Opisano przepływ pracy zautomatyzowanej cytomorfologii krwi obwodowej i szpiku kostnego. Po standaryzowanym przygotowaniu wymazów i barwieniu skaner rejestruje obrazy próbek. Oprogramowanie zasilane przez sztuczną inteligencję lokalizuje, rejestruje i wstępnie klasyfikuje komórki z jądrem, a następnie przegląda je ekspert. Skupia się się na krytycznych niewłaściwych klasyfikacjach komórek, które mogą prowadzić do błędnej diagnozy.
Artykuł metodologiczny
Przepływ pracy dla zautomatyzowanej cytomorfologii krwi obwodowej i szpiku kostnego, z uwzględnieniem krytycznych błędów klasyfikacyjnych komórek
* These authors contributed equally
W tym artykule
Podsumowanie
Streszczenie
Rosnące dowody potwierdzają zdolność zautomatyzowanej cytomorphologii (ADM) wspomaganej sztuczną inteligencją (AI) krwi obwodowej (PB) i szpiku kostnego (BM) do wspomagania eksperckiej decyzji. Opisano przepływ pracy ADM dla rozmazów PB i BM. Podstawowe komponenty technologii ADM obejmują precyzyjne mechanizmy, zaawansowane systemy obrazowania, sztuczną inteligencję (AI) oraz przyjazny dla użytkownika interfejs. Proces rozpoczyna się od standaryzowanej przygotowania rozmazów i barwienia zgodnie z protokołami przystosowanymi do automatyzacji i cyfryzacji. Zautomatyzowany mikroskop wyposażony w obiektyw zanurzeniowy i kamerę cyfrową rejestruje wysokiej rozdzielczości obrazy próbki przy różnych powiększeniach. Oprogramowanie wspierane przez AI następnie lokalizuje, rejestruje i wstępnie klasyfikuje komórki jądrzaste, w tym megaloblasty, jeśli to ma zastosowanie. Następnie następuje obowiązkowa recenzja ekspercka i, w razie potrzeby, reklasyfikacja. Cyfrowe obrazy i raporty są następnie przechowywane na serwerze lokalnym o dużej pojemności. Kluczowe zalety ADM obejmują zwiększoną szybkość, efektywne zarządzanie danymi, wsparcie edukacyjne, zdalny dostęp do oceny i konsultacji, cyfrowe archiwizację oraz integrację danych multimodalnych. Największą ograniczeniem ADM jest ryzyko krytycznej błędnej klasyfikacji komórkowej, co może mieć poważny wpływ kliniczny. Nieistotne błędne klasyfikacje są tolerowalne i neutralne pod względem diagnostycznym, podczas gdy istotne błędne klasyfikacje są niedopuszczalne i mogą prowadzić do poważnych konsekwencji diagnostycznych i klinicznych. Krytyczne błędne klasyfikowanie nowotworowych limfocytów, małych limfoblastów/mieloblastów, ziarnistych monoblastów, dysplastycznych promonocytów i monocytów, plazmoblastów oraz niedojrzałych komórek plazmatycznych – wszystkich, które mogą wykazywać nietypowe morfologie – niesie ryzyko błędnej diagnozy. Wymagane są dalsze postępy, aby osiągnąć niezawodną wydajność diagnostyczną. Rozległe, wysokiej jakości dane treningowe, w połączeniu z regularną walidacją, są niezbędne, aby zapewnić, że AI funkcjonuje jako efektywne wsparcie dla osądu diagnostycznego.
Wprowadzenie
Poprawne cytomorfologiczne ocena rozmazów krwi obwodowej (PB) i szpiku kostnego (BM) pozostaje podstawą multidyscyplinarnej diagnostyki w hemato-onkologii, wpływając na kluczowe punkty decyzyjne kliniczne1,2,3,4. Istnieją dowody na znaczną zmienność między ekspertami i wewnątrz ekspertyz w manualnej analizie rozmazów PB i BM, z następczymi wpływami na diagnozę pacjentów2,5,6,7,8,9. Ostatnie osiągnięcia w analizie obrazów, uczeniu maszynowym i patologii obliczeniowej umożliwiły zautomatyzowaną ocenę rozmazów PB i BM na poziomie, który może uzupełniać ekspertyzę cytomorfologiczną1,2,3,4,10,11,12,13,14. Sztuczna inteligencja (AI) umożliwiająca zautomatyzowaną cyfrowy cytomorfologię (ADM) krwi obwodowej i szpiku kostnego może wspierać pracochłonną i czasochłonną mikroskopię optyczną i podejmowanie decyzji przez ekspertów1,2,3,4,11,12.
Kluczowe elementy technologii ADM obejmują standaryzowane przygotowanie i barwienie rozmazów, skaner z zaawansowanymi możliwościami obrazowania, AI i wydajny, przyjazny dla użytkownika interfejs. Precyzyjne mechanizmy ADM działają z dokładnością na poziomie mikrometrów z dużą prędkością, podczas gdy zaawansowane rozwiązania obrazowań zapewniają wysoką jakość obrazu14. Przyjazny dla użytkownika interfejs sprawia, że ta zaawansowana technologia jest dostępna w intuicyjny i uproszczony sposób14.
ADM jest od dawna stosowany do ocen PB, gdzie jest wysoce rozwinięty i stał się integralną częścią standardowych przepływów pracy w laboratorium. W ocenach BM, jednakże, ADM prezentuje wyzwania z powodu złożonych i skomplikowanych wzorców cytomorfologicznych, dużej liczby odrębnych typów komórek i morfologicznego podobieństwa komórek przodków2. Zdolność klasyfikacji AI opiera się na szkoleniu za pomocą dużych, kompleksowych zestawów danych obrazowych zawierających nawet kilka milionów komórek. Wszystkie komórki zawarte w tych zbiorach danych szkoleniowych są przeglądane i adnotowanej przez ekspertów. To ekspertyza, wśród innych czynników, ma bezpośredni wpływ na jakość klasyfikacji.
Mimo to, niektóre komórki PB i BM pozostają szczególnie wymagające do sklasyfikowania dla ADM, co może znacząco wpływać na diagnozę cytomorfologiczną2,12,15. Krytyczne błędne klasyfikacje komórkowe pozostają główną ograniczeniem ADM i mogą mieć poważne konsekwencje kliniczne, osłabiając w ten sposób wiarygodność metody2.
Naszym celem jest przedstawienie praktycznego przepływu pracy ADM, w tym jego konkretne kroki i proces przeglądu ekspertów. Szczegółowe raportowanie procesu ADM przy użyciu dwóch platform analitycznych jako przykładów umożliwi użytkownikom pełne wykorzystanie możliwości i korzyści metody. Wysoka dokładność klasyfikacji ADM dla PB została wykazana w licznych badaniach12,15,16. Dlatego w naszych badaniach skupiliśmy się wyłącznie na ADM dla BM, gdzie wiarygodne dane walidacyjne tego typu są ograniczone. Ilościowe wyniki walidacji są oparte na analizie BM. Ponadto podkreślamy kluczowe ograniczenie metody, a mianowicie krytyczne błędne klasyfikacje. Proponujemy również kategorizację błędnych klasyfikacji i podkreślamy najczęstsze rodzaje krytycznych błędów klasyfikacji.
Protokół
Nasze badanie, opublikowane w 2025 roku2, wykorzystało archiwialny materiał i zostało przeprowadzone zgodnie z zaktualizowanymi zasadami Deklaracji Helsińskiej. Pacjenci wyrazili pisemną zgodę na badania laboratoryjne, anonimowe zbieranie i analizę danych oraz wykorzystanie ich w celach badawczych, w tym na potrzeby publikacji anonimizowanych danych obrazowych. Badanie zostało zatwierdzone przez Lokalny Komitet Etyczny Szpitala Havířov (zatwierdzenie IGS_2023_HEM_PAT).
UWAGA: Raport ADM dla PB i BM, po automatycznym barwieniu, jest opisany.
1. Przygotowanie i barwienie wymazów krwi obwodowej i szpiku kostnego przy użyciu automatycznego urządzenia
- Przed włączeniem urządzenia, wykonaj następujące sprawdzenia: stan przewodów, połączenie sieciowe, stan pojemnika na odpady, wystarczającą ilość reagentów i odpowiednie zaopatrzenie w szklanka mikroskopowe.
UWAGA: Pojemniki na reagenty nie mogą być puste, a wszystkie reagenty muszą być ważne. - Włącz urządzenie.
- Główna jednostka automatycznie wykonuje samodzielne sprawdzenie.
- Zaloguj się do oprogramowania za pomocą ważnej nazwy użytkownika i hasła.
- Używaj urządzenia zgodnie z aktualnymi wersjami oprogramowania. Przestrzegaj zaleceń producenta i instrukcji obsługi (ekran główny—Rysunek 1).
- Użyj Menu do wybierania operacji, Listy Pracy do zarządzania wnioskami o przygotowanie szklanek i wymazu, Przeglądarki do przeglądania danych w wnioskach oraz zakładki Status do sprawdzania statusu przygotowywanego wymazu.
- Pobierz nowe żądanie przygotowania szklanek z komputera hosta lub utwórz nowe żądanie.
UWAGA: Używaj szklanek z fasetowanymi i zaokrąglonymi krawędziami o wymiarach 24,7–26,3 mm przez 74,7–76,3 mm, o szerokości 0,9–1,2 mm i matowej krawędzi 15–20 mm. - Edytuj lub usuń wnioski o przygotowanie szklanek według potrzeb.
- Przygotuj wymaz:
- Zawsze używaj rękawic latexowych lub nitylowych podczas obsługi próbek PB i BM oraz wymazów.
- Wybierz tryb przygotowania wymazów.
- Umieść stojak próbek w probówkozdajce.
UWAGA: Używaj tylko probówek, które zostały specjalnie zatwierdzone przez producenta urządzenia do barwienia. - Sprawdź, czy szklankę rozprowadzającą jest zakompletowany, całkowicie czysty i bezpiecznie umieszczony w uchwycie.
- Rozpocznij przygotowanie i barwienie wymazu za pomocą okna dialogowego.
- Sprawdź status przygotowywanego wymazu.
- Sprawdź szczegóły wniosków o przygotowanie szklanek.
- Usuń stojak próbek.
- Usuń przygotowane i wybarwione szklanka.
Punkt kontrolny: Czy jakość wymazu przy wizualnej inspekcji (po wyjściu) spełnia zdefiniowane kryteria akceptacji? Musi być obecna strefa monowarstwowa o odpowiedniej długości i gęstości komórek. - Wykonaj inspekcję i czyszczenie urządzenia przed wyłączeniem.
- Wyłącz urządzenie.
UWAGA:
Protokół barwienia dla krwi obwodowej-
Barwnik 1: Barwnik May-Grünwald; Barwnik 2: Barwnik Giemsa-Romanowski. Nierozcieńczony barwnik 1 (73 mL) 2:48 min; rozcieńczony barwnik 1 (73 mL, bufor fosforanowy pH 7,0, stosunek rozcieńczenia 1:10) 3:36 min. Rozcieńczony barwnik 2 (26 mL, bufor fosforanowy pH 7,0, stosunek rozcieńczenia 1:10) 4:00 min. Płukanie (439 mL, automatyczny proces)
1. Suszenie (automatyczny proces) 3:36 min.
Protokół barwienia dla szpiku kostnego-
Barwnik 1: Barwnik May-Grünwald; Barwnik 2: Barwnik Giemsa-Romanowski. Nierozcieńczony barwnik 1 (73 mL) 3:36 min; rozcieńczony barwnik 1 (73 mL, bufor fosforanowy pH 7,0, stosunek rozcieńczenia 1:10) 2:48 min. Rozcieńczony barwnik 2 (26 mL, bufor fosforanowy pH 7,0, stosunek rozcieńczenia 1:10) 10:00 min. Płukanie (439 mL, automatyczny proces)
1. Suszenie (automatyczny proces) 3:36 min.
OSTRZEŻENIE: Podczas obsługi chemikaliów w laboratorium, przestrzegaj instrukcji zawartych w ich oficjalnych kartach danych bezpieczeństwa, które zawierają informacje o składzie, symbolach zagrożenia, instrukcjach pierwszej pomocy, procedurach reagowania na nagłe wycieki i pożary, wytycznych dotyczących obsługi i przechowywania, wymagania dotyczące środków ochrony osobistej, informacje toksykologiczne i środowiskowe oraz instrukcje dotyczące transportu i usuwania. Usuwaj odpady w postaci cieczy, reagentów i materiałów eksploatacyjnych jako odpady medyczne zakaźne i/lub odpady przemysłowe zgodnie z lokalnymi przepisami i regulacjami. Jeśli to możliwe, korzystaj z centralnego systemu usuwania odpadów.
2. Automatyczna
Wyniki
Badanie walidacyjne – metody
W niniejszym badaniu walidacyjnym odtworzyliśmy wyniki naszej poprzedniej pracy opublikowanej w czasopiśmie Clinical and Translational Medicine2. Konwencjonalną mikroskopię optyczną oraz ADM przeprowadzono na 328 rozmazach szpiku kostnego (BM). Dane do analizy obejmowały informacje obrazowe wszystkich analizowanych komórek oraz wyniki klasyfikacji, w tym rzadkie i nietypowe przypadki morfologiczne. Przypadki podzielono na sześć grup diagnostycznych: nowotwory mielodysplastyczne (MDN: 15%), szpiczak mnogi (MM: 14%), dojrzałe nowotwory limfocytów B/T (chłoniaki B/T: 13%), ostrą białaczkę i przewlekłą mielomonocytową białaczkę (AL+CMML: 9%), nowotwory mieloproliferyjne (MPN: 8%) oraz reaktywną hematopoezę (reaktywna: 41%). Zdolność ADM do rozpoznawania (klasyfikowania) komórek oceniono poprzez analizę możliwości poprawnego przypisania komórek do jednej z 25 kategorii, w porównaniu z niezależną, konsensualną adnotacją ekspertów opartą na podwójnej analizie2.
Każdy przypadek został przeanalizowany przez dwóch ekspertów, przy czym zgodność klasyfikacji (adnotacji) wystąpiła w >99% komórek. Eksperci posiadali duże doświadczenie, regularnie uczestnicząc w pomyślnych zewnętrznych ocenach jakości. W przypadku komórek o rozbieżnych klasyfikacjach (<1%) osiągano konsensus między obserwatorami. Zasada analizy spójności polegała na porównaniu automatycznej wstępnej klasyfikacji każdej komórki z ostateczną klasyfikacją ekspercką każdej komórki; konsensualna klasyfikacja ekspercka została uznana za prawdziwy wzorzec klasyfikacji (ground truth)2.
Oceniono spójność klasyfikacji komórkowej i klinicznej oraz zidentyfikowano krytyczne błędne klasyfikacje. Spójność klasyfikacji komórkowej określono na podstawie macierzy pomyłek, bazując na zgodności klasyfikacji dla poszczególnych typów komórek. Zastosowano standardowe metody statystyczne oraz wizualne wydobywanie danych. Dla każdego typu komórek oraz jako wartość średnią obliczono współczynnik korelacji Matthewsa (MCC), który zinterpretowano w sposób standardowy. Wartość MCC wynosząca 0,400 i więcej uznano za satysfakcjonującą2,18.
Dla każdego pacjenta spójność klasyfikacji klinicznej określono jako procent poprawnie wstępnie sklasyfikowanych elementów spośród wszystkich ocenionych komórek w danym przypadku, po wyeliminowaniu komórek niepodlegających klasyfikacji. Klasyfikację ekspercką uznano za prawdziwy punkt odniesienia (ground truth)2.
Błędne klasyfikacje uznaje się za nieistotne, gdy są neutralne diagnostycznie i nie wpływają na ostateczną diagnozę. Obejmują one wzajemne błędne klasyfikacje między limfoblastem, mieloblastem a monoblastem; neutrofilowym, eozynofilowym i bazofilowym promielocytem/mielocytem; mielocytem/metamyelocytem; metamyelocytem/formą prążkowatą; neutrofilem prążkowatym/segmentowym; proerytroblastem/wczesnym erytroblastem; wczesnym/pośrednim oraz pośrednim/późnym erytroblastem; promonocytem/monocytem; prolimfocytem/limfocytem; plazmablastem/niedojrzałą komórką plazmatyczną oraz niedojrzałą komórką plazmatyczną/dojrzałą komórką plazmatyczną. Wszystkie pozostałe błędne klasyfikacje uznaje się za istotne, ponieważ są one nieakceptowalne diagnostycznie i mogą prowadzić do poważnych konsekwencji klinicznych (Rysunek 4)2.
Ogólną spójność klasyfikacji klinicznej obliczono jako medianę wartości dla poszczególnych przypadków, uwzględniając jedynie istotne błędne klasyfikacje komórek. Za krytyczną błędną klasyfikację uznano przypadek, w którym indywidualna wartość spójności klasyfikacji klinicznej była niższa niż 80%. Ten arbitralny limit został ustalony w drodze konsensusu ekspertów, z uwzględnieniem minimalnych wymagań zewnętrznej oceny jakości w ramach przeglądów cytomorfologicznych2.
Kluczowe różnice specyficzne dla danej platformy obejmują dwuetapowy proces analizy szpiku kostnego (BM) (obiektywy 40× i 100×), co wprowadza dodatkową złożoność nieobecną w protokole dla krwi obwodowej (PB), odmienne docelowe liczby komórek (100 komórek w PB, 500 komórek w BM) oraz zróżnicowane kategorie klasyfikacji. Najważniejszym wspólnym czynnikiem determinującym porównywalność między platformami i typami próbek jest procedura przygotowania rozmazu.
Zgłoszone ilościowe wskaźniki wydajności są bezpośrednio powiązane z kohortą walidacyjną opisaną w sekcji Metody (n = 328 rozmazów BM). Procent prawidłowo sklasyfikowanych istotnych komórek spośród wszystkich sklasyfikowanych komórek (spójność klasyfikacji komórkowej) wyniósł 95,4%. Satysfakcjonujące wartości korelacji, wskazane przez MCC, wynosiły ≥0,400 dla 22 z 25 (88,0%) typów komórek, podczas gdy niezadowalające wartości MCC (<0,400) zaobserwowano dla 3 z 25 (12,0%) typów komórek (limfoblastów, prolimfocytów i promonocytów). Ogólna istotna spójność kliniczna wyniosła 97,1% (mediana), przy czym w 94,5% przypadków wskaźniki spójności mieściły się w przedziale od 80% do 100%. U 5,5% pacjentów zaobserwowano krytyczną błędną klasyfikację, z wartościami istotnej spójności klinicznej w zakresie od 36% do 79%, co było wynikiem braku rozpoznania komórek nowotworowych2.
Błędna klasyfikacja komórek obniża wiarygodność ADM w analizie szpiku kostnego i stanowi główne ograniczenie tej metody w diagnostyce hematoonkologicznej (Tabela 1). W przypadkach istotnej błędnej klasyfikacji zbadano morfologię komórek zaklasyfikowanych prawidłowo i błędnie. Komórki zaklasyfikowane prawidłowo wykazują zazwyczaj typowe cechy cytomorfologiczne. Z kolei błędna klasyfikacja najczęściej występuje przy rozróżnianiu komórek morfologicznie podobnych lub atypowych, w szczególności atypowych limfocytów i blastów; mieloblastów i limfocytów; limfoblastów i limfocytów; monoblastów lub promonocytów i promielocytów; a także niedojrzałych komórek plazmatycznych i blastów. Komórki błędnie zaklasyfikowane często wykazują atypową cytomorfologię. W nowotworach limfoidalnych błędnie zaklasyfikowane limfocyty nowotworowe, takie jak te obserwowane w chłoniaku strefy marginalnej i białaczce włochatokomórkowej, mają tendencję do bycia średniej wielkości, z obfitą bazofilną lub bladą cytoplazmą, wypustkami cytoplazmatycznymi i drobniejszą chromatyną z jąderkiem. Cechy te różnią się od cech prawidłowo zaklasyfikowanych komórek nowotworowych. W chłoniaku komórek płaszcza atypowe limfocyty mogą wykazywać postać blastoidalną, co zwiększa prawdopodobieństwo błędnej klasyfikacji. Podobnie w wariancie pleomorficznym przewlekłej białaczki limfocytowej limfocyty nowotworowe mogą zostać błędnie zidentyfikowane jako blasty. Reprezentatywne przykłady jakościowe przedstawiono na Rysunku 4 oraz Rysunku 5.
W ostrej białaczce oraz przewlekłej mielomonocytowej białaczce (CMML) błędnie sklasyfikowane limfoblasty i mieloblasty są małe, z wysokim stosunkiem jądra do cytoplazmy, grubszą chromatyną i widocznymi jąderkami. Liczne ziarniste monoblasty mogą zostać błędnie sklasyfikowane jako promielocyty. W CMML błędna klasyfikacja jest często powiązana z dysplastycznymi komórkami monocytowymi. W szpiczaku mnogim błędy klasyfikacji występują w linii komórek plazmatycznych, szczególnie w odniesieniu do plazmablastów i niedojrzałych komórek plazmatycznych. Reprezentatywne przykłady jakościowe przedstawiamy na Rysunku 5.
Krytyczne błędne klasyfikacje limfocytów nowotworowych, małych limfoblastów/mieloblastów, ziarnistych monoblastów, dysplastycznych promonocytów i monocytów, plazmoblastów oraz niedojrzałych komórek plazmatycznych — z których wszystkie mogą wykazywać atypową morfologię — stwarzają ryzyko błędnej diagnozy. Pomylenie chłoniaka z ostrą białaczką i odwrotnie może mieć poważne, a nawet śmiertelne konsekwencje dla prowadzenia pacjenta. Wyniki fałszywie ujemne, takie jak brak rozpoznania ostrej białaczki szpikowej (szczególnie ostrej białaczki promielocytowej) lub błędna diagnoza CMML lub szpiczaka mnogiego, mogą potencjalnie prowadzić do niewłaściwych decyzji terapeutycznych lub opóźnień w leczeniu.
Rysunek 1. Ikony ekranu głównego automatycznego barwiarki. Dzięki uprzejmości Sysmex; materiały informacyjne producenta (podręcznik podstawowej obsługi). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 2. Błędna klasyfikacja białych krwinek w PB. Na zrzutach ekranu oprogramowania błędnie sklasyfikowane komórki zaznaczono czerwonymi ramkami. W przypadku zakażenia EBV limfocyty reaktywne zostały błędnie sklasyfikowane jako monocyty (A, czerwona ramka). W przewlekłej białaczce limfocytowej niektóre limfocyty zostały błędnie sklasyfikowane jako blasty (B, czerwona ramka). W CMML dysplastyczne monocyty zostały błędnie sklasyfikowane jako neutrofile segmentowe (C, czerwona ramka), a monoblast błędnie sklasyfikowano jako dysplastyczny mielocyt (D, czerwona ramka). PB, CellaVision DC-1, Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski przy użyciu barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany technik. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.
Rysunek 3. Błędna klasyfikacja limfocytów nowotworowych w szpiku kostnym (BM). Zrzut ekranu z oprogramowania. Limfocyty nowotworowe w chłoniaku z dużych komórek B w BM zostały błędnie sklasyfikowane jako mieloblasty. Zaproponowana alternatywna klasyfikacja z pięcioma najbardziej prawdopodobnymi opcjami („lista pięciu najlepszych”), zawierająca prawdopodobieństwa procentowe, jest zaznaczona żółtą strzałką. W przypadku komórki w żółtej ramce etykieta wskazuje prawdopodobieństwa procentowe dla mieloblastu, monoblastu, limfoblastu, proerytroblastu i wczesnego erytroblastu, bez opcji dla limfocytu. BM, Morphogo, oprogramowanie do weryfikacji, automatyczne barwienie metodą May–Grünwalda i Giemsy–Romanowskiego przy użyciu barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany naukowiec, certyfikowany lekarz. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
Rysunek 4. Nieistotne i istotne błędy klasyfikacji komórek. (A) Przykłady nieistotnych błędów klasyfikacji w liniach mieloidalnej i erytroidalnej przedstawiono w porównaniu między klasyfikacją ekspercką a wstępną klasyfikacją ADM. (B) Przykłady istotnych błędów klasyfikacji w liniach limfoidalnej, komórek plazmatycznych i monocytarnych przedstawiono w porównaniu między klasyfikacją ekspercką a wstępną klasyfikacją ADM. Kategoryzacja niektórych elementów była trudna nawet dla eksperta. Obrazy komórek zostały wyeksportowane z oprogramowania. BM, Morphogo, Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski przy użyciu barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany naukowiec, certyfikowany lekarz. Do każdej komórki dodano pasek skali. Paski skali reprezentują 10 µm. Kalibracja oparta na kamerze ToupCam (rozmiar piksela 1,85 µm) z obiektywem Olympus Plan N 100×.
Zmodyfikowano na podstawie: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. The utility of automated artificial intelligence-assisted digital cytomorphology for bone marrow analysis in diagnostic haemato-oncology. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 5. Reprezentatywne przykłady najczęstszych błędnych klasyfikacji komórek szpiku kostnego (BM) u pacjentów z nowotworami hematologicznymi. Przedstawiono błędnie sklasyfikowane limfocyty nowotworowe, mieloblasty, limfoblasty, monoblasty i plazmocyty w wybranych przypadkach chłoniaka strefy marginalnej (MZL), chłoniaka komórek płaszcza (MCL), białaczki włochatej (HCL), przewlekłej białaczki limfocytowej (CLL), ostrej białaczki szpikowej (AML), ostrej białaczki limfoblastycznej T (T-ALL) oraz szpiczaka mnogiego (MM). Najczęstszym błędem była błędna klasyfikacja atypowego limfocytu/blasta. Główne cechy cytomorfologiczne błędnie sklasyfikowanych limfocytów nowotworowych obejmowały średnią wielkość, drobniejszą chromatynę (czerwone strzałki), jąderka (niebieskie strzałki), obfitą bazofilną lub bladą cytoplazmę z wypustkami (zielone strzałki) oraz wygląd blastoidalny (pomarańczowa strzałka). Błędnie sklasyfikowane limfoblasty i mieloblasty były małe, z wysokim stosunkiem jądra do cytoplazmy i grubszą chromatyną z jąderkami (szare strzałki). Plazmablasty i niedojrzałe plazmocyty zostały błędnie sklasyfikowane jako limfocyty lub nie zostały rozpoznane jako należące do linii plazmocytów (sklasyfikowane jako „blast, niespecyficzny”). Obrazy komórek zostały wyeksportowane z oprogramowania BM Morphogo Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski przy użyciu barwiarki Sysmex SP-50, powiększenie 1000×, eksperci: certyfikowany naukowiec, certyfikowany lekarz. Do każdej komórki dodano pasek skali. Paski skali reprezentują 10 µm. Kalibracja oparta na kamerze ToupCam (rozmiar piksela 1,85 µm) z obiektywem Olympus Plan N 100×.
Obraz zmodyfikowano na podstawie: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. The utility of automated artificial intelligence-assisted digital cytomorphology for bone marrow analysis in diagnostic haemato-oncology. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.
| Diagnostyka | Liczba przypadków | Błędnie sklasyfikowane komórki | |
| Klasyfikacja ekspercka | klasyfikacja ADM | ||
| Nowotwory dojrzałych limfocytów B | 9/43 | ||
| Chłoniak strefy marginalnej | 4/8 | Limfocyt atypowy | Blast, NOC |
| Chłoniak z komórek płaszcza | 2/5 | Atypowe limfocyty | Blast, NOC |
| PLL (przewlekła białaczka limfatyczna) | 1/14 | Limfocyt atypowy | Blast, NOC |
| Białkowowodna białaczka włochatokomórkowa | 2/2 | Atypowy limfocyt | Blast, NOC / Monocyt |
| Krotniak szpiczakowaty | 5/46 | Komórka plazmatyczna | Blast, NOC |
| AML (ostra białaczka szpikowa) | 3/16 | Mieloblast / Monoblast | Limfocyt / Promielocyt |
| T-ALL (ostra białkowa białaczka limfoblastyczna z komórek T) | 1/1 | Limfoblast | Limfocyt |
Tabela 1: Krytyczne błędne klasyfikacje dokonane przez ADM. U 18/328 (5,5%) pacjentów zaobserwowano krytyczną błędną klasyfikację. Kliniczna grupa krytycznych błędnych klasyfikacji dokonanych przez ADM obejmowała dziewięciu z 43 pacjentów z nowotworami dojrzałych limfocytów B, pięciu z 46 pacjentów z MM, trzech z 16 pacjentów z AML oraz jednego (z jednego) pacjenta z T-ALL. Najczęstszą błędną klasyfikacją była ta dotycząca atypowych limfocytów/blastów. NOC: niezaklasyfikowane w inny sposób.
Reprodukowano z: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. The utility of automated artificial intelligence-assisted digital cytomorphology for bone marrow analysis in diagnostic haemato-oncology. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.
Dyskusja
Postępy technologiczne w przetwarzaniu obrazów wysokiej rozdzielczości, zautomatyzowanej klasyfikacji obrazów cyfrowych i podejmowaniu decyzji przy użyciu sztucznej inteligencji wspomaganej przez konwolucyjne sieci neuronowe umożliwiły znaczne ulepszenie ADM. W rezultacie, ADM uzupełnia standardową mikroskopię optyczną. Poprawne zidentyfikowanie poszczególnych kategorii cytomorfologicznych może być wyzwaniem, szczególnie wśród blisko spokrewnionych grup klasyfikacyjnych, które mają podobne cechy morfologiczne2,11,12,14,15,19,20. Ponieważ wyniki ekspertów są zawsze wpłynięte pewnym stopniem subiektywizmu, nie mogą być uważane za ostateczne lub jedyne możliwe poprawne wyniki—zwłaszcza w przypadkach granicznych lub niejednoznacznej klasyfikacji komórek (np. dysplastyczne lub bardzo atypowe elementy)2. Te wzorce błędnej klasyfikacji były zgłaszane w PB, wykazując silniejszą wydajność dla typowych rodzajów komórek, ale słabszą spójność klasyfikacji dla niektórych klinicznie ważnych podzbiorów, w tym blastów12,15,19,20. Może to znacząco wpłynąć na diagnozę cytomorfologiczną PB i BM.
W porównaniu z PB, tylko kilka badań skupiło się na dokładności klasyfikacji ADM w analizie BM2,20,21,22,23. W chińskim badaniu dotyczącym klasyfikacji ADM, spójność osiągnęła 99%, a większość rodzajów komórek BM wykazywała bardzo wysoką korelację z ekspertyzami hematopatologicznymi21. Jednak proporcja nowotworów krwi w badanej kohorcie była mniejsza niż 30%21. Inne badania porównawcze oceniające wydajność między zautomatyzowanymi systemami rozmazów PB i BM a analizą manualną przeprowadzono w badaniach wieloośrodkowych22,23. W ostatnim porównaniu, 795 próbek BM pacjentów z chorobami nowotworowymi i innymi stanami klinicznymi zostało przeanalizowanych, osiągając ogólną zgodność 91,1% z mikroskopią optyczną23.
Badanie rzeczywistej kohorty pacjentów o europejskim pochodzeniu, z 59% przypadkami nowotworów, porównało AI-wspieraną ADM z ekspertyzą mikroskopii optycznej w sześciu grupach diagnostycznych2. Krytyczne błędne klasyfikacje komórek nowotworowych o nietypowej morfologii miały potencjał niewłaściwej diagnozy2. Dlatego to badanie zidentyfikowało kandydatów na typy komórek dla przyszłego treningu i testowania wydajności AI2. Jednak to badanie miało kilka ograniczeń. Po pierwsze, badanie obejmowało ograniczoną liczbę pacjentów i zarchiwizowanego materiału, a niektóre rzadkie zaburzenia BM były nieobecne, w tym próbki pediatryczne. Po drugie, cytomorfologia niektórych komórek nowotworowych była bardzo nietypowa, z wątpliwą zgodnością w klasyfikacji nawet wśród doświadczonych ekspertów. Po trzecie, analizowano tylko próbki pochodzenia europejskiego. Po czwarte, nie wykonano zewnętrznej walidacji istotnych i nieistotnych błędnych klasyfikacji2.
Błędne klasyfikacje komórkowe stanowią główne ograniczenie ADM w diagnostycznej hemato-onkologii2. Istnieje kilka powodów błędnej klasyfikacji. Oprócz nakładania się cytomorfologicznego, prawdopodobnie wśród czynników przyczyniających się do tego są rzadkość niektórych stanów i zmienność w konsensusie ekspertów dotyczącym rodzajów komórek. Może to prowadzić do niekonsekwentnych adnotacji i luk w danych treningowych. Wykrywanie zmian dysplastycznych w krwiotwórstwie jest niewiarygodne, podobnie jak szczegółowa ocena cytomorfologii megakariocytów2. Chociaż niekorzystne efekty są w dużej mierze łagodzone przez obowiązkową nadzór ekspertów, pozostają ograniczenia dotyczące absolutnej wiarygodności ADM, szczególnie w przypadku białaczek, chłoniaków i szpiczaka mnogiego2. Prawidłowe ekspertyzy adnotacji komórek dla treningu AI są istotnym warunkiem wstępnym dla wydajności ADM. Dokładne nakłamanie danych jest fundamentalne dla budowy wiarygodnych zestawów danych rzeczywistości. W cytomorfologii, zdefiniowanie rzeczywistości może być szczególnie trudne w przypadkach niejednoznacznych lub granicznych, ponieważ stopień subiektywizmu utrzymuje się nawet wśród doświadczonych, szeroko uznawanych ekspertów. Kiedy opinie ekspertów się różnią, rzeczywistość może zostać ustalona poprzez konsensus większości lub zgodę między dwoma lub więcej niezależnymi recenzentami o porównywalnym doświadczeniu, szczególnie gdy oceny diagnostyczne są rozbite na oddzielne kom
Oświadczenia
Autorzy nie deklarują żadnych konfliktów interesów.
Podziękowania
Badanie zostało wspierane przez Wewnętrzne Stypendium Badawcze 2024 Szpitala Morawskosląskiego Havirov, Havirov, Czechy oraz Wewnętrzne Stypendium IGA_LF_2026_012 Uniwersytetu Palackiego Ołomuniec, Ołomuniec, Czechy.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Automated Hematology Slide Preparation Unit SP-50 | Sysmex Corporation, Kobe, Japan | N/A | Automated slide maker and stainer |
| Barcode scanner for Sysmex SP-50 | Datalogic Gryphon | S/N: G21M20996 | Barcode scanner |
| CellaVision DC-1 | CellaVision AB, Lund, Sweden | PM-10895-15 | Automated digital morphology analyzer |
| CellaVision DM Software | CellaVision AB, Lund, Sweden | Version 7.1.1 build 8 | |
| Giemsa Solution for SP Automated Systems | RAL Diagnostics, Martillac, France | 750305X1000 | Component of panoptic staining for peripheral blood and bone marrow smears |
| Immersion Oil (CellaVision Immersion Oil 50 mL) | CellaVision AB, Lund, Sweden | XU-10319 | Immersion oil |
| May-Grünwald for SP Automated Systems | RAL Diagnostics, Martillac, France | 750105X2500 | The component of panoptic staining for peripheral blood and bone marrow smears |
| Morphogo Bone Marrow Analyzer | Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China | N/A | Automated digital bone marrow morphology analyzer |
| Morphogo Review Software | Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China | Version 1.0.6 | Bone marrow review software |
| pH 7.0 Buffer Solution for SP Automated Systems | RAL Diagnostics, Martillac, France | 750505X5000 | Buffer solution |
| QR scanner for CellaVision DC-1 | Datalogic Gryphon | GD 4500 | QR scanner |
| RAL Cleaning solution | RAL Diagnostics, Martillac, France | 750725X5000 | Cleaning solution |
| S-Monovette K3 EDTA tube | Sarstedt | 05.1167.001 | Tube for SP-50 |
| SP-Rinse Solution | RAL Diagnostics, Martillac, France | 37000305 | Rinse solution |
| SP Slides | Sysmex Corporation, Kobe, Japan | ZE 001906 | Slides for peripheral blood and bone marrow smears |
| SP Slides | Sysmex Corporation, Kobe, Japan | ZE 001906 | Slides for QC |
| SP Spreader glass | Sysmex Corporation, Kobe, Japan | 95102918 | Glass for spreading the smear |
| Tube rack for Sysmex SP-50 | Sysmex Corporation, Kobe, Japan | AU330213 | Tube rack |
Bibliografia
- Walter W, et al. Artificial intelligence in hematological diagnostics: Game changer or gadget? Blood Rev. 2023;58:101019.
- 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.
- Zini G, Barbagallo O, Scavone F, Béné 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.
- Saft L, et al. A deep-learning algorithm (AIFORIA) for classification of hematopoietic cells in bone marrow aspirate smears based on nine cell classes – a feasible approach for routine screening? J Hematop. 2025;18(1):12.
- Lewandowski K, Kurpierz K, Sledzinska A. External bone marrow cytological examination quality assurance (EQAhem) – summary after 6 years in Poland. Ann Hematol. 2015;94(10):1741-1748.
- 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.
- 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.
- 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.
- DeLima M, et al. Comparison of referring and tertiary cancer center physician's diagnoses in patients with leukemia. Am J Med. 1998;104(3):246-251.
- Hanna MG, Parwani A, Sirintrapun SJ. Whole slide imaging: Technology and applications. Adv Anat Pathol. 2020;27(4):251-259.
- 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.
- Lewis JE, Pozdnyakova O. Digital assessment of peripheral blood and bone marrow aspirate smears. Int J Lab Hematol. 2023;45(Suppl 2):50-58.
- 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.
- Starostka D, et al. Automated digital cytomorphology increases the reliability of bone marrow diagnostics. Transfuze Hematol Dnes. 2025;31(2):66-80.
- 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.
- 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.
- Lee SH, et al. ICSH guidelines for the standardization of bone marrow specimens and reports. Int J Lab Hematol. 2008;30(5):349-364.
- 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.
- 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.
- 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.
- Lv Z, et al. High-accuracy morphological identification of bone marrow cells using deep learning-based Morphogo system. Sci Rep. 2023;13(1):13364.
- 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.
- 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.
- 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.
- Ryou H, et al. Quantitative interpretation of bone marrow biopsies in MPN – What's the point in a molecular age? Br J Haematol. 2023;203(4):523-535.
- 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.
- 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.
- Lin Y, Chen Q, Chen T. Recent advancements in machine learning for bone marrow cell morphology analysis. Front Med (Lausanne). 2024;11:1402768.
- Nazha A, et al. Artificial intelligence in hematology. Blood. 2025;146(19):2283-2292.
- 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.
- Glüge 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.
- 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.
- Deltadahl S, et al. Deep generative classification of blood cell morphology. Nat Mach Intell. 2025;7:1791-1803.
Przedruki i uprawnienia
