Artykuł metodologiczny

Przepływ pracy dla zautomatyzowanej cytomorfologii krwi obwodowej i szpiku kostnego, z uwzględnieniem krytycznych błędów klasyfikacyjnych komórek

DOI:

10.3791/71690

⸱

28 lipca 2026

 ,  ,  ,  , 
1Laboratory of Hemato-oncology and Clinical Biochemistry, Moravian-Silesian Hospital Havirov, 2Department of Pathology, Moravian-Silesian Hospital Havirov, 3Institute of Pathology and Molecular Pathology, University Clinic Wuppertal

* These authors contributed equally

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

  1. 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.
  2. Włącz urządzenie.
  3. Główna jednostka automatycznie wykonuje samodzielne sprawdzenie.
  4. Zaloguj się do oprogramowania za pomocą ważnej nazwy użytkownika i hasła.
  5. Używaj urządzenia zgodnie z aktualnymi wersjami oprogramowania. Przestrzegaj zaleceń producenta i instrukcji obsługi (ekran główny—Rysunek 1).
  6. 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.
  7. 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.
  8. Edytuj lub usuń wnioski o przygotowanie szklanek według potrzeb.
  9. Przygotuj wymaz:
    1. Zawsze używaj rękawic latexowych lub nitylowych podczas obsługi próbek PB i BM oraz wymazów.
    2. Wybierz tryb przygotowania wymazów.
    3. Umieść stojak próbek w probówkozdajce.
      UWAGA: Używaj tylko probówek, które zostały specjalnie zatwierdzone przez producenta urządzenia do barwienia.
    4. Sprawdź, czy szklankę rozprowadzającą jest zakompletowany, całkowicie czysty i bezpiecznie umieszczony w uchwycie.
    5. Rozpocznij przygotowanie i barwienie wymazu za pomocą okna dialogowego.
    6. Sprawdź status przygotowywanego wymazu.
  10. Sprawdź szczegóły wniosków o przygotowanie szklanek.
  11. Usuń stojak próbek.
  12. 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.
  13. Wykonaj inspekcję i czyszczenie urządzenia przed wyłączeniem.
  14. 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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Studium walidacji – metody
W niniejszym badaniu walidacyjnym odtworzyliśmy wyniki naszych poprzednich prac opublikowanych w Clinical and Translational Medicine2. Konwencjonalna mikroskopia optyczna i ADM przeprowadzono na 328 wymazach szpiku kostnego. Dane do analizy obejmowały informacje obrazową dla wszystkich analizowanych komórek oraz wyniki klasyfikacji, w tym rzadkie i atypowe przypadki morfologiczne. Przypadki podzielono na sześć grup diagnostycznych: nowotwory mielodysplastyczne (MDN: 15%), szpikowy raki plazmocytowy (MM: 14%), dojrzałe nowotwory komórek B/T (B/T-limfoma: 13%), ostra białaczka i przewlekła białaczka mielomonocytarna (AL+CMML: 9%), przewlekłe nowotwory mieloproliferacyjne (MPN: 8%) oraz reaktywna hematopoeza (reaktywna: 41%). Zdolności rozpoznawania komórek ADM (klasyfikacji) oceniono na podstawie jego zdolności do poprawnego sklasyfikowania komórek do jednej z 25 kategorii, w porównaniu z niezależną zgodą ekspertów z podwójnym odczytem2.

Każdy przypadek przeglądano z dwoma ekspertami, z dopasowanymi klasyfikacjami (adnotacje) w >99% komórek. Eksperci byli bardzo doświadczeni, regularnie uczestnicząc w udanych zewnętrznych ocenach jakości. Dla komórek z różniącymi się klasyfikacjami (<1%), osiągnięto konsensus między obserwatorami. Zasada analizy spójności polegała na porównaniu automatycznej wstępnej klasyfikacji każdej komórki z ostateczną klasyfikacją eksperta dla każdej komórki; zgodna klasyfikacja ekspertów była uważana za prawdziwą referencję klasyfikacji (ground truth)2.

Oceniono spójność klasyfikacji komórkowej i klinicznej oraz zidentyfikowano krytyczne błędne klasyfikacje. Spójność klasyfikacji komórkowej określono na podstawie macierzy pomyłek, w oparciu o zgodność klasyfikacji dla poszczególnych typów komórek. Zastosowano standardowe metody statystyczne i wizualizacje danych. Obliczono współczynnik korelacji Matthewsa (MCC) dla każdego typu komórek oraz jako wartość średnią, interpretując go w standardowy sposób. Wartość MCC 0,400 i więcej była uważana za satysfakcjonującą2,18.

Dla każdego pacjenta spójność klasyfikacji klinicznej określano jako procent poprawnie wstępnie sklasyfikowanych elementów spośród wszystkich ocenianych w przypadku komórek, po wyeliminowaniu komórek niemożliwych do sklasyfikowania. Klasyfikacja eksperta była uważana za prawdziwą referencję (ground truth)2.

Błędne klasyfikacje uważa się za nieistotne, gdy są neutralne pod względem diagnostycznym i nie wpływają na ostateczną diagnozę. Obejmują one wzajemne błędne klasyfikacje między limfoblastem, mieloblastem i monoblastem; promielocytem/mielocytem neutrofilicznym, eozinofilowym i bazofilowym; mielocytem/metamielocytem; metamielocytem/pasemkiem; pasemkiem/segmentowanym neutrofilem; proerytroblastem/wczesnym erytroblastem; wczesnym/średnim i średnim/późnym erytroblastem; promonocytem/monocytem; prolimfocytem/limfocytem; limfoblastem/niedojrzałym limfocytem plazmocytowym; i niedojrzałym limfocytem plazmocytowym/dojrzałym limfocytem plazmocytowym. Wszystkie inne błędne klasyfikacje uważa się za istotne, ponieważ są diagnostycznie niedopuszczalne i mogą prowadzić do poważnych konsekwencji klinicznych (Rysunek 4)2.

Ogólną spójność klasyfikacji klinicznej obliczono jako medianę wartości indywidualnych przypadków, biorąc pod uwagę tylko istotne błędne klasyfikacje komórek. Krytyczne błędne klasyfikacje zdefiniowano jako przypadek, w którym indywidualna wartość spójności klasyfikacji klinicznej była poniżej 80%. Ten dowolny limit ustalono na podstawie konsensusu ekspertów, biorąc pod uwagę minimalne wymagania zewnętrznej oceny jakości w rundach cytomorfologii2.

Kluczowe różnice specyficzne dla platformy obejmują dwustopniową procedurę przepływu szpiku kostnego (obiektyw 40× i 100×), która wprowadza dodatkową złożoność nieobecną w protokołach krwi obwodowej, odmienne cele liczenia komórek (100 komórek w PB, 500 komórek w BM) oraz różne kategorie klasyfikacji. Najważniejszym wspólnym determinantem porównywalności między platformami i typami próbek jest procedura przygotowania wymazu.

Zgłoszone wskaźniki wydajności ilościowej są wyraźnie powiązane z kohortem walidacyjnym opisanym w Metodach (n = 328 wymazu szpiku kostnego). Procent poprawnie sklasyfikowanych istotnych komórek ze wszystkich sklasyfikowanych komórek (spójność klasyfikacji komórkowej) wynosił 95,4%. Satysfakcjonujące wartości korelacji, jak wskazuje MCC, wynosiły ≥0,400 dla 22 z 25 (8

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie deklarują żadnych konfliktów interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Automated Hematology Slide Preparation Unit SP-50Sysmex Corporation, Kobe, JapanN/AAutomated slide maker and stainer
Barcode scanner for Sysmex SP-50Datalogic GryphonS/N: G21M20996Barcode scanner
CellaVision DC-1CellaVision AB, Lund, SwedenPM-10895-15Automated digital morphology analyzer
CellaVision DM SoftwareCellaVision AB, Lund, SwedenVersion 7.1.1 build 8
Giemsa Solution for SP Automated SystemsRAL Diagnostics, Martillac, France750305X1000Component of panoptic staining for peripheral blood and bone marrow smears
Immersion Oil (CellaVision Immersion Oil 50 mL)CellaVision AB, Lund, SwedenXU-10319Immersion oil
May-Grünwald for SP Automated SystemsRAL Diagnostics, Martillac, France750105X2500The component of panoptic staining for peripheral blood and bone marrow smears
Morphogo Bone Marrow AnalyzerHangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, ChinaN/AAutomated digital bone marrow morphology analyzer
Morphogo Review SoftwareHangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, ChinaVersion 1.0.6Bone marrow review software
pH 7.0 Buffer Solution for SP Automated SystemsRAL Diagnostics, Martillac, France750505X5000Buffer solution
QR scanner for CellaVision DC-1Datalogic GryphonGD 4500QR scanner
RAL Cleaning solutionRAL Diagnostics, Martillac, France750725X5000Cleaning solution
S-Monovette K3 EDTA tubeSarstedt05.1167.001Tube for SP-50
SP-Rinse SolutionRAL Diagnostics, Martillac, France37000305Rinse solution
SP SlidesSysmex Corporation, Kobe, JapanZE 001906Slides  for peripheral blood and bone marrow smears
SP SlidesSysmex Corporation, Kobe, JapanZE 001906Slides  for QC
SP Spreader glassSysmex Corporation, Kobe, Japan95102918Glass for spreading the smear 
Tube rack for Sysmex SP-50Sysmex Corporation, Kobe, JapanAU330213Tube rack

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

MedycynaWydanie 233Wydanie 233Warto pustaWydanieZautomatyzowana morfologia cyfrowaSztuczna InteligencjahematoonkologiaMedycyna precyzyjna
Film wkrótce dostępny

Powiązane artykuły