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>

flusso di lavoro per la citomorfologia digitale automatizzata del sangue periferico e del midollo osseo, tenendo conto delle critiche errate di classificazioni cellulari

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

Flusso di lavoro per la citomorfologia digitale automatizzata del sangue periferico e del midollo osseo, tenendo conto delle critiche errate di classificazioni cellulari

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

Ricerca

JoVE Journal

Medicine

Medicina

Questo video descrive la tecnica di aspirazione del midollo osseo dalla colonna vertebrale iliaca e la preparazione dello striscio per la biopsia. Nell'esempio, eseguiamo l'aspirazione del midollo osseo da un paziente con leucemia mieloide acuta (LMA) ed esaminiamo le cellule per verificare la presenza di malattia residua misurabile (MRD), un importante biomarcatore prognostico.

Aspirazione del midollo osseo: un metodo per ottenere il midollo osseo per esaminare la morfologia cellulare

Viene presentata una strategia per analizzare quantitativamente i dati istologici nel midollo osseo. La microscopia confocale di cellule marcate in fluorescenza in sezioni di tessuto produce immagini bidimensionali, che vengono analizzate automaticamente. Le analisi di co-localizzazione di diversi tipi di cellule vengono confrontate con i dati provenienti da immagini simulate, fornendo informazioni quantitative sulle interazioni cellulari.

Automated quantificazione di cellule ematopoietiche - Interazioni cellule stromali in istologici Immagini di Undecalcified Bone

Rilevazione della malattia residua minima o misurabile (MRD) è un biomarcatore prognostico importante per raffinazione di valutazione del rischio e la previsione di ricaduta in leucemia mieloide acuta (AML). Queste linee guida complete e consigli con le migliori pratiche di coerente e accurata individuazione e rilevazione del MRD, può essere di aiuto nel prendere le decisioni efficace trattamento di AML.

Protocollo completo del campione e del midollo osseo di processo per misurare la malattia residua misurabile e cellule staminali leucemiche nella leucemia mieloide acuta

La diagnosi MDS è difficile in assenza di criteri morfologici o citogenetica non informativo. MFC potrebbe contribuire ad affinare il processo diagnostico MDS. Per diventare utile per la pratica clinica, l'analisi MFC deve basarsi su parametri con sufficiente sensibilità e specificità, e i dati devono essere riproducibili tra operatori diversi.

Citometria di flusso di database-Guida per la valutazione della maturazione delle cellule mieloidi del midollo osseo

Descriviamo l'uso del trapianto di cellule staminali ematopoietiche (HSCT) per valutare il potenziale maligno delle cellule emopoietiche geneticamente. HSCT è utile per valutare varie cellule ematopoietiche maligne in vivo , nonché generando un'ampia coorte di topi con sindromi mielodisplastiche (MDS) o leucemia per valutare nuove terapie.

Uso del trapianto di cellule staminali ematopoietiche per valutare l'origine della sindrome Myelodysplastic

Qui, presentiamo un protocollo per elaborare il midollo osseo fresco (BM) isolato dal topo o dall'uomo per l'analisi di citometria di massa ad alta dimensione (Cytometria da Time-Of-Flight, CyTOF) delle cellule di filo neutrofilo.

Preparazione del midollo osseo intero per l'analisi della citometria di massa delle cellule di lignaggio neutrofilo

Qui, descriviamo un semplice protocollo per l'isolamento e la colorazione delle cellule del midollo osseo murino al fenotipo delle cellule staminali emopoietiche e progenitrici insieme alle cellule staminali endoteliali e mesenchimali di nicchia di supporto. È incluso anche un metodo per arricchire le cellule situate nelle aree endostali e centrali del midollo osseo.

Analisi citometrica a flusso di cellule staminali e progenitrici ematopoietiche del midollo osseo murino e cellule di nicchia stromale

Il successo della trascrittomica e della multiomica a singola cellula/singolo nucleo dipende in gran parte dalla qualità delle cellule/nuclei. Pertanto, l'isolamento di cellule/nuclei dai tessuti e la loro purificazione devono essere altamente standardizzati. Questo protocollo descrive la preparazione di nuclei dal cervello e dal midollo osseo per il test multioma a singolo nucleo a valle.

Preparazione di nuclei cerebrali e del midollo osseo di alta qualità per saggi multiomi a nucleo singolo

Qui, viene descritto un metodo basato sulla citometria a fosfoflusso per analizzare la segnalazione a valle delle vie mTORC1, JAK/STAT5 e MAPK in cellule di leucemia mieloide umana acuta xenotrapiantate in topi e ottenute da aspirati di midollo osseo. I livelli di p-STAT5, p-4EBP1, p-RPS6 e p-ERK1/2 vengono misurati simultaneamente utilizzando un citometro a flusso spettrale di nuova generazione ad alta sensibilità.

Citometria intracellulare a fosfoflusso di pazienti con leucemia mieloide acuta Xenotrapianti derivati da pazienti

Questo protocollo delinea una procedura per indurre la differenziazione delle cellule staminali e progenitrici ematopoietiche umane derivate dal midollo osseo del paziente e dalle cellule mononucleari del sangue periferico. Il test utilizza un mezzo di coltura semisolida che supporta l'impegno della linea eritroide e mieloide e incorpora metriche standardizzate per la classificazione delle colonie riproducibili per la caratterizzazione preclinica dei farmaci.

Test unitario formativo di colonie adattato per cellule mononucleari derivate dal paziente nel midollo osseo e nel sangue periferico

Moravian-Silesian Hospital Havirov.  Viene descritto il flusso di lavoro della citomorfologia digitale automatizzata del sangue periferico e del midollo osseo. Dopo la preparazione e la colorazione standardizzate dello smear, uno scanner cattura immagini dei campioni. Il software basato sull'IA individua, registra e classifica preliminarmente le cellule nucleate, seguito da una revisione degli esperti. L'attenzione è rivolta alle critiche errate classificazioni cellulari co...

Flusso di lavoro per la citomorfologia digitale automatizzata del sangue periferico e del midollo osseo, tenendo conto delle critiche errate di classificazioni cellulari

Esplora altri video