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>

```html
<table>
 <tbody>
 <tr>
 <td>Automated Hematology Slide Preparation Unit SP-50</td>
 <td>Sysmex Corporation, Kobe, Japan</td>
 <td>N/A</td>
 <td>自動スライド製造および染色装置</td>
 </tr>
 <tr>
 <td>Barcode scanner for Sysmex SP-50</td>
 <td>Datalogic Gryphon</td>
 <td>S/N: G21M20996</td>
 <td>バーコードスキャナー</td>
 </tr>
 <tr>
 <td>CellaVision DC-1</td>
 <td>CellaVision AB, Lund, Sweden</td>
 <td>PM-10895-15</td>
 <td>自動デジタル形態分析装置</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>末梢血および骨髄塗抹標本の全視性染色の成分</td>
 </tr>
 <tr>
 <td>Immersion Oil (CellaVision Immersion Oil 50 mL)</td>
 <td>CellaVision AB, Lund, Sweden</td>
 <td>XU-10319</td>
 <td>沐浴油</td>
 </tr>
 <tr>
 <td>May-Gr&uuml;nwald for SP Automated Systems</td>
 <td>RAL Diagnostics, Martillac, France</td>
 <td>750105X2500</td>
 <td>末梢血および骨髄塗抹標本の全視性染色の成分</td>
 </tr>
 <tr>
 <td>Morphogo Bone Marrow Analyzer</td>
 <td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td>
 <td>N/A</td>
 <td>自動デジタル骨髄形態分析装置</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>骨髄レビューソフトウェア</td>
 </tr>
 <tr>
 <td>pH 7.0 Buffer Solution for SP Automated Systems</td>
 <td>RAL Diagnostics, Martillac, France</td>
 <td>750505X5000</td>
 <td>緩衝液</td>
 </tr>
 <tr>
 <td>QR scanner for CellaVision DC-1</td>
 <td>Datalogic Gryphon</td>
 <td>GD 4500</td>
 <td>QRスキャナー</td>
 </tr>
 <tr>
 <td>RAL Cleaning solution</td>
 <td>RAL Diagnostics, Martillac, France</td>
 <td>750725X5000</td>
 <td>洗浄液</td>
 </tr>
 <tr>
 <td>S-Monovette K3 EDTA tube</td>
 <td>Sarstedt</td>
 <td>05.1167.001</td>
 <td>SP-50用チューブ</td>
 </tr>
 <tr>
 <td>SP-Rinse Solution</td>
 <td>RAL Diagnostics, Martillac, France</td>
 <td>37000305</td>
 <td>洗浄液</td>
 </tr>
 <tr>
 <td>SP Slides</td>
 <td>Sysmex Corporation, Kobe, Japan</td>
 <td>ZE 001906</td>
 <td>末梢血および骨髄塗抹標本用スライド</td>
 </tr>
 <tr>
 <td>SP Slides</td>
 <td>Sysmex Corporation, Kobe, Japan</td>
 <td>ZE 001906</td>
 <td>QC用スライド</td>
 </tr>
 <tr>
 <td>SP Spreader glass</td>
 <td>Sysmex Corporation, Kobe, Japan</td>
 <td>95102918</td>
 <td>塗抹用ガラス</td>
 </tr>
 <tr>
 <td>Tube rack for Sysmex SP-50</td>
 <td>Sysmex Corporation, Kobe, Japan</td>
 <td>AU330213</td>
 <td>チューブラック</td>
 </tr>
 </tbody>
</table>
```

重要な細胞誤分類を考慮した自動化されたデジタル末梢血液および骨髄細胞形態学のワークフロー

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

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

JoVE Journal

Medicine

医学

このビデオでは、腸骨脊椎から骨髄を吸引する技術と、生検のための塗抹標本の準備について説明しています。この例では、急性骨髄性白血病(AML)患者から骨髄穿刺を行い、細胞を調べて、重要な予後バイオマーカーである測定可能な残存病変(MRD)を確認します。...

骨髄穿刺:細胞形態を調べるための骨髄取得法

骨髄の組織学的データを定量的に分析する戦略が提示されます。組織切片中の蛍光標識細胞の共焦点顕微鏡検査により、2次元画像が得られ、自動的に解析されます。異なる細胞タイプの共局在解析をシミュレーション画像からのデータと比較し、細胞相互作用に関する定量的な情報を提供します。...

造血細胞の自動定量化 - 脱灰骨の組織学的画像における間質細胞の相互作用

最小限、または測定可能な残存病変 (MRD) の検出は、リスク アセスメントを精製急性骨髄性白血病 (AML) の再発を予測するための重要な予後バイオ マーカーです。これらの包括的なガイドラインと、MRD の一貫性と正確な同定と検出のためのベスト...

サンプルおよび測定可能な残存病変と急性骨髄性白血病の白血病幹細胞を測定するプロセス骨髄に対する包括的なプロトコル

MDS の診断は非有益な細胞遺伝学または形態学的条件の不在で難しいです。MFC では、MDS の診断プロセスを改良を助けることができます。臨床練習のために便利になる、MFC...

データベース ガイド-フローサイトメトリー評価骨髄骨髄細胞の成熟のため

我々 は遺伝子組み換えの造血細胞の悪性の可能性を評価するために造血幹細胞移植 (造血幹細胞移植) の使用について説明します。造血幹細胞移植、マウス骨髄異形成症候群 (MDS) や白血病の新規治療法を評価するための大規模コホートの生成し同様、生体内で様々...

骨髄異形成症候群の起源を評価するために造血幹細胞移植の使用

ここでは、好中球系統細胞の高次元質量細胞法(Time-Of-Flight、CyTOFによるサイトメトリー)分析のために、マウスまたはヒトから単離された新鮮な骨髄(BM)を処理するプロトコルを提示する。...

好中球系統細胞の質量細胞法解析に対する全骨髄の調製

ここでは、マウス骨髄細胞を表現型造血幹および前駆細胞に単離および染色するための簡単なプロトコルと、支持するニッチ内皮および間葉系幹細胞について説明します。内膜および中枢骨髄領域に位置する細胞を濃縮する方法も含まれる。...

マウス骨髄造血幹・前駆細胞および間質ニッチ細胞のフローサイトメトリー解析

単一細胞/単一核のトランスクリプトミクスおよびマルチオミクスの成功は、細胞/核の品質に大きく依存します。したがって、組織からの細胞/核の分離とその精製は高度に標準化されなければなりません。このプロトコルは下流の単一核のmultiomeの試金のための頭脳および骨髄からの核の準備を記述する。...

単一核マルチオームアッセイのための高品質脳および骨髄核調製(英語)

ここでは、マウスに異種移植され、骨髄穿刺から得られた急性ヒト骨髄性白血病細胞におけるmTORC1、JAK/STAT5、およびMAPK経路の下流のシグナル伝達を分析するためのリン酸化流サイトメトリーベースの方法について説明します。p-STAT5、p-4EBP1、p-RPS6、p-ERK1/2の各レベルを、高感度の次世代スペクトルフローサイトメーターを用いて同時に測定します。...

急性骨髄性白血病患者由来異種移植の細胞内リン酸化流サイトメトリー

このプロトコルは、患者の骨髄および末梢血単核細胞から由来するヒト造血幹細胞および前駆細胞の分化誘導手順を概説しています。このアッセイは半固体培養培地を用いて赤血球および骨髄系譜のコミットメントを支持し、前臨床薬物特性評価のための再現性コロニー分類の標準化された指標を取り入れています。...

患者由来の骨髄および末梢血単核細胞に適応したコロニー形成ユニットアッセイ

Moravian-Silesian Hospital Havirov.  末梢血液および骨髄の自動化デジタル細胞形態学のワークフローを説明しています。標準化された塗抹標本の準備と染色の後、スキャナーが標本画像を撮影します。AI搭載のソフトウェアが核細胞を特定し、記録し、予備的に分類し、その後専門家による審査を行います。焦点は誤診の可能性がある重大な細胞誤分類にあります?...

重要な細胞誤分類を考慮した自動化されたデジタル末梢血液および骨髄細胞形態学のワークフロー

さらに動画を探す