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

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

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

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

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

Geneeskunde

This video describes the technique of aspirating bone marrow from iliac spine and smear preparation for biopsy. In the example, we perform bone marrow aspiration from an acute myeloid leukemia (AML) patient and examine the cells to check for measurable residual disease (MRD), an important prognostic biomarker.

Bone Marrow Aspiration: A Method to Obtain Bone Marrow to Examine Cell Morphology

Er wordt een strategie gepresenteerd om histologisch data in het beenmerg kwantitatief te analyseren. Confocale microscopie van fluorescent gelabelde cellen in weefselsecties resulteert in 2-dimensionale beelden, die automatisch worden geanalyseerd. Co-lokalisatieanalyses van verschillende celtypen worden vergeleken met gegevens van gesimuleerde beelden, waardoor kwantitatieve informatie over cellulaire interacties wordt verkregen.

Geautomatiseerde kwantificering van hematopoietische cellen - stromale cel interacties in histologische afbeeldingen van ontkalkte Bone

Detectie van minimale of meetbare residuele ziekte (MRD) is een belangrijke voorspellende biomarker voor risico-evaluatie te verfijnen en het voorspellen van herval in acute myeloïde leukemie (AML). Deze uitgebreide richtlijnen en aanbevelingen met de best practices voor consistente en accurate identificatie en opsporing van MRD, kan steun bij het maken van effectieve AML behandelingsbeslissingen.

Uitgebreide Protocol bij monster en proces beenmerg voor het meten van meetbare residuele ziekte en leukemische cellen van de stam in Acute myeloïde leukemie

De MDS-diagnose is moeilijk in de afwezigheid van morfologische criteria of niet-informatieve cytogenetica. MFC kan helpen verfijnen van het diagnostisch proces van MDS. Om te worden nuttig zijn voor de klinische praktijk, de MFC analyse moet worden gebaseerd op parameters met voldoende gevoeligheid en specificiteit en gegevens moeten worden gereproduceerd tussen verschillende exploitanten.

Database-geleide Flow-cytometry voor evaluatie van het beenmerg myeloïde cel rijping

We beschrijven het gebruik van hematopoietische stamceltransplantatie (HSCT) te beoordelen van de kwaadaardige potentieel van genetisch gemanipuleerde hematopoietische cellen. HSCT is handig voor de evaluatie van verschillende kwaadaardige hematopoietische cellen in vivo , alsmede het genereren van een grote cohort van muizen met myelodysplastic syndromes (MDS) of leukemie ter evaluatie van nieuwe therapieën.

Gebruik van hematopoietische stamceltransplantatie te beoordelen van de oorsprong van myelodysplastisch syndroom

Hier presenteren we een protocol voor het verwerken van vers beenmerg (BM) geïsoleerd van muis of mens voor High-dimensionale massa Cytometry (Cytometry door time-of-Flight, CyTOF) analyse van neutrofiele-Lineage cellen.

Voorbereiding van het hele beenmerg voor massa Cytometry analyse van neutrofiele-Lineage cellen

Hier beschrijven we een eenvoudig protocol voor de isolatie en kleuring van muriene beenmergcellen tot fenotype hemopoietische stam- en voorlopercellen, samen met de ondersteunende niche endotheel- en mesenchymale stamcellen. Een methode om cellen in endosteale en centrale beenmerggebieden te verrijken, is ook inbegrepen.

Flowcytometrie-analyse van hematopoëtische stam- en voorlopercellen van muizenbeenmerg en stromale nichecellen

Het succes van single-cell/single-nuclei transcriptomics en multi-omics hangt grotendeels af van de kwaliteit van cellen/kernen. Daarom moet het isoleren van cellen/kernen uit weefsel en hun zuivering sterk gestandaardiseerd zijn. Dit protocol beschrijft de bereiding van kernen uit de hersenen en het beenmerg voor stroomafwaartse single-nuclei multioomanalyse.

Hoogwaardige voorbereiding van hersen- en beenmergkernen voor multioomtesten met één kern

Hier wordt een op fosfoflowcytometrie gebaseerde methode beschreven om de signalering stroomafwaarts van de mTORC1-, JAK/STAT5- en MAPK-routes te analyseren in acute menselijke myeloïde leukemiecellen die xenotransplanteerd zijn in muizen en verkregen uit beenmergaspiraten. p-STAT5-, p-4EBP1-, p-RPS6- en p-ERK1/2-niveaus worden tegelijkertijd gemeten met behulp van een spectrale flowcytometer van de volgende generatie met hoge gevoeligheid.

Intracellulaire fosfoflowcytometrie van acute myeloïde leukemie Patiënt-afgeleide xenotransplantaties

Dit protocol beschrijft een procedure voor het induceren van differentiatie van menselijke hematopoëtische stam- en voorlopercellen afkomstig van het beenmerg en perifere bloed mononucleaire cellen. De assay gebruikt een halfvaste kweekmedium ter ondersteuning van erythroïde en myeloïde lijnbinding en bevat gestandaardiseerde metrics voor reproduceerbare kolonieclassificatie voor preklinische geneesmiddelkarakterisering.

Colony-Forming Unit assay aangepast voor door patiënten afgeleide beenmerg- en perifere bloedmononucleaire cellen

Moravian-Silesian Hospital Havirov.  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.

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

Meer video's verkennen