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

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

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

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

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

Recherche

JoVE Journal

Medicine

Médecine

Cette vidéo décrit la technique d’aspiration de la moelle osseuse à partir de la colonne iliaque et la préparation du frottis pour la biopsie. Dans l’exemple, nous effectuons une ponction de la moelle osseuse d’un patient atteint de leucémie myéloïde aiguë (LMA) et examinons les cellules pour vérifier la présence d’une maladie résiduelle mesurable (MRM), un biomarqueur pronostique important.

Aspiration de la moelle osseuse : une méthode pour obtenir de la moelle osseuse afin d’examiner la morphologie cellulaire

Une stratégie d’analyse quantitative des données histologiques dans la moelle osseuse est présentée. La microscopie confocale de cellules marquées par fluorescence dans des coupes de tissus permet d’obtenir des images en 2 dimensions, qui sont automatiquement analysées. Les analyses de co-localisation de différents types de cellules sont comparées aux données d’images simulées, ce qui donne des informations quantitatives sur les interactions cellulaires.

Automated quantification des cellules hématopoïétiques - Interactions cellulaires stromales dans les images histologiques de décalcifiées os

Détection de la maladie résiduelle minime ou mesurable (MRD) est un biomarqueur pronostique important pour affiner l’évaluation des risques et de prédire les rechutes dans la leucémie myéloïde aiguë (AML). Ces lignes directrices exhaustives et recommandations avec les meilleures pratiques d’identification cohérente et précise et de détection du MRD, peut aider à prendre des décisions de traitement efficaces AML.

Protocole complet d’échantillon et de la moelle osseuse processus pour mesurer la maladie résiduelle mesurable et des cellules souches leucémiques dans la leucémie myéloïde aiguë

Le diagnostic MDS est difficile en l’absence de critères morphologiques ou cytogénétique non informatif. MFC pourrait aider à affiner le processus de diagnostic de MDS. Pour devenir utile pour la pratique clinique, l’analyse MFC doit reposer sur des paramètres avec une spécificité et une sensibilité suffisante, et les données doivent être reproductibles entre les différents opérateurs.

Base de données guidée-cytométrie en flux pour l’évaluation de la Maturation des cellules myéloïdes médullaires

Les auteurs décrivent l’utilisation de greffe de cellules souches hématopoïétiques (CSH) pour évaluer le potentiel maligne de cellules hématopoïétiques génétiquement. TCSH est utile pour évaluer les diverses cellules hématopoïétiques malignes in vivo comme générant une grande cohorte de souris atteintes de leucémie ou de syndromes myélodysplasiques (SMD) afin d’évaluer de nouveaux traitements.

Utilisation de la greffe de cellules souches hématopoïétiques pour évaluer l’origine du Syndrome myélodysplasique

Ici, nous présentons un protocole pour traiter la moelle osseuse fraîche (BM) isolée de la souris ou de l'homme pour la cytométrie de masse de haute dimension (Cytométrie par Time-Of-Flight, CyTOF) analyse des cellules de neutrophile-lignée.

Préparation de la moelle osseuse entière pour l'analyse de la cytométrie de masse des cellules de lignée neutrophile

Ici, nous décrivons un protocole simple pour l’isolement et la coloration des cellules de moelle osseuse murine en cellules souches et progénitrices hématopoïétiques phénotypiques ainsi que les cellules souches endothéliales et mésenchymateuses de niche. Une méthode d’enrichissement des cellules situées dans les zones endostéales et centrales de la moelle osseuse est également incluse.

Analyse par cytométrie en flux de cellules souches et progénitrices hématopoïétiques de moelle osseuse murine et de cellules de niche stromale

Le succès de la transcriptomique unicellulaire/mononoyau et de la multi-omique dépend en grande partie de la qualité des cellules/noyaux. Par conséquent, l’isolement des cellules/noyaux des tissus et leur purification doivent être hautement standardisés. Ce protocole décrit la préparation des noyaux du cerveau et de la moelle osseuse pour l’essai multiome à noyau unique en aval.

Préparation de noyaux de cerveau et de moelle osseuse de haute qualité pour les dosages multiomes à noyau unique

Ici, une méthode basée sur la cytométrie phosphoflow est décrite pour analyser la signalisation en aval des voies mTORC1, JAK/STAT5 et MAPK dans des cellules de leucémie myéloïde humaine aiguë xénogreffées chez la souris et obtenues à partir d’aspirations de moelle osseuse. Les niveaux de p-STAT5, p-4EBP1, p-RPS6 et p-ERK1/2 sont mesurés simultanément à l’aide d’un cytomètre en flux spectral de nouvelle génération à haute sensibilité.

Cytométrie phosphoflow intracellulaire des xénogreffes dérivées de patients atteints de leucémie myéloïde aiguë

Ce protocole décrit une procédure permettant d’induire la différenciation des cellules souches et progénitrices hématopoïétiques humaines dérivées de la moelle osseuse du patient et des cellules mononucléaires du sang périphérique. Le test utilise un milieu de culture semi-solide soutenant l’engagement des lignées érythroïdes et myéloïdes et intègre des métriques standardisées pour la classification des colonies reproductibles pour la caractérisation préclinique des médicaments.

Test unitaire formant une colonie adapté pour les cellules mononucléaires de moelle osseuse et du sang périphérique dérivées du patient

Moravian-Silesian Hospital Havirov.  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 cla...

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

Explorer plus de vidéos