 mL, diluant pH 7,0, tampon phosphate, rapport de dilution 1:10) 3:36 min. Coloration diluée 2 (26 mL, diluant pH 7,0, tampon phosphate, ratio de dilution 1:10) 4:00 min. Nombre de rinçages (439 mL, processus automatisé)
    1. Séchage (processus automatisé) 3:36 min.
    
    Protocole de coloration pour la moelle osseuse-
    Teinte 1 : teinture May–Grünwald ; Teinte 2 : Tache de Giemsa–Romanowski. Coloration non diluée 1 (73 mL) 3:36 min ; Coloration diluée 1 (73 mL, diluant pH 7,0 tampon phosphate, ratio de dilution 1:10) 2:48 min. Coloration diluée 2 (26 mL, diluant pH 7,0 tampon phosphate, rapport de dilution 1:10) 10:00 min. Nombre de rinçages (439 mL, processus automatisé)
    1. Séchage (processus automatisé) 3:36 min.
    
    ATTENTION : Lors de la manipulation de produits chimiques en laboratoire, suivez les instructions de leurs fiches de données officielles de sécurité, qui incluent la composition, les symboles de danger, les instructions de premiers secours, les procédures d’intervention d’urgence en cas de fuite accidentelle et d’incendie, les consignes de manipulation et de stockage, les exigences en matière d’équipements de protection individuelle, les informations toxicologiques et environnementales, ainsi que les instructions de transport et d’élimination. Éliminer les déchets liquides, réactifs et consommables comme déchets médicaux infectieux et/ou déchets industriels conformément aux lois et réglementations locales. Si possible, utilisez un système central d’élimination des déchets.

2. Cytomorphologie numérique automatisée de PB

1. Utilisez l’application pour le comptage différentiel des globules blancs (globules blancs), l’évaluation de la morphologie des globules rouges (GR) et l’estimation du nombre de plaquettes (PLT). Vérifiez la classification proposée de chaque type de cellule.
   REMARQUE : L’opérateur est un technicien de laboratoire certifié expérimenté avec au moins cinq ans de pratique ou un scientifique de laboratoire certifié.
2. Lance l’analyseur.
3. Connectez-vous au logiciel avec un nom d’utilisateur et un mot de passe valides.
4. Utilisez l’instrument en utilisant les versions logicielles actuelles. Suivez les recommandations du fabricant et le manuel d’utilisation.
5. Utilisez l’onglet Vue de contrôle système pour la procédure de contrôle qualité (QC) et pour le traitement des ordres.
6. Effectuez une QC interne quotidienne à l’aide d’une glissière de contrôle (frottis de routine de papier à blanc avec un taux de globules blancs supérieur à 10 × 10⁹/L). Effectuez le test de détection cellulaire au moins une fois par jour, qui reconnaît 100 cellules.
   REMARQUE : Le test de détection cellulaire valide le processus de préparation des lames et vérifie la capacité de l’analyseur à détecter les cellules. La lame doit être d’une qualité suffisante pour que l’analyseur puisse détecter les cellules nécessaires à l’analyse. Pour l’acceptation de la QC, 97 % des cellules doivent être détectées avec succès.
7. Utilisez une brèche de manteau préparée avec l’instrument de fabrication de lames et de teinture.
8. Placez la tache dans le tiroir de chargement de l’analyseur.
9. Saisissez l’identification du test manuellement ou via un lecteur de codes-barres ; La demande du système d’information du laboratoire est chargée automatiquement.
10. Fermez la porte d’entrée de l’analyseur.
11. Traitez le frottement.
    REMARQUE : L’analyseur déplace automatiquement le frottis sous le microscope, le scanne et capture des images des globules blancs, ainsi qu’une image monocouche des globules rouges. L’analyseur effectue une classification préliminaire de tous les globules blancs détectés et évalue la morphologie des globules rouges.
12. Examinez les résultats préliminaires et reclassifiez si nécessaire, soit directement sur l’analyseur, soit en utilisant un logiciel de revue à distance. Considérons les trois options de classification proposées, y compris les pourcentages de probabilité.
    REMARQUE : Le classement préliminaire automatique ne prend que quelques secondes. Dans les cas de classifications cellulaires ambiguës ou limites, une double lecture est nécessaire. Pour les cellules de classifications différentes, un consensus entre observateurs doit être atteint. La cellule reclassée est étiquetée d’une coche en haut à droite de l’image.
13. En mode WBC, revoir la classification préliminaire des cellules nucléées.
    REMARQUE : Les indicateurs de qualité nécessitant une morphologie numérique et un examen d’expert obligatoire incluent les blastographes, granulocytes immatures, lymphocytes atypiques, lymphocytes réactifs, lymphocytes néoplasiques, monocytose supérieure à 1,0 × 10⁹/L, lymphocytose supérieure à 4,0 × 10⁹/L, et un taux différentiel peu fiable. Toute reclassification manuelle par l’opérateur ou le pathologiste doit être enregistrée avec l’identifiant utilisateur et l’horodatage.
14. Si une classification incorrecte est identifiée, réattribuez la cellule à la bonne catégorie en faisant glisser son image avec la souris.
    REMARQUE : Pour des exemples de mauvaises classifications des cellules de PB, voir la Figure 2.
15. En mode globules rouges, examinez l’évaluation des changements morphologiques des globules rouges et corrigez toute évaluation inexacte ou ajoutez des résultats en sélectionnant des caractéristiques pathologiques supplémentaires (par exemple, cellules cibles, schistocytes, ovalocytes).
16. En mode PLT, relisez l’évaluation PLT.
17. Ajoutez des commentaires manuellement ou sélectionnez parmi des options de texte prédéfinies.
    REMARQUE : Les règles de vérification automatique doivent être validées formellement, documentées et révisées au moins une fois par an.
18. Confirmez le résultat final, qui est ensuite automatiquement envoyé au système d’information du laboratoire.
    REMARQUE : Le résultat final est exporté sous forme de comptage numérique différentiel accompagné de commentaires supplémentaires, le cas échéant. Pour les échantillons à faible cellulité (globules blancs inférieurs à 2,0 × 10⁹/L), deux frottis sont préparés, scannés et évalués individuellement automatiquement.
19. Déconnectez-vous et éteignez l’analyseur.
    REMARQUE : Un comptage de 100 cellules est appliqué pour chaque échantillon de PB, conformément aux recommandations¹⁷ de l’ICSH. Les catégories de classification des globules blancs (classes) incluent le blast, promyélocyte, myélocyte, métamyélocyte, neutrophile bande, neutrophile segmenté, éosinophile, basophile, monocyte, lymphocyte, lymphocyte variant et plasmocyte. Les catégories de classification non liées aux globules blancs incluent les cellules de flou, les artefacts, les plaquettes géantes, les amas de plaquettes et l’érythroblaste. Les catégories de classification morphologique des globules rouges comprennent les globules rouges polychromes, les globules rouges hypochromes, les anisocytoses, la macrocytose, la microcytose et la poikilocytose. Začátek formuláře
    
    ATTENTION : Lors de la manipulation de produits chimiques en laboratoire, suivez les instructions de leurs fiches de données officielles de sécurité, qui incluent la composition, les symboles de danger, les instructions de premiers secours, les procédures d’intervention d’urgence en cas de fuite accidentelle et d’incendie, les consignes de manipulation et de stockage, les exigences en matière d’équipements de protection individuelle, les informations toxicologiques et environnementales, ainsi que les instructions de transport et d’élimination. Éliminer les déchets liquides, réactifs et consommables comme déchets médicaux infectieux et/ou déchets industriels conformément aux lois et réglementations locales. Si possible, utilisez un système central d’élimination des déchets.

Konec formuláře

3. Cytomorphologie numérique automatisée de la BM

1. Utilisez le système pour le comptage différentiel des cellules PB et BM. Vérifiez la classification proposée de chaque type de cellule.
   REMARQUE : L’utilisation de l’analyse BM est décrite. L’opérateur est un technicien de laboratoire certifié expérimenté avec au moins cinq ans de pratique, ou un scientifique de laboratoire certifié, ou un médecin certifié.
2. Lance l’analyseur.
3. Connectez-vous au logiciel avec un nom d’utilisateur et un mot de passe valides.
4. Utilisez l’instrument en utilisant les versions logicielles actuelles. Suivez les recommandations du fabricant et le manuel d’utilisation.
5. Utilisez Project pour le traitement des commandes et la gestion des diapositives, Edit pour la configuration des règles de classification et la stratégie de pré-classification, Report pour les paramètres de format de rapport et la génération de rapports, et l’onglet Gérer pour les paramètres de compte et les règles de signature.
6. Utilisez une trace de sac teintée avec l’instrument de teinture.
7. Saisissez l’identification du test manuellement ou via un code-barres (code QR) ; La demande du système d’information du laboratoire est chargée automatiquement.
8. Placez les traces tachées dans le tiroir de chargement de l’analyseur.
9. Fermez la porte d’entrée de l’analyseur.
10. Traitez le frottement.
    REMARQUE : L’analyseur déplace automatiquement le frottis sous le microscope, le scanne et capture des images des cellules nucléées, y compris les mégacaryocytes. Il effectue une classification préliminaire de toutes les cellules nucléées détectées, y compris les mégacaryocytes, en seulement quelques secondes.
11. Examinez les résultats préliminaires et reclassifiez si nécessaire, soit directement sur l’analyseur, soit en utilisant un logiciel de revue à distance.
    REMARQUE : Le système offre une vue nette de la diapositive entière à un grossissement de 400× (imagerie de la diapositive complète) et affiche toutes les cellules nucléées et mégacaryocytes ; Les cellules nucléées (et éventuellement des mégacaryocytes) sont capturées à un grossissement de 1000× à l’aide d’un objectif d’immersion. Le temps moyen pour un examen complet d’un frottis normocellulaire est de <10 minutes par diapositive. Pour les frottis hypocellulaires, le temps de balayage est de >20 minutes par lame.
12. En cas de classification incorrecte, réassignez la cellule à la bonne catégorie en faisant glisser son image avec la souris.
    REMARQUE : Pour un exemple de mauvaise classification des cellules BM, voir Figure 3. Dans les cas de classifications cellulaires ambiguës ou limites, une double lecture est nécessaire. Pour les cellules de classifications différentes, un consensus entre observateurs doit être atteint. Toute reclassification manuelle par l’opérateur ou le pathologiste doit être enregistrée avec l’identifiant utilisateur et l’horodatage.
13. Ajoutez des commentaires et des descriptions cytomorphologiques manuellement ou en sélectionnant parmi des options de texte prédéfinies.
14. Complétez le rapport préliminaire.
15. Confirmez le résultat final, qui est ensuite automatiquement envoyé au système d’information du laboratoire.
    REMARQUE : Le résultat final est exporté sous forme de décompte différentiel numérique (myélogramme) accompagné de commentaires supplémentaires et d’une description cytomorphologique.
16. Déconnectez-vous et éteignez l’analyseur.
    REMARQUE : Un comptage de 500 cellules est appliqué pour chaque échantillon de l’ICSH, conformément aux recommandations¹⁷ de l’ICSH.
    Les catégories de classification (classes) incluent proérythroblaste, érythroblaste précoce (y compris mégaloblastique), érythroblaste intermédiaire (y compris mégaloblastique), érythroblaste tardif (y compris mégaloblastique), myéloblaste, promyélocyte, myélocyte neutrophile, métamyélocyte neutrophile, neutrophile bande, neutrophile segmenté, myélocyte éosinophile, métamyélocyte éosinophile, éosinophile bande, éosinophile segmenté, basophile, monoblaste, promonocyte, monocyte, lymphoblaste, prolymphocyte, mature lymphocytes (y compris atypiques et réactifs), plasmablaste, plasmocyte immature, plasmocyte, et autres (cellules floues, histiocytes, phagocytes, mastocytes et mitose).
    
    ATTENTION : Éliminer les déchets liquides, réactifs et consommables sous forme de déchets médicaux infectieux et/ou industriels conformément aux lois et réglementations locales. Si possible, utilisez un système central d’élimination des déchets.

Résultats

Étude de validation – méthodes
Dans cette étude de validation, nous reproduisons les résultats de nos travaux précédents publiés dans Clinical and^{Translational Medicine 2}. Une microscopie optique conventionnelle et une ADM ont été réalisées sur des frottis 328 BM. Les données d’analyse comprenaient des informations d’image pour toutes les cellules analysées et des résultats de classification, y compris des cas morphologiques rares et atypiques. Les cas ont été divisés en six groupes diagnostiques : néoplasies myélodysplasiques (MDN : 15 %), myélome multiple (MM : 14 %), néoplasies matures des lymphocytes B/T (lymphome B/T : 13 %), leucémie aiguë et leucémie myélomonocytaire chronique (AL+CMML : 9 %), néoplasies myéloprolifératives (MPN : 8 %) et hématopoïèse réactive (réactive : 41 %). Les capacités de reconnaissance (classification) des cellules ADM ont été évaluées en évaluant leur capacité à classer correctement les cellules dans l’une des 25 catégories, comparées à une annotation indépendante consensuelle d’experts avec une double lecture².

Chaque cas a été examiné par deux experts, avec une classification correspondante (annotation) dans >99 % des cellules. Les experts étaient très expérimentés, participant régulièrement à des évaluations de qualité externes réussies. Pour les cellules avec des classifications différentes (<1 %), un consensus entre observateurs a été atteint. Le principe de l’analyse de cohérence consistait à comparer la préclassification automatique de chaque cellule avec la classification finale experte de chaque cellule ; La classification consensuelle par experts a été considérée comme la véritable référence de classification (vérité de base)².

La cohérence des classifications cellulaires et cliniques a été évaluée, et des erreurs critiques ont été identifiées. La cohérence de la classification cellulaire a été déterminée à partir de la matrice de confusion, sur la base de l’accord de classification pour chaque type de cellule. Des méthodes statistiques standard et l’exploration visuelle des données ont été appliquées. Le coefficient de corrélation de Matthews (MCC) a été calculé pour chaque type de cellule et comme une valeur moyenne, et interprété de manière standard. Une valeur MCC de 0,400 et plus était considérée comme^{satisfaisante à 2,18}.

Pour chaque patient, la cohérence de la classification clinique a été déterminée comme le pourcentage d’éléments correctement préclassés parmi toutes les cellules évaluées dans le cas, après élimination des cellules non classifiables. La classification des experts était considérée comme la véritable référence (vérité de base)².

Les erreurs de classification sont considérées comme sans importance lorsqu’elles sont neutres sur le plan diagnostique et n’affectent pas le diagnostic final. Cela inclut les classifications réciproques erronées entre lymphoblaste, myéloblaste et monoblaste ; promyélocyte/myélocyte neutrophile, éosinophilique et basophile ; myélocytes/métamyélocytes ; métamyélocyte/bande ; neutrophile bande/segmenté ; proérythroblaste/érythroblaste précoce ; érythroblaste précoce/intermédiaire et intermédiaire/tardif ; promonocyte/monocyte ; prolymphocytes/lymphocytes ; plasmablast/plasma immature ; et plasmocytes immatures/plasmocytes matures. Toutes les autres classifications erronées sont considérées comme pertinentes, car elles sont diagnostiquement inacceptables et peuvent entraîner de graves conséquences cliniques (Figure 4)².

La cohérence globale de la classification clinique a été calculée comme la médiane des valeurs individuelles des cas, en ne prenant en compte que les classifications erronées des cellules pertinentes. La mauvaise classification critique a été définie comme un cas où la valeur de cohérence individuelle de la classification clinique était inférieure à 80 %. Cette limite arbitraire a été fixée par consensus d’experts, en tenant compte des exigences minimales d’évaluation externe de la qualité lors des^{cycles de cytomorphologie 2}.

Les différences clés spécifiques à chaque plateforme incluent un flux de travail BM en deux étapes (objectif de 40× et 100×), l’absence de complexité supplémentaire du protocole PB, des cibles distinctes de nombre de cellules (100 cellules dans PB, 500 cellules dans BM), et des catégories de classification variables. Le déterminant commun le plus critique de la comparabilité inter-plateformes et entre types d’échantillons est la procédure de préparation du frottis.

Les indicateurs quantitatifs de performance rapportés sont clairement liés à la cohorte de validation décrite dans les Méthodes (n = 328 frottis BM). Le pourcentage de cellules pertinentes correctement classifiées parmi toutes les cellules classifiées (cohérence de classification cellulaire) était de 95,4 %. Les valeurs de corrélation satisfaisantes, telles qu’indiquées par le MCC, étaient de ≥0,400 pour 22 des 25 (88,0 %) types cellulaires, tandis que des valeurs insatisfaisantes du MCC (<0,400) ont été observées pour 3 des 25 (12,0 %) types cellulaires (lymphoblastes, prolymphocytes et promonocytes). La cohérence clinique globale pertinente était de 97,1 % (médiane), avec 94,5 % des cas présentant des taux de régularité entre 80 % et 100 %. Chez 5,5 % des patients, une classification critique erronée a été observée, avec des valeurs de cohérence clinique pertinentes allant de 36 % à 79 %, en raison de l’incapacité à reconnaître les cellules^{néoplasiques 2}.

La mauvaise classification cellulaire compromet la fiabilité de la DMA dans l’analyse BM et représente une limitation majeure de la méthode en hémato-oncologie diagnostique (Tableau 1). Dans les cas impliquant une mauvaise classification pertinente, la morphologie des cellules correctement et incorrectement classées a été examinée. Les cellules correctement classées présentent généralement des caractéristiques cytomorphologiques typiques. En revanche, les erreurs de classification se produisent le plus souvent lorsqu’on distingue entre des cellules morphologiquement similaires ou atypiques, en particulier les lymphocytes atypiques et les blastocystes ; myéloblastes et lymphocytes ; lymphoblastes et lymphocytes ; monoblastes ou promonocytes et promyélocytes ; et des plasmocytes immatures et des blasts. Les cellules mal classées présentent fréquemment une cytomorphologie atypique. Dans les néoplasmes lymphocytaires, les lymphocytes néoplasiques mal classés, comme ceux observés dans les lymphomes de zone marginale et la leucémie à cellules poilues, tendent à être de taille moyenne, avec une abondance de cytoplasmes basophiles ou pâles, des projections cytoplasmiques et une chromatine plus fine avec un nucléole. Ces caractéristiques diffèrent de celles des cellules néoplasiques correctement classées. Dans le lymphome à cellules du manteau, les lymphocytes atypiques peuvent présenter une apparence blastoïde, augmentant le risque d’erreur de classification. De même, dans la variante pléomorphe de la leucémie lymphocytaire chronique, les lymphocytes néoplasiques peuvent être confondus avec des blasts. Nous démontrons des exemples qualitatifs représentatifs dans les figures 4 et 5.

Dans la leucémie aiguë et la leucémie myélomonocytaire chronique (CMML), les lymphoblastes et myéloblastes mal classés sont petits, avec un rapport nucléaire/cytoplasmique élevé, une chromatine plus grossière et des nucléoles plus grossiers. De nombreux monoblastes granulaires peuvent être mal classés comme promyélocytes. Dans la CMML, la mauvaise classification est fréquemment associée à des cellules monocytaires dysplasiques. Dans le myélome multiple, des erreurs de classification se produisent au sein de la lignée des plasmocytes, notamment impliquant les plasmablastes et les plasmocytes immatures. Nous démontrons des exemples qualitatifs représentatifs à la Figure 5.

Les erreurs critiques de classification des lymphocytes néoplasiques, des petits lymphoblastes/myéloblastes, des monoblastes granulaires, des promonocytes et monocytes dysplasiques, des plasmablastes et des plasmocytes immatures — qui peuvent tous présenter une morphologie atypique — présentent un risque de diagnostic erroné. Confondre un lymphome avec une leucémie aiguë et inversement peut entraîner des conséquences graves, voire fatales, pour la prise en charge du patient. Des résultats faux négatifs, tels que l’incapacité à reconnaître la leucémie myéloïde aiguë (en particulier la leucémie promyélocytique aiguë) ou un diagnostic erroné de CMML ou de myélome multiple, peuvent potentiellement conduire à des décisions de traitement inappropriées ou à des retards dans le traitement.

Figure 1. Coloreur automatisé, icônes d’écran d’accueil. Avec l’aimable autorisation de Sysmex ; Documents d’information du fabricant (manuel d’opération de base). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2. Erreurs de classification des globules blancs du PB. Dans les captures d’écran du logiciel, les cellules mal classées sont mises en évidence dans des cases rouges. Dans l’infection par EBV, les lymphocytes réactifs ont été mal classés comme monocytes (A, boîte rouge). Dans la leucémie lymphocytaire chronique, certains lymphocytes ont été mal classés comme blastocystes (B, boîte rouge). Dans la CMML, les monocytes dysplasiques ont été mal classés comme neutrophiles segmentés (C, boîte rouge), et un monoblaste a été mal classé comme un myélocyte dysplasique (D, boîte rouge). PB, CellaVision DC-1, Logiciel de revue, coloration automatisée May–Grünwald et Giemsa–Romanowski avec le coloreur Sysmex SP-50, grossissement 1000×, expert : technicien certifié. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3. Mauvaise classification des lymphocytes néoplasiques chez la smo. Capture d’écran du logiciel. Les lymphocytes néoplasiques dans les lymphomes à cellules B de haut grade chez la sémite ont été mal classés comme myéloblastes. La classification alternative proposée avec les cinq options les plus probables (la « liste des cinq meilleures »), incluant les probabilités en pourcentage, est marquée par une flèche jaune. Pour la cellule de la boîte jaune, l’étiquette indique les probabilités en pourcentage pour les myéloblastes, monoblastes, lymphoblastes, proérythroblastes et érythroblastes précoces, sans option pour les lymphocytes. BM, Morphogo, Review Software, coloration automatisée May–Grünwald et Giemsa–Romanowski avec le coloreur Sysmex SP-50, grossissement 1000×, expert : scientifique certifié, médecin certifié. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 4. Erreurs de classification cellulaire non pertinentes et pertinentes. (A) Des exemples de mauvaises classifications non pertinentes dans les lignées myéloïdes et érythroïdes sont présentés dans une comparaison entre la classification des experts et la pré-classification ADM. (B) Des exemples de mauvaises classifications pertinentes dans les lignées lymphoïdes, plasmocytiques et monocytaires sont présentés dans une comparaison entre la classification experte et la pré-classification ADM. La catégorisation de certains éléments était difficile, même pour un expert. Des images cellulaires ont été extraites du logiciel. BM, Morphogo, Review Software, coloration automatisée May–Grünwald et Giemsa–Romanowski avec le coloreur Sysmex SP-50, grossissement 1000×, expert : scientifique certifié, médecin certifié. Une barre d’échelle a été ajoutée à chaque cellule. Les barres d’échelle représentent 10 μm. Calibration basée sur la caméra ToupCam (taille de pixel de 1,85 μm) avec un objectif Olympus Plan N de 100 ×.
Modifié à partir de : Matériel complémentaire, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. L’utilité de la cytomorphologie numérique automatisée assistée par intelligence artificielle pour l’analyse de la moelle osseuse en hémato-oncologie diagnostique. Clin Transl Med. 2025 ; 15 :e70364. https://doi.org/10.1002/ctm2.70364. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 5. Exemples représentatifs des classifications les plus fréquentes des cellules BM chez les patients présentant des néoplasies hématologiques. Des lymphocytes néoplasiques mal classés, myéloblastes, lymphoblastes, monoblastes et plasmocytes sont présents dans certains cas de lymphome de zone marginale (MZL), lymphome à cellules du manteau (MCL), leucémie à cellules poilues (HCL), leucémie lymphocytaire chronique (LLC), leucémie myéloïde aiguë (LMA), leucémie lymphoblastique T aiguë (L-T) et myélome multiple (MM). La mauvaise classification des lymphocytes/blastocystes atypiques était l’erreur la plus fréquente. Les principales caractéristiques cytomorphologiques des lymphocytes néoplasiques mal classés comprenaient une chromatine de taille moyenne, plus fine (flèches rouges), des nucléoles (flèches bleues), une abondance de cytoplasme basophile ou pâle avec des projections (flèches vertes) et une apparence blastoïde (flèche orange). Les lymphoblastes et myéloblastes mal classés étaient petits, avec un rapport nucléaire/cytoplasmique élevé et une chromatine plus grossière avec des nucléoles (flèches grises). Les plasmablastes et les plasmocytes immatures ont été mal classés comme lymphocytes ou n’ont pas été reconnus comme appartenant à la lignée des plasmocytes (classés comme « blast, non spécifiés »). Des images cellulaires ont été extraites du logiciel. Logiciel de revue BM Morphogo, coloration automatisée May–Grünwald et Giemsa–Romanowski avec le coloreur Sysmex SP-50, grossissement 1000×, expert : scientifique certifié, médecin certifié. Une barre d’échelle a été ajoutée à chaque cellule. Les barres d’échelle représentent 10 μm. Calibration basée sur la caméra ToupCam (taille de pixel de 1,85 μm) avec un objectif Olympus Plan N de 100 ×.
L’image a été modifiée à partir de : Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. L’utilité de la cytomorphologie numérique automatisée assistée par intelligence artificielle pour l’analyse de la moelle osseuse en hémato-oncologie diagnostique. Clin Transl Med. 2025 ; 15 :e70364. https://doi.org/10.1002/ctm2.70364. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Diagnostic	Nombre d’affaires	Cellules mal classées
		Classification des experts	Classification ADM
Néoplasies matures des cellules B	9/43
Lymphome de la zone marginale	4/8	Lymphocytes atypiques	Explosion, NOC
Lymphome à cellules du manteau	2/5	Lymphocytes atypiques	Explosion, NOC
CLL	1/14	Lymphocytes atypiques	Explosion, NOC
Leucémie à cellules poilues	2/2	Lymphocytes atypiques	Explosion, NOC / Monocyte
Myélome multiple	5/46	Cellule plasmatique	Explosion, NOC
LMA	3/16	Myéloblaste / Monoblaste	Lymphocytes / Promyélocytes
T-ALL	1/1	Lymphoblaste	Lymphocytes

Tableau 1 : Erreurs critiques de classification par ADM. Chez 18 sur 328 (5,5 %) des patients, une mauvaise classification critique a été observée. Le groupe clinique des mauvaises classifications critiques par l’ADM comprenait neuf patients sur 43 présentant des néoplasies matures de cellules B, cinq sur 46 patients atteints de MM, trois patients sur 16 atteints de LMA, et un (sur un) patient atteint de LLA. La mauvaise classification des lymphocytes/blastocystes atypiques était la plus fréquente. NOC : non, autre classification classifiée. 
Reproduit de : Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. L’utilité de la cytomorphologie numérique automatisée assistée par intelligence artificielle pour l’analyse de la moelle osseuse en hémato-oncologie diagnostique. Clin Transl Med. 2025 ; 15 :e70364. https://doi.org/10.1002/ctm2.70364.

Discussion

Les avancées technologiques dans le traitement d’images haute résolution, la classification numérique automatisée des images et la prise de décision soutenue par l’IA utilisant des réseaux de neurones convolutionnels ont permis des améliorations substantielles dans l’ADM. En conséquence, l’ADM complète la microscopie optique standard. L’identification correcte des catégories cytomorphologiques individuelles peut être difficile, en particulier parmi des groupes de classification étroitement apparentés qui partagent les similitudes^{morphologiques} 2,11,12,14,15,19,20. Comme les résultats des experts sont toujours influencés par un certain degré de subjectivité, ils peuvent ne pas être considérés comme définitifs ou comme les seuls résultats corrects possibles — notamment dans les cas de classification cellulaire limite ou ambiguë (par exemple, éléments dysplasiques ou très atypiques⁾². Ces schémas de mauvaise classification ont été rapportés dans PB, montrant des performances plus fortes pour les types cellulaires courants mais une cohérence de classification plus faible pour certains sous-ensembles cliniquement importants, y compris les^{blastoblasts 12, 15, 19, 20}. Cela peut avoir un impact significatif sur le diagnostic cytomorphologique de la PB et de la BM.

Comparé à PB, seules quelques études se sont concentrées sur la précision de classification de l’ADM dans l’analyse^BM 2,20,21,22,23. Dans une étude chinoise sur la classification ADM, la cohérence a atteint 99 %, la plupart des types de cellules BM montrant une corrélation extrêmement élevée avec les compétences^{hématopathologiques 21}. Cependant, la proportion de cancers hématologiques dans la cohorte de l’étude était inférieure à 30 ^%21. D’autres études comparatives évaluant la performance entre les systèmes automatisés de frottis PB et BM ainsi que l’analyse manuelle ont été menées dans des essais^{multicentriques 22,23}. Dans une comparaison récente, 795 échantillons de BM provenant de patients atteints de néoplasie et d’autres affections cliniques ont été analysés, atteignant un accord global de 91,1 % avec la microscopie^{optique 23}.

Une étude portant sur une cohorte réelle de patients d’ascendance européenne, présentant 59 % de conditions néoplasiques, a comparé l’ADM pilotée par l’IA à la microscopie optique experte dans six groupes^{diagnostiques 2}. Les erreurs critiques de classification des cellules néoplasiques à morphologie atypique présentaient un potentiel de diagnostic^{erroné 2}. Par conséquent, cette étude a identifié des types cellulaires candidats pour l’entraînement et les tests futurs de la performance de l’IA². Cependant, cette étude présentait plusieurs limites. Premièrement, l’étude comprenait un nombre limité de patients et de documents archivés, et certains troubles rares de la défection étaient absents, y compris des échantillons pédiatriques. Deuxièmement, la cytomorphologie de certaines cellules néoplasiques était très anormale, avec un consensus discutable dans la classification même parmi des experts expérimentés. Troisièmement, seuls des échantillons d’ascendance européenne ont été analysés. Quatrièmement, aucune validation externe des classifications erronées pertinentes et non pertinentes n’a été^{effectuée 2}.

Les mauvaises classifications cellulaires représentent la principale limitation de l’ADM en hémato-oncologie^{diagnostique 2}. Il existe plusieurs raisons à une mauvaise classification. En plus du chevauchement cytomorphologique, les facteurs contributifs incluent probablement la rareté de certaines affections et la variabilité du consensus des experts concernant les types cellulaires. Cela peut entraîner des annotations incohérentes et des lacunes dans les données d’entraînement. La détection des modifications dysplasiques de l’hématopoïèse est peu fiable, tout comme l’évaluation détaillée de la cytomorphologie des^{mégacaryocytes 2}. Bien que les effets indésirables soient en grande partie atténués par une supervision d’experts obligatoire, des limites subsistent quant à la fiabilité absolue de la DMA, en particulier dans les leucémies, les lymphomes et le myélome^{multiple 2}. Une annotation experte correcte des cellules pour l’entraînement de l’IA est une condition essentielle pour la performance ADM. Un étiquetage précis des données est fondamental pour construire des ensembles de données fiables et fiables. En cytomorphologie, définir la vérité fondamentale peut être particulièrement difficile dans les cas ambigus ou limites, car un certain degré de subjectivité persiste même parmi des experts expérimentés et largement reconnus. Lorsque les avis d’experts diffèrent, la vérité fondamentale peut être établie par consensus ou accord majoritaire entre deux ou plusieurs évaluateurs indépendants d’expertise comparable, en particulier lorsque les jugements diagnostiques sont décomposés en composantes^{distinctes 2}. L’affinement des capacités de classification axées sur des types spécifiques de cellules candidates est essentiel. Il inclut un réentraînement ciblé sur des types cellulaires difficiles, des stratégies de classification hiérarchique ou l’intégration de données multimodales pour améliorer la discrimination entre des cellules morphologiquement similaires. Des ensembles de données d’entraînement étendus, divers et bien annotés, en particulier chez les néoplasies hématolymphoïdes, doivent inclure une représentation suffisante de la morphologie atypique, des entités rares, des cas limites et des cellules diagnostiquement ambiguës.

Concernant les étapes critiques du protocole et le dépannage, les frottements de PB doivent être effectués dans les deux heures suivant la collecte ; l’aspiration de la mère biologique doit être diffusée immédiatement dès la première extraction. Un protocole de coloration automatisé et validé, strictement cohérent entre les lots, est requis. Une monocouche bien définie et sans artefacts est obligatoire. Un scanner prolongé est nécessaire pour les échantillons de PB leucopénique et les frottis de sac hypocellulaires. Une huile d’immersion épuisée ou des fines taches déclenchent une défaillance de l’autofocus et une analyse d’abandon. Aucun des deux systèmes n’est approuvé pour le reporting autonome, et une inspection par galerie d’images individuelles est obligatoire. La validation clinique locale est obligatoire avant le déploiement ; La responsabilité diagnostique et légale totale incombe au morphologue signalant.

Une validation rigoureuse future multi-institutionnelle dans différents contextes cliniques est essentielle pour la généralisabilité du modèle et la performance prédictive. Une approche basée sur l’IA pour la cytomorphologie des mégacaryocytes pourrait affiner davantage le diagnostic intégré des néoplasmes myéloprolifératives et myélodysplasiques 24,25,26. Un écart important subsiste également dans le développement d’une reconnaissance fiable soutenue par l’IA des changements dysplasiques spécifiques à la^{lignée 2,27}. Pour l’optimisation du modèle, des techniques innovantes telles que l’ajustement des hyperparamètres, la régularisation, l’apprentissage d’ensembles et l’augmentation des données peuvent contribuer à améliorer la robustesse et la fiabilité de la classification 28,29,30. En particulier, les stratégies d’augmentation des données – allant des transformations géométriques^30,31 à la génération d’images d’entraînement synthétiques utilisant l’IA^{générative 32,33} – se sont récemment imposées comme des approches prometteuses pour élargir les ensembles de données limités et corriger le déséquilibre de classes dans la classification des cellules BM. Le niveau d’éducation et l’expérience à long terme du personnel de laboratoire sont essentiels pour l’évaluation et la prise de décision dans les cas cytomorphologiques difficiles. Former la prochaine génération de cytomorphologistes dans le contexte de la numérisation continue représente un défi éducatif. D’une part, ADM offre un potentiel éducatif énorme ; d’autre part, il comporte le risque que des opérateurs moins expérimentés surestiment ses capacités.

Malgré le potentiel diagnostique prometteur des systèmes ADM, plusieurs limitations critiques et défis de mise en œuvre doivent être reconnus. Une préoccupation fondamentale concerne le biais dans les données d’entraînement : la plupart des plateformes ADM commercialement disponibles, y compris celles évaluées dans la présente étude, ont été développées à partir de jeux de données dérivés principalement de régions géographiques spécifiques, de protocoles de coloration et de populations de patients, ce qui peut limiter leur généralisation à des cohortes plus diversifiées ethniquement et cliniquement ou à des laboratoires employant des techniques de préparation différentes. Tout aussi important est la question de la transparence dans la prise de décision en matière d’IA. Les systèmes ADM actuels fonctionnent en grande partie comme des modèles en boîte noire, ce qui entrave la capacité des cliniciens à évaluer de manière critique les affectations cellulaires individuelles. Cela est directement lié à la question de la responsabilité clinique, alors que les cadres réglementaires pour les diagnostics assistés par IA continuent d’évoluer. L’intégration pratique de l’ADM dans les flux de travail diagnostiques standards présente d’importants obstacles organisationnels et techniques, notamment la nécessité d’une infrastructure de numérisation de diapositives de haute qualité, de formation du personnel, de validation par rapport aux normes locales de référence, et l’établissement de protocoles de contrôle qualité pour surveiller la performance du système au fil du temps. Ainsi, un affinement et une exploration par des experts du plein potentiel de l’ADM dans l’évaluation du PB et du BM continueront d’améliorer son utilité en tant qu’outil de soutien dans la pratique quotidienne en laboratoire.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
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	Composant de la coloration panoptique pour les frottis de sang périphérique et de moelle osseuse
Immersion Oil (CellaVision Immersion Oil 50 mL)	CellaVision AB, Lund, Sweden	XU-10319	Huile d'immersion
May-Grünwald for SP Automated Systems	RAL Diagnostics, Martillac, France	750105X2500	Composant de la coloration panoptique pour les frottis de sang périphérique et de moelle osseuse
Morphogo Bone Marrow Analyzer	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Analyseur automatique de morphologie de la moelle osseuse numérique
Morphogo Review Software	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Version 1.0.6	Logiciel d'examen de la moelle osseuse
pH 7.0 Buffer Solution for SP Automated Systems	RAL Diagnostics, Martillac, France	750505X5000	Solution tampon
QR scanner for CellaVision DC-1	Datalogic Gryphon	GD 4500	Scanner QR
RAL Cleaning solution	RAL Diagnostics, Martillac, France	750725X5000	Solution de nettoyage
S-Monovette K3 EDTA tube	Sarstedt	05.1167.001	Tube pour SP-50
SP-Rinse Solution	RAL Diagnostics, Martillac, France	37000305	Solution de rinçage
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	Diapositives pour les frottis de sang périphérique et de moelle osseuse
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	Diapositives pour le QC
SP Spreader glass	Sysmex Corporation, Kobe, Japan	95102918	Verre pour l'étalement du frottis
Tube rack for Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Porte-tubes