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>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>바코드 스캐너</td></tr><tr><td>CellaVision DC-1</td><td>CellaVision AB, Lund, Sweden</td><td>PM-10895-15</td><td>자동 디지털 형태 분석기</td></tr><tr><td>CellaVision DM Software</td><td>CellaVision AB, Lund, Sweden</td><td>버전 7.1.1 빌드 8</td><td></td></tr><tr><td>Giemsa Solution for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750305X1000</td><td>말초혈액 및 골수 도말을 위한 파노프틱 염색의 구성 요소</td></tr><tr><td>Immersion Oil (CellaVision Immersion Oil 50 mL)</td><td>CellaVision AB, Lund, Sweden</td><td>XU-10319</td><td>몰입 오일</td></tr><tr><td>May-Gr&uuml;nwald for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750105X2500</td><td>말초혈액 및 골수 도말을 위한 파노프틱 염색의 구성 요소</td></tr><tr><td>Morphogo Bone Marrow Analyzer</td><td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td><td>N/A</td><td>자동 디지털 골수 형태 분석기</td></tr><tr><td>Morphogo Review Software</td><td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td><td>버전 1.0.6</td><td>골수 검토 소프트웨어</td></tr><tr><td>pH 7.0 Buffer Solution for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750505X5000</td><td>버퍼 솔루션</td></tr><tr><td>QR scanner for CellaVision DC-1</td><td>Datalogic Gryphon</td><td>GD 4500</td><td>QR 스캐너</td></tr><tr><td>RAL Cleaning solution</td><td>RAL Diagnostics, Martillac, France</td><td>750725X5000</td><td>세정 용액</td></tr><tr><td>S-Monovette K3 EDTA tube</td><td>Sarstedt</td><td>05.1167.001</td><td>SP-50용 튜브</td></tr><tr><td>SP-Rinse Solution</td><td>RAL Diagnostics, Martillac, France</td><td>37000305</td><td>세척 용액</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>말초혈액 및 골수 도말용 슬라이드</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>QC용 슬라이드</td></tr><tr><td>SP Spreader glass</td><td>Sysmex Corporation, Kobe, Japan</td><td>95102918</td><td>도말 퍼트리기용 유리</td></tr><tr><td>Tube rack for Sysmex SP-50</td><td>Sysmex Corporation, Kobe, Japan</td><td>AU330213</td><td>튜브 랙</td></tr></tbody></table>
```

중요한 세포 잘못분류를 고려한 자동화된 디지털 말초 혈액 및 골수 세포형태학 워크플로우

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

연구

JoVE Journal

Medicine

의학

이 비디오는 장골 척추에서 골수를 흡인하는 기술과 생검을 위한 도말 준비에 대해 설명합니다. 이 예에서는 급성 골수성 백혈병(AML) 환자의 골수 흡인을 수행하고 세포를 검사하여 중요한 예후 바이오마커인 측정 가능한 잔류 질환(MRD)을 확인합니다.

골수 흡인: 세포 형태를 검사하기 위해 골수를 얻는 방법

골수의 조직학적 데이터를 정량적으로 분석하는 전략을 제시합니다. 조직 절편에서 형광 표지된 세포에 대한 컨포칼 현미경 검사는 자동으로 분석되는 2차원 이미지를 생성합니다. 다양한 세포 유형의 공동 국소화 분석을 시뮬레이션된 이미지의 데이터와 비교하여 세포 상호 작용에 대한 정량적 정보를 제공합니다.

조혈 세포의 자동화 된 정량화 - Undecalcified 뼈의 조직 학적 이미지에서 기질 세포 상호 작용

또는 측정 최소 잔여 질병 (MRD)의 위험 평가 정제 하 고 급성 골수성 백혈병 (AML)에서 재발 예측에 대 한 중요 한 예 후 바이오 마커 이다. 이러한 포괄적인 지침과 일관 되 고 정확한 식별 및 MRD의 검출을 위한 모범 사례 권장 사항을 효과적인 AML 치료 결정에 도움이 수 있습니다.

샘플을 측정 하는 측정 가능한 잔여 질환과 급성 골수성 백혈병에 Leukemic 줄기 세포에 대 한 프로세스 골 포괄적인 프로토콜

MDS 진단 기준 형태학 또는 비 유익한 세포 유전학의 부재에 어렵습니다. MFC는 MDS 진단 과정을 구체화 도움이 될. 임상 연습에 유용 될, MFC 분석 기반으로 해야 합니다 매개 변수 충분 한 특이성 및 감도, 그리고 데이터 다른 연산자 사이 재현 되어야 합니다.

데이터베이스 가이드-cytometry 골 골수성 세포 성숙의 평가 위한

우리는 유전자 조작된 조 혈 모 세포의 악성 잠재력을 평가 하기 위해 조 혈 모 세포 이식 (HSCT)의 사용을 설명 합니다. HSCT 소설 치료를 평가 하 형성 증후군 (MDS) 또는 백혈병 생쥐의 대형 코 호트 생성 뿐만 아니라 다양 한 악성 조 혈 모 세포에 vivo에서 평가 대 한 유용 합니다.

조 혈 줄기 세포 이식 Myelodysplastic 증후군의 평가에 사용

여기서, 우리는 호중구 계보 세포의 고차원 질량 세포측정 (비행 시간, CyTOF에 의한 세포 측정) 분석을 위해 마우스 또는 인간으로부터 분리 된 신선한 골수 (BM)를 처리하는 프로토콜을 제시한다.

호중구 계보 세포의 질량 세포 분석 분석을위한 전체 골수의 준비

여기에서 우리는 쥐 골수 세포를 표현형 조혈 줄기 및 전구 세포와 함께 지지하는 틈새 내피 및 중간엽 줄기 세포로 분리 및 염색하기 위한 간단한 프로토콜을 설명합니다. 내골 및 중앙 골수 영역에 위치한 세포를 풍부하게 하는 방법도 포함됩니다.

쥐 골수, 조혈 줄기 및 전구 세포, 기질 틈새 세포의 유세포 분석

single-cell/single-nuclei transcriptomics 및 multi-omics의 성공은 세포/핵의 품질에 크게 좌우됩니다. 따라서 조직에서 세포/핵을 분리하고 정제하는 것은 고도로 표준화되어야 합니다. 이 프로토콜은 다운스트림 단일 핵 다중체 분석을 위해 뇌와 골수에서 핵을 준비하는 방법을 설명합니다.

단일 핵 멀티옴 분석을 위한 고품질 뇌 및 골수 핵 준비

여기에서는 인류 세포 분석 기반 방법을 사용하여 마우스에 이종 이식하고 골수 흡인에서 얻은 급성 인간 골수성 백혈병 세포에서 mTORC1, JAK/STAT5 및 MAPK 경로의 다운스트림 신호를 분석합니다. p-STAT5, p-4EBP1, p-RPS6 및 p-ERK1/2 수준은 고감도의 차세대 스펙트럼 유세포 분석기를 사용하여 동시에 측정됩니다.

급성 골수성 백혈병 환자 유래 이종이이식의 세포내 인류 세포분석

이 프로토콜은 환자의 골수 및 말초혈 단핵세포에서 유래한 인간 조혈 줄기세포 및 전구세포의 분화를 유도하는 절차를 설명합니다. 이 검사법은 적혈구 및 골수계통 확립을 지원하는 반고체 배양지를 사용하며, 전임상 약물 특성화를 위한 재현 가능한 집락 분류를 위한 표준화된 지표를 통합합니다.

환자 유래 골수 및 말초혈 단핵세포에 적용된 군집형성 단위 분석법

Moravian-Silesian Hospital Havirov.  말초 혈액과 골수의 자동화된 디지털 세포형태학 워크플로우를 설명합니다. 표준화된 도말 준비와 염색 후, 스캐너가 시체 이미지를 촬영합니다. AI 기반 소프트웨어는 핵화된 세포를 찾아내고 기록하며 예비 분류한 뒤 전문가의 검토를 진행합니다. 오진 가능성이 있는 중요한 세포 오분류에 초점을 맞추고 있습니다.

중요한 세포 잘못분류를 고려한 자동화된 디지털 말초 혈액 및 골수 세포형태학 워크플로우

더 많은 동영상 탐색