Workflow voor geautomatiseerde digitale perifere bloed- en beenmergcytomorfologie, met inachtneming van kritieke cellulaire misclassificaties

Samenvatting

De workflow van geautomatiseerde digitale cytomorfologie van perifere bloed en beenmerg wordt beschreven. Na gestandaardiseerde uitstrijkvoorbereiding en kleuring maakt een scanner monsterbeelden. AI-gestuurde software lokaliseert, registreert en classificeert voorlopig genucleeerde cellen, gevolgd door deskundige beoordeling. De focus ligt op kritieke cellulaire verkeerde classificaties met potentieel voor verkeerde diagnose.

Samenvatting

Groeiend bewijs ondersteunt het vermogen van AI-gestuurde geautomatiseerde digitale cytomorfologie (ADM) van perifeer bloed (PB) en beenmerg (BM) om deskundige besluitvorming te ondersteunen. De ADM-workflow voor PB- en BM-uitstrijkjes wordt beschreven. De kerncomponenten van ADM-technologie zijn precisiemechanica, geavanceerde beeldvormingssystemen, kunstmatige intelligentie (AI) en een gebruiksvriendelijke interface. Het proces begint met gestandaardiseerde uitstrijkvoorbereiding en kleuring met behulp van protocollen die zijn aangepast voor automatisering en digitalisering. Een geautomatiseerde microscoop uitgerust met een immersie-objectief en digitale camera maakt hoge-resolutiebeelden van het monster met meerdere vergrotingen. AI-gestuurde software lokaliseert, registreert en classificeert vervolgens nucleaire cellen, inclusief megakaryocyten indien van toepassing. Hierop volgt een verplichte deskundige beoordeling en, indien nodig, herclassificatie. Digitale afbeeldingen en rapporten worden vervolgens opgeslagen op een lokale server met hoge capaciteit. Belangrijke voordelen van ADM zijn onder andere verhoogde snelheid, efficiënt databeheer, educatieve ondersteuning, externe toegang voor evaluatie en consultatie, digitale archivering en multimodale data-integratie. De belangrijkste beperking van ADM is het risico op kritieke cellulaire misclassificatie, wat een grote klinische impact kan hebben. Irrelevante misclassificaties zijn acceptabel en diagnostisch neutraal, terwijl relevante verkeerde classificaties onacceptabel zijn en kunnen leiden tot ernstige diagnostische en klinische gevolgen. Kritieke verkeerde classificatie van neoplastische lymfocyten, kleine lymfoblasten/myeloblasten, granulaire monoblasten, dysplastische pronocyten en monocyten, plasmablasten en onrijpe plasmacellen—die allemaal atypische morfologie kunnen vertonen—brengt een risico op verkeerde diagnose met zich mee. Verdere verbeteringen zijn nodig om betrouwbare diagnostische prestaties te bereiken. Uitgebreide, hoogwaardige trainingsdata, gecombineerd met regelmatige validatie, zijn essentieel om ervoor te zorgen dat AI functioneert als een effectief ondersteunend hulpmiddel voor diagnostisch oordeel.

Inleiding

De juiste cytomorfologische beoordeling van perifere bloed (PB) en beenmerg (BM) uitstrijkjes blijft een hoeksteen van multidisciplinaire diagnostiek in de hemato-oncologie en beïnvloedt kritieke klinische beslissingspunten 1,2,3,4. Er is bewijs van aanzienlijke variabiliteit tussen experts en binnen experts in handmatige PB- en BM-uitstrijkjesanalyse, met nagevolglijke effecten op patiëntdiagnose 2,5,6,7,8,9. Recente ontwikkelingen in beeldanalyse, machine learning en computationele pathologie hebben geautomatiseerde beoordeling van PB- en BM-uitstrijkjes mogelijk gemaakt op een niveau dat kan aansluiten bij een expert cytomorfologische review 1,2,3,4,10,11,12,13,14 . Kunstmatige intelligentie (AI)-gedreven geautomatiseerde digitale cytomorfologie (ADM) van PB en BM kan arbeidsintensieve en tijdrovende optische microscopie en deskundige besluitvorming ondersteunen 1,2,3,4,11,12.

De kernelementen van ADM-technologie zijn gestandaardiseerde uitstrijkvoorbereiding en kleuring, een scanner met geavanceerde beeldvormingsmogelijkheden, AI en een efficiënte, gebruiksvriendelijke interface. De precisiemechanica van ADM werkt met micrometernauwkeurigheid en hoge snelheid, terwijl geavanceerde beeldoplossingen een hoge beeldkwaliteit^garanderen. Een gebruiksvriendelijke interface maakt deze geavanceerde technologie op een intuïtieve en gestroomlijnde manier toegankelijk¹⁴.

ADM wordt al lange tijd gebruikt voor PB-beoordelingen, waar het sterk ontwikkeld is en een integraal onderdeel is geworden van standaard laboratoriumworkflows. Bij BM-beoordelingen brengt ADM echter uitdagingen met zich mee vanwege complexe en ingewikkelde cytomorfologische patronen, een hoog aantal verschillende celtypen en de morfologische gelijkenis van precursorcellen². De AI-classificatiemogelijkheid is gebaseerd op training met grote, uitgebreide beelddatasets die tot enkele miljoenen cellen bevatten. Alle cellen die in deze trainingsdatasets zijn opgenomen, worden beoordeeld en geannoteerd door experts. Deze deskundige input, naast andere factoren, heeft een directe invloed op de kwaliteit van classificaties.

Desalniettemin blijven bepaalde PB- en BM-cellen bijzonder moeilijk te classificeren voor ADM, wat een significante invloed kan hebben op cytomorfologische diagnose ^2,12,15. Kritieke cellulaire misclassificaties blijven de belangrijkste beperking van ADM en kunnen ernstige klinische gevolgen hebben, waardoor de betrouwbaarheid van methode² wordt ondermijnd.

Ons doel is om een praktische ADM-workflow te presenteren, inclusief de specifieke stappen en het expertbeoordelingsproces. Gedetailleerde rapportage van het ADM-proces met behulp van twee analyseplatforms als voorbeelden stelt gebruikers in staat om de mogelijkheden en voordelen van de methode volledig te benutten. De hoge classificatienauwkeurigheid van ADM voor PB is aangetoond in talrijke studies 12,15,16. Daarom hebben we ons in ons onderzoek exclusief gericht op ADM voor BM, waarbij betrouwbare validatiegegevens van dit type beperkt zijn. De kwantitatieve validatieresultaten zijn gebaseerd op BM-analyse. Daarnaast benadrukken we een belangrijke beperking van de methode, namelijk kritieke verkeerde classificaties. We stellen ook een categorisering van misclassificaties voor en benadrukken de meest voorkomende soorten kritische misclassificaties.

Protocol

Onze studie, gepubliceerd in 2025, maakte gebruik van gearchiveerd materiaal en werd uitgevoerd in overeenstemming met de bijgewerkte principes van de Verklaring van Helsinki. Patiënten gaven schriftelijke geïnformeerde toestemming voor laboratoriumonderzoek, anonieme gegevensverzameling en -analyse, en onderzoeksgebruik, inclusief de publicatie van geanonimiseerde beeldgegevens. De studie werd goedgekeurd door de Lokale Ethische Commissie van het ziekenhuis Havířov (goedkeuring IGS_2023_HEM_PAT).

OPMERKING: Het ADM-protocol voor PB en BM, na geautomatiseerde kleuring, wordt gerapporteerd.

1. Voorbereiding en kleuring van perifere bloed- en beenmergvegen met een geautomatiseerd instrument

1. Voordat het instrument wordt ingeschakeld, voer de volgende controles uit: staat van de buis, netwerkaansluiting, status van afvalcontainer, voldoende reagentia en een voldoende voorraad microscoopglaasjes.
   OPMERKING: Reagentiacontainers mogen niet leeg zijn en alle reagentia moeten binnen de houdbaarheidsdatum zijn.
2. Zet het instrument aan.
3. De hoofdunit voert automatisch een zelfcontrole uit.
4. Log in op de software met een geldige gebruikersnaam en wachtwoord.
5. Bedien het instrument met de huidige softwareversies. Volg de aanbevelingen van de fabrikant en de gebruikershandleiding (startscherm—Figuur 1).
6. Gebruik het menu om bewerkingen te selecteren, de Werklijst om verzoeken voor diavoorbereiding en uitstrijkvoorbereiding te beheren, de browser om de gegevens in verzoeken te bekijken, en het tabblad Status om de status van de uitstrijk die wordt voorbereid te controleren.
7. Download een nieuw verzoek voor diavoorbereiding van de hostcomputer of maak een nieuw verzoek aan.
   OPMERKING: Gebruik slides met afgeschuinde en afgeronde randen van 24,7–26,3 mm bij 74,7–76,3 mm, met een breedte van 0,9–1,2 mm en een matte rand van 15–20 mm.
8. Bewerk of verwijder verzoeken om het voorbereiden van de dia's indien nodig.
9. Bereid de uitsmeering voor:
   1. Gebruik altijd latex- of nitrilhandschoenen bij het hanteren van PB- en BM-monsters en veeguitdrukken.
   2. Selecteer de uitstrijkvoorbereidingsmodus.
   3. Plaats het monsterrek in de sampler.
      OPMERKING: Gebruik alleen monstertubes die specifiek zijn goedgekeurd door de fabrikant van de kleurstof.
   4. Controleer of het spreiglas intact, volledig schoon en veilig in de houder zit.
   5. Begin met de voorbereiding van het uitsmeren en het kleuren via het dialoogvenster.
   6. Controleer de status van de uitstrijkje die wordt voorbereid.
10. Bekijk de details van de verzoeken om het voorbereiden van de dia's.
11. Verwijder het monsterrek.
12. Verwijder de voorbereide en bevlekte dia's.
    Checkpoint: Voldoet de kwaliteit van de uitstrijk bij visuele inspectie (na output) aan de gedefinieerde acceptatiecriteria? Er moet een minimale monolaagzone van voldoende lengte en celdichtheid aanwezig zijn.
13. Voer instrumentinspectie en reiniging uit vóór het afsluiten.
14. Zet het instrument uit.
    OPMERKING:
    Kleuringsprotocol voor perifeer bloed-
    Beits 1: May–Grünwald beits; Beits 2: Giemsa–Romanowski beits. Onverdunde beits 1 (73 mL) 2:48 min; verdunde kleurstof 1 (73 mL, verdunde pH 7,0 fosfaatbuffer, verdunningsverhouding 1:10) 3:36 min. Verdunde kleurstof 2 (26 mL, verdunningspH 7,0 fosfaatbuffer, verdunningsverhouding 1:10) 4:00 min. Spoeltelling (439 mL, geautomatiseerd proces)
    1. Drogen (geautomatiseerd proces) 3:36 min.
    
    Kleuringsprotocol voor beenmerg-
    Beits 1: May–Grünwald beits; Beits 2: Giemsa–Romanowski beits. Onverdunde beits 1 (73 mL) 3:36 min; verdunde kleurstof 1 (73 mL, verdunde pH 7,0 fosfaatbuffer, verdunningsverhouding 1:10) 2:48 min. Verdunde kleurstof 2 (26 mL, verdunningspH 7,0 fosfaatbuffer, verdunningsverhouding 1:10) 10:00 min. Spoeltelling (439 mL, geautomatiseerd proces)
    1. Drogen (geautomatiseerd proces) 3:36 min.
    
    VOORZICHTIG: Bij het hanteren van chemicaliën in het laboratorium volgt u de instructies in hun officiële veiligheidsgegevens, die samenstelling, gevarensymbolen, eerste hulp-instructies, noodhulpprocedures voor accidentele lekkages en branden, richtlijnen voor hantering en opslag, persoonlijke beschermingsmiddelen, toxicologische en milieugerelateerde informatie en instructies voor transport en verwijdering bevatten. Voer afvalvloeistoffen, reagentia en verbruiksartikelen af als medisch besmettelijk afval en/of industrieel afval in overeenstemming met lokale wetten en regelgeving. Gebruik indien mogelijk een centraal afvalverwerkingssysteem.

2. Geautomatiseerde digitale cytomorfologie van PB

1. Gebruik de applicatie voor het differentiële aantal witte bloedcellen (WBC's), beoordeling van rode bloedcellen (RBC) morfologie en schatting van het aantal bloedplaatjes (PLT). Controleer de voorgestelde classificatie van elk celtype.
   OPMERKING: De operator is een ervaren gecertificeerd laboratoriumtechnicus met minstens vijf jaar praktijkervaring of een gecertificeerd laboratoriumwetenschapper.
2. Start de analyzer.
3. Log in op de software met een geldige gebruikersnaam en wachtwoord.
4. Bedien het instrument met de huidige softwareversies. Volg de aanbevelingen van de fabrikant en de gebruikershandleiding.
5. Gebruik het tabblad System Control View voor kwaliteitscontrole (QC) en voor het verwerken van orders.
6. Voer dagelijks interne kwaliteitscontrole uit met een controleschuif (routinematige PB-uitstrijkje met een witte bloedcellen boven 10 × 10⁹/L). Voer minstens één keer per dag de celdetectietest uit, die 100 cellen herkent.
   OPMERKING: De celdetectietest valideert het preparatproces en verifieert het vermogen van de analyzer om cellen te detecteren. De glaasplaat moet van voldoende kwaliteit zijn zodat de analyzer de cellen kan detecteren die voor de analyse nodig zijn. Voor QC-acceptatie moet 97% van de cellen succesvol worden gedetecteerd.
7. Gebruik een PB-veer die samen met het instrument voor het maken en kleuren van de dia's is voorbereid.
8. Plaats de bevlekte veeg in de laadlade van de analyzer.
9. voer de testidentificatie handmatig in of via een barcodescanner; De aanvraag van het laboratoriuminformatiesysteem wordt automatisch geladen.
10. Sluit de invoerdeur van de analyzer.
11. Verwerk de uitstrijk.
    OPMERKING: De analyzer beweegt de uitstrijk automatisch onder de microscoop, scant deze en maakt beelden van WBC's, evenals een monolaagafbeelding van RBC's. De analyzer voert een voorlopige classificatie uit van alle gedetecteerde witte bloedcellen en evalueert de morfologie van rode bloedcellen.
12. Bekijk de voorlopige resultaten en herclassificeer waar nodig, hetzij direct op de analyzer of met behulp van remote review-software. Overweeg de voorgestelde drie classificatieopties, waaronder de kanspercentages.
    OPMERKING: De automatische voorlopige classificatie duurt slechts enkele seconden. In gevallen van dubbelzinnige of grens cellulaire classificaties is dubbele lezing noodzakelijk. Voor cellen met verschillende classificaties moet er consensus tussen waarnemers worden bereikt. De herclassificeerde cel is gelabeld met een vinkje rechtsboven in de afbeelding.
13. In WBC-modus bekijk je de voorlopige classificatie van nucleaire cellen.
    OPMERKING: Kwaliteitssignalen die digitale morfologie en verplichte deskundige beoordeling vereisen, zijn onder andere blastocysten, onrijpe granulocyten, atypische lymfocyten, reactieve lymfocyten, neoplastische lymfocyten, monocytose boven 1,0 × 10⁹/L, lymfocytose boven 4,0 × 10⁹/L en onbetrouwbare differentiële telling. Elke handmatige herclassificatie door de operator of patholoog moet worden geregistreerd met het gebruikers-ID en tijdstempel.
14. Als een verkeerde classificatie wordt vastgesteld, wijs je de cel toe aan de juiste categorie door het beeld met de muis te slepen.
    OPMERKING: Voor voorbeelden van misclassificaties van PB-cellen, zie Figuur 2.
15. In RBC-modus beoordeel je de beoordeling van morfologische veranderingen in rode bloedcellen en corrigeer je eventuele onnauwkeurige beoordelingen of voeg je bevindingen toe door aanvullende pathologische kenmerken te selecteren (bijv. doelcellen, schistocyten, ovalocyten).
16. Bekijk in PLT-modus de PLT-evaluatie.
17. Voeg handmatig opmerkingen toe of kies uit vooraf gedefinieerde tekstopties.
    OPMERKING: Regels voor automatische verificatie moeten minstens jaarlijks formeel worden gevalideerd, gedocumenteerd en beoordeeld.
18. Bevestig het eindresultaat, dat vervolgens automatisch naar het laboratoriuminformatiesysteem wordt gestuurd.
    OPMERKING: Het eindresultaat wordt geëxporteerd als een numerieke differentiële telling, samen met aanvullende opmerkingen, indien aanwezig. Voor monsters met een lage cellulariteit (witte bloedcellen onder 2,0 × 10⁹/L) worden twee uitstrijkjes automatisch voorbereid, gescand en individueel geëvalueerd.
19. Log uit en zet de analyzer uit.
    OPMERKING: Voor elk PB-monster wordt een telling van 100 cellen toegepast, volgens ICSH-aanbevelingen¹⁷. WBC-classificatiecategorieën (klassen) omvatten blast, promyelocyt, myelocyt, metamyelocyt, band neutrofiel, segmented neutrophil, eosinophil, basofiel, monocyt, lymfocyt, variant lymphocyt en plasmacel. Niet-WBC classificatiecategorieën (klassen) omvatten smudge cell, artefact, reuzenbloedplaatje, bloedplaatjesklont en erytroblast. Classificatiecategorieën (klassen) van RBC-morfologie omvatten polychromatische RBC's, hypochromische RBC's, anisocytose, macrocytose, microcytose en poikilocytose. Začátek formuláře
    
    VOORZICHTIG: Bij het hanteren van chemicaliën in het laboratorium volgt u de instructies in hun officiële veiligheidsgegevens, die samenstelling, gevarensymbolen, eerste hulp-instructies, noodhulpprocedures voor accidentele lekkages en branden, richtlijnen voor hantering en opslag, persoonlijke beschermingsmiddelen, toxicologische en milieugerelateerde informatie en instructies voor transport en verwijdering bevatten. Voer afvalvloeistoffen, reagentia en verbruiksartikelen af als medisch besmettelijk afval en/of industrieel afval in overeenstemming met lokale wetten en regelgeving. Gebruik indien mogelijk een centraal afvalverwerkingssysteem.

Konec formuláře

3. Geautomatiseerde digitale cytomorfologie van BM

1. Gebruik het systeem voor het differentiële tellen van PB- en BM-cellen. Controleer de voorgestelde classificatie van elk celtype.
   OPMERKING: Het gebruik van BM-analyse wordt beschreven. De operator is een ervaren gecertificeerd laboratoriumtechnicus met minstens vijf jaar praktijkervaring, of een gecertificeerd laboratoriumwetenschapper, of een gecertificeerd arts.
2. Start de analyzer.
3. Log in op de software met een geldige gebruikersnaam en wachtwoord.
4. Bedien het instrument met de huidige softwareversies. Volg de aanbevelingen van de fabrikant en de gebruikershandleiding.
5. Gebruik Project voor het verwerken van bestellingen en diabeheer, Bewerken voor configuratie van classificatieregels en pre-classificatiestrategie, Rapport voor rapportageformatinstellingen en rapportagegeneratie, en het tabblad Beheren voor accountinstellingen en handtekeningen.
6. Gebruik een BM-veer die met het kleurinstrument is gekleurd.
7. voer de testidentificatie handmatig in of via een barcode (QR-code) scanner; De aanvraag van het laboratoriuminformatiesysteem wordt automatisch geladen.
8. Plaats de vlekken in de laadlade van de analyzer.
9. Sluit de invoerdeur van de analyzer.
10. Verwerk de uitstrijk.
    OPMERKING: De analyzer beweegt de uitstrijkje automatisch onder de microscoop, scant deze en maakt beelden van nucleaire cellen, waaronder megakaryocyten. Het voert een voorlopige classificatie uit van alle gedetecteerde nucleaire cellen, inclusief megakaryocyten, in slechts enkele seconden.
11. Bekijk de voorlopige resultaten en herclassificeer waar nodig, hetzij direct op de analyzer of met behulp van remote review-software.
    OPMERKING: Het systeem biedt een helder beeld van de gehele dia bij 400× vergroting (whole-slide imaging) en toont alle nucleaire cellen en megakaryocyten; nucleatieve cellen (en mogelijk megakaryocyten) worden gevangen met 1000× vergroting met een immersieobjectief. De gemiddelde tijd voor een volledige scan van een normocellulaire uitstrijkje is <10 minuten per preparat. Voor hypocellulaire uitstrijkjes is de scantijd >20 minuten per dia.
12. In geval van onjuiste classificatie wijs je de cel toe aan de juiste categorie door het beeld met de muis te slepen.
    OPMERKING: Voor een voorbeeld van misclassificaties van BM-cellen, zie Figuur 3. In gevallen van dubbelzinnige of grens cellulaire classificaties is dubbele lezing noodzakelijk. Voor cellen met verschillende classificaties moet er consensus tussen waarnemers worden bereikt. Elke handmatige herclassificatie door de operator of patholoog moet worden geregistreerd met het gebruikers-ID en tijdstempel.
13. Voeg opmerkingen en cytomorfologische beschrijvingen handmatig toe of door te selecteren uit vooraf gedefinieerde tekstopties.
14. Maak het voorlopige rapport compleet.
15. Bevestig het eindresultaat, dat vervolgens automatisch naar het laboratoriuminformatiesysteem wordt gestuurd.
    OPMERKING: Het eindresultaat wordt geëxporteerd als een numerieke differentiaaltelling (myelogram) samen met aanvullende opmerkingen en een cytomorfologische beschrijving.
16. Log uit en zet de analyzer uit.
    OPMERKING: Voor elk BM-monster wordt een telling van 500 cellen toegepast, volgens ICSH-aanbevelingen¹⁷.
    Classificatiecategorieën (klassen) omvatten proerythroblast, vroege erytroblast (inclusief megaloblastisch), intermediair erytroblast (inclusief megaloblastisch), late erytroblast (inclusief megaloblastisch), myeloblast, promyelocyt, neutrofiele myelocyt, neutrofiele metamyelocyt, band neutrofiel, gesegmenteerde neutrofiel, eosinofiele myelocyt, eosinofiele metamyelocyt, band eosinofiel, gesegmenteerde eosinofiel, basofiel, monoblast, promonocyt, monocyt, lymfoblast, prolymfocyt, rijpe lymfocyt (inclusief atypische en reactieve), plasmablast, onrijpe plasmacel, plasmacel en andere (smedcel, histiocyt, fagocyt, mastcel en mitose).
    
    VOORZICHTIG: Voer afvalvloeistoffen, reagentia en verbruiksartikelen af als medisch besmettelijk afval en/of industrieel afval in overeenstemming met lokale wetten en voorschriften. Gebruik indien mogelijk een centraal afvalverwerkingssysteem.

Resultaten

Validatiestudie – methoden
In deze validatiestudie reproduceren we de resultaten van ons eerdere werk gepubliceerd in Clinical and Translational^{Medicine 2}. Conventionele optische microscopie en ADM werden uitgevoerd op 328 BM-uitstrijkjes. De gegevens voor analyse omvatten beeldinformatie voor alle geanalyseerde cellen en classificatieresultaten, inclusief zeldzame en atypische morfologische gevallen. De gevallen werden verdeeld in zes diagnostische groepen: myelodysplastische neoplasma's (MDN: 15%), meervoudig myeloom (MM: 14%), rijpe B/T-cel neoplasmata (B/T-lymfoom: 13%), acute leukemie en chronische myelomocytaire leukemie (AL+CMML: 9%), myeloproliferatieve neoplasmatische (MPN: 8%) en reactieve hematopoëse (reactief: 41%). De capaciteiten voor ADM-celherkenning (classificatie) werden geëvalueerd door het vermogen te beoordelen om cellen correct in een van de 25 categorieën te classificeren, vergeleken met onafhankelijke, consensuele deskundige annotatie met dubbele lezing².

Elke casus werd beoordeeld door twee experts, met overeenkomstige classificatie (annotatie) in >99% van de cellen. De experts waren zeer ervaren en namen regelmatig deel aan succesvolle externe kwaliteitsbeoordelingen. Voor cellen met verschillende classificaties (<1%) werd consensus bereikt tussen waarnemers. Het principe van de consistentieanalyse was een vergelijking van de automatische pre-classificatie van elke cel met de definitieve deskundige classificatie van elke cel; De consensuele deskundige classificatie werd beschouwd als de ware classificatiereferentie (grondwaarheid)^2.

De consistentie van cellulaire en klinische classificaties werd beoordeeld en kritieke misclassificaties werden vastgesteld. De consistentie van cellulaire classificatie werd bepaald uit de confusiematrix, gebaseerd op classificatieovereenkomst voor individuele celtypen. Standaard statistische methoden en visuele datamining werden toegepast. De Matthews-correlatiecoëfficiënt (MCC) werd berekend voor elk celtype en als gemiddelde waarde, en werd op een standaardwijze geïnterpreteerd. Een MCC-waarde van 0,400 en hoger werd als bevredigend^{beschouwd als 2,18}.

Voor elke patiënt werd de consistentie van klinische classificatie bepaald als het percentage correct voorgeclassificeerde elementen onder alle cellen die in het geval werden geëvalueerd, na eliminatie van niet-classificeerbare cellen. De expertclassificatie werd beschouwd als de ware referentie (grondwaarheid)^2.

Verkeerde classificaties worden als irrelevant beschouwd wanneer ze diagnostisch neutraal zijn en de uiteindelijke diagnose niet beïnvloeden. Deze omvatten wederkerige verkeerde classificaties tussen lymfoblast, myeloblast en monoblast; neutrofiel, eosinofiel en basofiel promyelocyt/myelocyt; myelocyt/metamyelocyt; metamyelocyt/band; band/gesegmenteerde neutrofiel; proerythroblast/vroege erythroblast; vroege/intermediaire en intermediair/late erythroblast; pronocyt/monocyt; prolymfocyt/lymfocyt; plasmablast/onrijpe plasmacel; en onvolwassen plasmacel/rijpe plasmacel. Alle andere verkeerde classificaties worden als relevant beschouwd, omdat ze diagnostisch onaanvaardbaar zijn en kunnen leiden tot ernstige klinische gevolgen (Figuur 4)².

De algehele klinische classificatieconsistentie werd berekend als de mediaan van individuele casuswaarden, waarbij alleen relevante celmisclassificaties werden meegenomen. Kritieke misclassificatie werd gedefinieerd als een geval waarbij de individuele klinische classificatieconsistentie onder de 80% lag. Deze willeschijnlijke limiet werd vastgesteld door deskundige consensus, waarbij minimale eisen aan externe kwaliteitsbeoordeling in cytomorfologieronde² werden meegenomen.

Belangrijke platformspecifieke verschillen zijn onder andere een tweestaps BM-workflow (40× en 100× doel), wat extra complexiteit brengt die ontbreekt in het PB-protocol, verschillende celtellingdoelen (100 cellen in PB, 500 cellen in BM) en verschillende classificatiecategorieën. De belangrijkste gedeelde factor van vergelijkbaarheid tussen platforms en monstertypes is de uitstrijkvoorbereidingsprocedure.

De gerapporteerde kwantitatieve prestatie-metrics zijn duidelijk gekoppeld aan de validatiecohort beschreven in de Methoden (n = 328 BM-uitstrijkjes). Het percentage correct geclassificeerde relevante cellen uit alle geclassificeerde cellen (cellulaire classificatieconsistentie) was 95,4%. Bevredigende correlatiewaarden, zoals aangegeven door de MCC, waren ≥0,400 voor 22 van de 25 (88,0%) celtypen, terwijl onbevredigende MCC-waarden (<0,400) werden waargenomen voor 3 van de 25 (12,0%) celtypen (lymfoblasten, prolymfocyten en pronovocyten). De totale relevante klinische consistentie was 97,1% (mediaan), waarbij 94,5% van de gevallen consistentiepercentages tussen 80% en 100% vertoonden. Bij 5,5% van de patiënten werd een kritieke verkeerde classificatie waargenomen, met relevante klinische consistentiewaarden variërend van 36% tot 79%, vanwege het niet herkennen van neoplastische cellen².

Cellulaire misclassificatie ondermijnt de betrouwbaarheid van ADM in BM-analyse en vormt een grote beperking van de methode in diagnostische hemato-oncologie (Tabel 1). In gevallen met relevante misclassificatie werd de morfologie van correct en onjuist geclassificeerde cellen onderzocht. Correct geclassificeerde cellen vertonen over het algemeen typische cytomorfologische kenmerken. Daarentegen komen verkeerde classificaties meestal voor bij het onderscheid tussen morfologisch vergelijkbare of atypische cellen, met name atypische lymfocyten en blasts; myeloblasten en lymfocyten; lymfoblasten en lymfocyten; monoblasten of promononocyten en promyelocyten; en onvolwassen plasmacellen en blasts. Verkeerd geclassificeerde cellen vertonen vaak atypische cytomorfologie. Bij lymfocytaire neoplasmata zijn onjuist geclassificeerde neoplastische lymfocyten, zoals die gezien bij marginale zonelymfoom en hairy cell leukemie, meestal middelgroot, met overvloedige basofiele of bleek cytoplasma, cytoplasmatische projecties en fijnere chromatine met een nucleolus. Deze kenmerken verschillen van die van correct geclassificeerde neoplastische cellen. Bij mantelcellymfoom kunnen atypische lymfocyten een blastoïde uitstraling vertonen, wat de kans op verkeerde classificatie vergroot. Evenzo kunnen neoplastische lymfocyten in de pleomorfe variant van chronische lymfocytische leukemie ten onrechte worden geïdentificeerd als blastocyten. We tonen kwalitatieve representatieve voorbeelden in Figuur 4 en Figuur 5.

Bij acute leukemie en chronische myelomonocytaire leukemie (CMML) zijn verkeerd geclassificeerde lymfoblasten en myeloblasten klein, met een hoge nucleaire-cytoplasmatische verhouding, grovere chromatine en nucleoli. Talrijke granulaire monoblasten kunnen ten onrechte worden geclassificeerd als promyelocyten. Bij CMML wordt verkeerde classificatie vaak geassocieerd met dysplastische monocytische cellen. Bij multipel myeloom treden verkeerde classificaties op binnen de plasmacellijn, vooral bij plasmablasten en onvolwassen plasmacellen. We tonen kwalitatieve representatieve voorbeelden in Figuur 5.

Kritieke verkeerde classificaties van neoplastische lymfocyten, kleine lymfoblasten/myeloblasten, granulaire monoblasten, dysplastische pronocyten en monocyten, plasmablasten en onrijpe plasmacellen—die allemaal atypische morfologie kunnen vertonen—vormen een risico op verkeerde diagnose. Het verwarren van lymfoom met acute leukemie en omgekeerd brengt ernstige of zelfs fatale gevolgen met zich mee voor het behandelen van patiënten. Vals-negatieve resultaten, zoals het niet herkennen van acute myeloïde leukemie (vooral acute promyelocytaire leukemie) of een verkeerde diagnose van CMML of multipel myeloom, kunnen mogelijk leiden tot onjuiste behandelbeslissingen of vertraging in de behandeling.

Figuur 1. Geautomatiseerde stainer, startschermpictogrammen. Met dank aan Sysmex; Fabrikantinformatiemateriaal (basishandleiding voor de bediening). Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2. Verkeerde classificaties van PB witte bloedcellen. In screenshots van de software zijn verkeerd geclassificeerde cellen gemarkeerd in rode vakjes. Bij EBV-infectie werden reactieve lymfocyten ten onrechte geclassificeerd als monocyten (A, rode doos). Bij chronische lymfocytische leukemie werden sommige lymfocyten ten onrechte als blasten geclassificeerd (B, rode doos). In CMML werden dysplastische monocyten ten onrechte geclassificeerd als gesegmenteerde neutrofielen (C, rode doos), en een monoblast werd ten onrechte geclassificeerd als een dysplastische myelocyt (D, rode doos). PB, CellaVision DC-1, Review Software, geautomatiseerd kleuren May–Grünwald en Giemsa–Romanowski met de Sysmex SP-50 kleuring, vergroting 1000×, expert: gecertificeerd technicus. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3. Verkeerde classificatie van neoplastische lymfocyten bij de stoelgang. Screenshot van de software. Neoplastische lymfocyten bij hooggradig B-cellymfoom in de BM werden ten onrechte geclassificeerd als myeloblasten. De voorgestelde alternatieve classificatie met de vijf meest waarschijnlijke opties (de "top vijf lijst"), inclusief procentuele kansen, is gemarkeerd met een gele pijl. Voor de cel in het gele vakje toont het etiket procentuele kansen voor myeloblast, monoblast, lymfoblast, proerythroblast en vroege erythroblast, zonder optie voor lymfocyten. BM, Morphogo, Review Software, geautomatiseerde kleuring May–Grünwald en Giemsa–Romanowski met de Sysmex SP-50 kleuring, vergroting 1000×, expert: gecertificeerd wetenschapper, gecertificeerd arts. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4. Irrelevante en relevante cellen-misclassificaties. (A) Voorbeelden van irrelevante misclassificaties in myeloïde en erytroïde lijnen worden getoond in een vergelijking tussen expertclassificatie en ADM-preclassificatie. (B) Voorbeelden van relevante misclassificaties in lymfoïde, plasmacel- en monocytische lijnen worden getoond in een vergelijking tussen expertclassificatie en ADM-preclassificatie. Het categoriseren van sommige elementen was zelfs voor een expert moeilijk. Cellenbeelden werden uit de software gehaald. BM, Morphogo, Review Software, geautomatiseerde kleuring May–Grünwald en Giemsa–Romanowski met de Sysmex SP-50 kleuring, vergroting 1000×, expert: gecertificeerd wetenschapper, gecertificeerd arts. Aan elke kamer werd een schaalbalk toegevoegd. Schaalbalken vertegenwoordigen 10 μm. Kalibratie gebaseerd op de ToupCam-camera (1,85 μm pixelgrootte) met 100× Olympus Plan N-objectief.
Aangepast van: Aanvullend Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, e.a. Het nut van geautomatiseerde door kunstmatige intelligentie ondersteunde digitale cytomorfologie voor beenmerganalyse in diagnostische hemato-oncologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5. Representatieve voorbeelden van de meest voorkomende misclassificaties van BM-cellen bij patiënten met hematologische neoplasma. Verkeerd geclassificeerde neoplastische lymfocyten, myeloblasten, lymfoblasten, monoblasten en plasmacellen worden getoond in geselecteerde gevallen van marginaal zone lymfoom (MZL), mantelcellymfoom (MCL), hairy cell leukemie (HCL), chronische lymfocytaire leukemie (CLL), acute myeloïde leukemie (AML), acute T-lymfoblastische leukemie (T-ALL) en multipel myeloom (MM). De verkeerde classificatie van atypische lymfocyten/blast was de meest voorkomende fout. De belangrijkste cytomorfologische kenmerken van verkeerd geclassificeerde neoplastische lymfocyten waren middelgrote grootte, fijnere chromatine (rode pijlen), nucleoli (blauwe pijlen), overvloedige basofiele of bleke cytoplasma met uitsteeksels (groene pijlen) en een blastoïde uiterlijk (oranje pijl). Verkeerd geclassificeerde lymfoblasten en myeloblasten waren klein, met een hoge nucleaire-cytoplasmatische verhouding en grovere chromatine met nucleoli (grijze pijlen). Plasmablasten en onvolwassen plasmacellen werden ten onrechte als lymfocyten geclassificeerd of niet erkend als behorend tot de plasmacellijn (geclassificeerd als "blast, niet gespecificeerd"). Cellenbeelden werden uit de software gehaald. BM Morphogo Review Software, geautomatiseerde kleuring May–Grünwald en Giemsa–Romanowski met de Sysmex SP-50 kleuring, vergroting 1000×, expert: gecertificeerd wetenschapper, gecertificeerd arts. Aan elke kamer werd een schaalbalk toegevoegd. Schaalbalken vertegenwoordigen 10 μm. Kalibratie gebaseerd op de ToupCam-camera (1,85 μm pixelgrootte) met 100× Olympus Plan N-objectief.
De afbeelding werd aangepast van: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. Het nut van geautomatiseerde door kunstmatige intelligentie ondersteunde digitale cytomorfologie voor beenmerganalyse in diagnostische hemato-oncologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Klik hier om een grotere versie van deze figuur te bekijken.

Diagnose	Aantal gevallen	Verkeerd geclassificeerde cellen
		Expertclassificatie	ADM-classificatie
Rijpe B-cel neoplasma's	9/43
Marginale zone lymfoom	4/8	Atypische lymfocyt	Verdorie, NOC
Mantelcellymfoom	2/5	Atypische lymfocyt	Verdorie, NOC
CLL	1/14	Atypische lymfocyt	Verdorie, NOC
Harige celleukemie	2/2	Atypische lymfocyt	Blast, NOC / Monocyt
Multipel myeloom	5/46	Plasmacel	Verdorie, NOC
AML	3/16	Myeloblast / Monoblast	Lymfocyt / Promyelocyt
T-ALL	1/1	Lymfoblast	Lymfocyt

Tabel 1: Kritieke verkeerde classificaties door ADM. Bij 18 van de 328 (5,5%) van de patiënten werd een kritieke verkeerde classificatie waargenomen. De klinische groep van kritieke verkeerde classificaties door ADM omvatte negen van de 43 patiënten met rijpe B-cel neoplasma, vijf van de 46 patiënten met MM, drie van de 16 patiënten met AML en één (van de één) patiënt met T-ALL. De verkeerde classificatie van atypische lymfocyten/blasten kwam het meest voor. NOC: verder niet geclassificeerd. 
Overgenomen van: Aanvullende Materiaal, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, e.a. Het nut van geautomatiseerde door kunstmatige intelligentie ondersteunde digitale cytomorfologie voor beenmerganalyse in diagnostische hemato-oncologie. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Discussie

Technologische vooruitgang in beeldverwerking met hoge resolutie, geautomatiseerde digitale beeldclassificatie en AI-ondersteunde besluitvorming met convolutionele neurale netwerken heeft aanzienlijke verbeteringen in ADM mogelijk gemaakt. Als gevolg hiervan vult ADM standaard optische microscopie aan. De juiste identificatie van individuele cytomorfologische categorieën kan uitdagend zijn, vooral onder nauw verwante classificatiegroepen die morfologische overeenkomsten^delen 2,11,12,14,15,19,20. Omdat deskundige bevindingen altijd worden beïnvloed door een zekere mate van subjectiviteit, worden ze mogelijk niet als definitief of als de enige mogelijke correcte resultaten beschouwd—vooral in gevallen van borderline of ambigue cellulaire classificatie (bijv. dysplastische of sterk atypische elementen)². Deze misclassificatiepatronen zijn gerapporteerd in PB, met sterkere prestaties voor veelvoorkomende celtypen maar zwakkere classificatieconsistentie voor sommige klinisch belangrijke subsets, waaronder blasts ^12,15,19,20. Dit kan de cytomorfologische diagnose van PB en BM aanzienlijk beïnvloeden.

Vergeleken met PB hebben slechts enkele studies zich gericht op de classificatienauwkeurigheid van ADM in BM-analyse 2,20,21,22,23. In een Chinese studie over ADM-classificatie bereikte de consistentie 99%, waarbij de meeste BM-celtypen een zeer hoge correlatie vertoonden met hematopathologische expertise²¹. Het aandeel hematologische maligniteiten in de studiecohort was echter minder dan 30^%. Andere vergelijkende studies die de prestaties tussen geautomatiseerde PB- en BM-uitstrijksystemen en handmatige analyse evalueren, zijn uitgevoerd in multicenter-onderzoeken^22,23. In een recente vergelijking werden 795 BM-monsters van patiënten met neoplastische en andere klinische aandoeningen geanalyseerd, met een totale overeenkomst van 91,1% met optische microscopie²³.

Een studie van een praktijkgroep Europese afkomstpatiënten, met 59% neoplastische aandoeningen, vergeleek AI-gedreven ADM met deskundige optische microscopie in zes diagnostische groepen². Kritieke verkeerde classificaties van neoplastische cellen met atypische morfologie hadden een verkeerde diagnose potentieel². Daarom identificeerde deze studie kandidaat-celtypen voor toekomstige training en testen van AI-prestaties². Deze studie kende echter verschillende beperkingen. Ten eerste omvatte de studie een beperkt aantal patiënten en gearchiveerd materiaal, en ontbraken enkele zeldzame ziektestoornissen, waaronder pediatrische monsters. Ten tweede was de cytomorfologie van bepaalde neoplastische cellen zeer abnormaal, met twijfelachtige consensus over classificatie, zelfs onder ervaren experts. Ten derde werden alleen monsters van Europese afkomst geanalyseerd. Ten vierde werd er geen externe validatie uitgevoerd van relevante en irrelevante misclassificaties².

Cellulaire misclassificaties vormen de grootste beperking van ADM in diagnostische hemato-oncologie². Er zijn verschillende redenen voor verkeerde classificatie. Naast cytomorfologische overlap zijn de bijdragende factoren waarschijnlijk de zeldzaamheid van bepaalde aandoeningen en de variabiliteit in de consensus van experts over celtypen. Dit kan leiden tot inconsistente annotaties en hiaten in trainingsdata. De detectie van dysplastische veranderingen in hematopoëse is onbetrouwbaar, evenals de gedetailleerde evaluatie van megakaryocytencytomorfologie². Hoewel nadelige uitkomsten grotendeels worden verminderd door verplichte deskundige supervisie, blijven er beperkingen bestaan wat betreft de absolute betrouwbaarheid van ADM, met name bij leukemieën, lymfomen en multipel myeloom². Correcte professionele annotatie van cellen voor AI-training is een essentiële voorwaarde voor ADM-prestaties. Nauwkeurige data-labeling is fundamenteel voor het opbouwen van betrouwbare grondwaarheidsdatasets. In de cytomorfologie kan het definiëren van grondwaarheid bijzonder moeilijk zijn in ambigue of borderline gevallen, omdat een zekere mate van subjectiviteit zelfs onder ervaren, algemeen erkende experts blijft bestaan. Wanneer deskundige meningen verschillen, kan de waarheid worden vastgesteld door meerderheidsconsensus of overeenstemming tussen twee of meer onafhankelijke beoordelaars met vergelijkbare expertise, vooral wanneer diagnostische oordelen worden opgedeeld in afzonderlijke componenten². Het verfijnen van classificatiemogelijkheden gericht op specifieke kandidaatceltypen is essentieel. Het omvat gerichte hertraining van moeilijke celtypen, hiërarchische classificatiestrategieën of het integreren van multimodale gegevens om het onderscheiden van morfologisch vergelijkbare cellen te verbeteren. Uitgebreide, diverse en goed genoteerde trainingsdatasets, vooral bij hematolymfoïde neoplasma's, moeten voldoende representatie bevatten van atypische morfologie, zeldzame entiteiten, borderline-gevallen en diagnostisch ambiguï cellen.

Wat betreft kritieke protocolstappen en probleemoplossing moeten PB-uitveërs binnen twee uur na het verzamelen worden uitgevoerd; de BM-aspiratie moet direct vanaf de eerste trek worden verspreid. Een gevalideerd, geautomatiseerd kleuringsprotocol dat strikt consistent wordt gehouden tussen batches is vereist. Een goed gedefinieerde, artefactvrije monolaag is verplicht. Langdurige scans zijn vereist bij leukopenische PB-monsters en hypocellulaire BM-uitstrijkjes. Uitgeputte onderdompelingsolie of dunne vegen veroorzaken autofocusfalen en een afbreekanalyse. Geen van beide systemen is goedgekeurd voor autonome rapportage, en een individuele inspectie van de celbeeldgalerij is verplicht. Lokale klinische validatie is verplicht vóór de inzet; De volledige diagnostische en juridische verantwoordelijkheid rust bij de rapporterende morfoloog.

Toekomstige rigoureuze multi-institutionele validatie over verschillende klinische omgevingen is essentieel voor modelgeneraliseerbaarheid en voorspellende prestaties. Een AI-gebaseerde benadering van megakaryocytcytomorfologie kan de geïntegreerde diagnose van myeloproliferatieve en myelodysplastische neoplasmata^verder verfijnen 24,25,26. Er blijft ook een aanzienlijke kloof bestaan in de ontwikkeling van betrouwbare, door AI ondersteunde herkenning van lijnspecifieke dysplastische veranderingen ^2,27. Voor modeloptimalisatie kunnen innovatieve technieken zoals hyperparameterafstemming, regularisatie, ensemble learning en data-augmentatie dienen om robuustheid en classificatiebetrouwbaarheid te verbeteren 28,29,30. In het bijzonder zijn data-augmentatiestrategieën – variërend van geometrische transformaties^30,31 tot het genereren van synthetische trainingsbeelden met generatieve AI^32,33 – recent naar voren gekomen als veelbelovende benaderingen om beperkte datasets uit te breiden en klasse-onevenwicht in BM-celclassificatie aan te pakken. Het opleidingsniveau en de langdurige ervaring van laboratoriumpersoneel zijn essentieel voor het evaluatie- en besluitvormingsproces in moeilijke cytomorfologische gevallen. Het opleiden van de volgende generatie cytomorfologen in de context van voortdurende digitalisering vormt een educatieve uitdaging. Enerzijds biedt ADM enorm educatief potentieel; Aan de andere kant loopt het risico dat minder ervaren operators de capaciteiten ervan overschatten.

Ondanks het veelbelovende diagnostische potentieel van ADM-systemen moeten verschillende kritieke beperkingen en implementatieuitdagingen worden erkend. Een fundamentele zorg heeft betrekking op bias in trainingsdata: de meeste commercieel beschikbare ADM-platforms, inclusief die geëvalueerd in de huidige studie, zijn ontwikkeld met datasets die voornamelijk afkomstig zijn van specifieke geografische regio's, kleuringsprotocollen en patiëntenpopulaties, wat hun generaliseerbaarheid kan beperken tot meer etnisch en klinisch diverse cohorten of tot laboratoria die andere voorbereidingstechnieken toepassen. Even belangrijk is de kwestie van transparantie in AI-besluitvorming. Huidige ADM-systemen functioneren grotendeels als black-box-modellen, wat het vermogen van clinici om individuele celtoewijzingen kritisch te evalueren belemmert. Dit hangt direct samen met de vraag naar klinische verantwoordelijkheid, aangezien de regelgevingskaders voor AI-ondersteunde diagnostiek blijven evolueren. De praktische integratie van ADM in standaard diagnostische workflows brengt aanzienlijke organisatorische en technische barrières met zich mee, waaronder de noodzaak van hoogwaardige dia-digitaliseringsinfrastructuur, personeelstraining, validatie aan lokale referentiestandaarden en het opzetten van kwaliteitscontroleprotocollen om de systeemprestaties in de loop van de tijd te monitoren. Daarom zal door experts gedreven verfijning en verkenning van het volledige potentieel van ADM in PB- en BM-beoordeling het nut ervan als ondersteunend hulpmiddel in routinematige laboratoriumpraktijk blijven verbeteren.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Automated Hematology Slide Preparation Unit SP-50	Sysmex Corporation, Kobe, Japan	N/A	Geautomatiseerde schuifmaker en kleuraanbrenger
Barcode scanner voor Sysmex SP-50	Datalogic Gryphon	S/N: G21M20996	Barcode scanner
CellaVision DC-1	CellaVision AB, Lund, Sweden	PM-10895-15	Automatische digitale morfologie-analyzer
CellaVision DM Software	CellaVision AB, Lund, Sweden	Versie 7.1.1 build 8
Giemsa-oplossing voor SP Geautomatiseerde Systemen	RAL Diagnostics, Martillac, Frankrijk	750305X1000	Onderdeel van de panoptische kleuring voor perifere bloed- en beenmerguitstrijkjes
Immersioneolie (CellaVision Immersioneolie 50 mL)	CellaVision AB, Lund, Sweden	XU-10319	Immersioneolie
May-Grünwald voor SP Geautomatiseerde Systemen	RAL Diagnostics, Martillac, Frankrijk	750105X2500	Onderdeel van de panoptische kleuring voor perifere bloed- en beenmerguitstrijkjes
Morphogo Beenmerg Analyzer	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Automatische digitale beenmergmorfologie-analyzer
Morphogo Review Software	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Versie 1.0.6	Beenmergbeoordelingssoftware
pH 7,0 Bufferoplossing voor SP Geautomatiseerde Systemen	RAL Diagnostics, Martillac, Frankrijk	750505X5000	Bufferoplossing
QR scanner voor CellaVision DC-1	Datalogic Gryphon	GD 4500	QR scanner
RAL Reinigingsoplossing	RAL Diagnostics, Martillac, Frankrijk	750725X5000	Reinigingsoplossing
S-Monovette K3 EDTA buis	Sarstedt	05.1167.001	Buis voor SP-50
SP-Spoeloplossing	RAL Diagnostics, Martillac, Frankrijk	37000305	Spoeloplossing
SP Dia's	Sysmex Corporation, Kobe, Japan	ZE 001906	Dia's  voor perifere bloed- en beenmerguitstrijkjes
SP Dia's	Sysmex Corporation, Kobe, Japan	ZE 001906	Dia's  voor QC
SP Verspreidglas	Sysmex Corporation, Kobe, Japan	95102918	Glas voor het verspreiden van de uitstrijk
Buisendragers voor Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Buisendragers