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

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.

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

<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>

Autorzy nie deklarują żadnych konfliktów interesów.

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

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.

<table><tbody><tr><td>Automated Hematology Slide Preparation Unit SP-50</td><td>Sysmex Corporation, Kobe, Japan</td><td>N/A</td><td>Automated slide maker and stainer</td></tr><tr><td>Barcode scanner for Sysmex SP-50</td><td>Datalogic Gryphon</td><td>S/N: G21M20996</td><td>Barcode scanner</td></tr><tr><td>CellaVision DC-1</td><td>CellaVision AB, Lund, Sweden</td><td>PM-10895-15</td><td>Automated digital morphology analyzer</td></tr><tr><td>CellaVision DM Software</td><td>CellaVision AB, Lund, Sweden</td><td>Version 7.1.1 build 8</td><td></td></tr><tr><td>Giemsa Solution for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750305X1000</td><td>Component of panoptic staining for peripheral blood and bone marrow smears</td></tr><tr><td>Immersion Oil (CellaVision Immersion Oil 50 mL)</td><td>CellaVision AB, Lund, Sweden</td><td>XU-10319</td><td>Immersion oil</td></tr><tr><td>May-Gr&uuml;nwald for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750105X2500</td><td>The component of panoptic staining for peripheral blood and bone marrow smears</td></tr><tr><td>Morphogo Bone Marrow Analyzer</td><td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td><td>N/A</td><td>Automated digital bone marrow morphology analyzer</td></tr><tr><td>Morphogo Review Software</td><td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td><td>Version 1.0.6</td><td>Bone marrow review software</td></tr><tr><td>pH 7.0 Buffer Solution for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750505X5000</td><td>Buffer solution</td></tr><tr><td>QR scanner for CellaVision DC-1</td><td>Datalogic Gryphon</td><td>GD 4500</td><td>QR scanner</td></tr><tr><td>RAL Cleaning solution</td><td>RAL Diagnostics, Martillac, France</td><td>750725X5000</td><td>Cleaning solution</td></tr><tr><td>S-Monovette K3 EDTA tube</td><td>Sarstedt</td><td>05.1167.001</td><td>Tube for SP-50</td></tr><tr><td>SP-Rinse Solution</td><td>RAL Diagnostics, Martillac, France</td><td>37000305</td><td>Rinse solution</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>Slides&nbsp; for peripheral blood and bone marrow smears</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>Slides&nbsp; for QC</td></tr><tr><td>SP Spreader glass</td><td>Sysmex Corporation, Kobe, Japan</td><td>95102918</td><td>Glass for spreading the smear&nbsp;</td></tr><tr><td>Tube rack for Sysmex SP-50</td><td>Sysmex Corporation, Kobe, Japan</td><td>AU330213</td><td>Tube rack</td></tr></tbody></table>

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

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

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.

Badanie walidacyjne – metody 
W niniejszym badaniu walidacyjnym odtworzyliśmy wyniki naszych poprzednich prac opublikowanych w Clinical and Translational Medicine2. Konwencjonalną mikroskopię optyczną oraz ADM przeprowadzono na 328 rozmazach szpiku kostnego (BM). Dane do analizy obejmowały informacje obrazowe dla wszystkich analizowanych komórek oraz wyniki klasyfikacji, w tym rzadkie i atypowe przypadki morfologiczne. Przypadki podzielono na sześć grup diagnostycznych: nowotwory mielodysplastyczne (MDN: 15%), szpiczaki mnogie (MM: 14%), dojrzałe nowotwory limfocytów B/T (chłoniaki B/T: 13%), ostre białaczki i przewlekłą mielomonocytową białaczkę (AL+CMML: 9%), nowotwory mieloproliferatywne (MPN: 8%) oraz reaktywną hematopoezę (reaktywne: 41%). Możliwości rozpoznawania (klasyfikacji) komórek przez ADM oceniano poprzez analizę zdolności systemu do poprawnej klasyfikacji komórek do jednej z 25 kategorii, w porównaniu z niezależną, konsensualną adnotacją ekspercką z podwójnym odczytem2.
Każdy przypadek został oceniony przez dwóch ekspertów, przy czym zgodność klasyfikacji (adnotacji) wyniosła &#62;99% komórek. Eksperci posiadali duże doświadczenie, regularnie uczestnicząc w pomyślnych zewnętrznych ocenach jakości. W przypadku komórek o różnych klasyfikacjach (&#60;1%) osiągnięto konsensus między obserwatorami. Zasada analizy spójności polegała na porównaniu automatycznej wstępnej klasyfikacji każdej komórki z końcową klasyfikacją ekspercką każdej komórki; konsensualna klasyfikacja ekspercka została uznana za referencyjną klasyfikację prawdziwą (ground truth)2.
Oceniono spójność klasyfikacji komórkowej i klinicznej oraz zidentyfikowano krytyczne błędy w klasyfikacji. Spójność klasyfikacji komórkowej określono na podstawie macierzy pomyłek, opierając się na zgodności klasyfikacji dla poszczególnych typów komórek. Zastosowano standardowe metody statystyczne oraz wizualne eksplorowanie danych. Dla każdego typu komórki, a także jako wartość średnią, obliczono współczynnik korelacji Matthewsa (MCC), który zinterpretowano w sposób standardowy. Wartość MCC równa 0,400 lub wyższa została uznana za satysfakcjonującą2,18.
Dla każdego pacjenta spójność klasyfikacji klinicznej określono jako procent poprawnie wstępnie zaklasyfikowanych elementów spośród wszystkich komórek ocenionych w danym przypadku, po wyeliminowaniu komórek niemożliwych do zaklasyfikowania. Klasyfikację ekspercką uznano za prawdziwy punkt odniesienia (ground truth)2.
Błędne klasyfikacje uznaje się za nieistotne, gdy są one neutralne diagnostycznie i nie wpływają na ostateczną diagnozę. Obejmują one wzajemne błędne klasyfikacje pomiędzy limfoblastem, mieloblastem a monoblastem; neutrofilowym, eozynofilowym i bazofilowym promielocytem/mielocytem; mielocytem/metamielocytem; metamielocytem/neutrofilem prążkowanym; neutrofilem prążkowanym/segmentowym; proerytroblastem/wczesnym erytroblastem; wczesnym/pośrednim oraz pośrednim/późnym erytroblastem; promonocytem/monocytem; prolimfocytem/limfocytem; plazmoblastem/niedojrzałą komórką plazmatyczną oraz niedojrzałą/dojrzałą komórką plazmatyczną. Wszystkie pozostałe błędne klasyfikacje uznaje się za istotne, ponieważ są one niedopuszczalne diagnostycznie i mogą prowadzić do poważnych konsekwencji klinicznych (Rycina 4)2.
Ogólną spójność klasyfikacji klinicznej obliczono jako medianę wartości dla poszczególnych przypadków, uwzględniając jedynie istotne błędy w klasyfikacji komórek. Krytyczny błąd klasyfikacji zdefiniowano jako 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 konsultacji cytomorfologicznych2.
Kluczowe różnice specyficzne dla platformy obejmują dwuetapowy schemat pracy dla BM (obiektywy 40× i 100×), co wprowadza dodatkowy poziom złożoności nieobecny w protokole PB, odmienne docelowe liczby komórek (100 komórek w PB, 500 komórek w BM) oraz różne kategorie klasyfikacji. Jedynym 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 części Metody (n = 328 rozmazów szpiku kostnego). Procent poprawnie sklasyfikowanych istotnych komórek spośród wszystkich sklasyfikowanych komórek (spójność klasyfikacji komórkowej) wyniósł 95,4%. Satysfakcjonujące wartości korelacji, wskazane przez współczynnik MCC, wyniosły ≥0,400 dla 22 z 25 (88,0%) typów komórek, podczas gdy niezadowalające wartości MCC (&lt;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 odnotowano krytyczną błędną klasyfikację, z wartościami istotnej spójności klinicznej w zakresie od 36% do 79%, co wynikało z niezdolności do rozpoznania komórek nowotworowych2.
Błędna klasyfikacja komórek obniża wiarygodność ADM w analizie BM i stanowi głównym ograniczeniem tej metody w diagnostyce hemato-onkologicznej (Tabela 1). W przypadkach istotnej błędnej klasyfikacji zbadano morfologię komórek sklasyfikowanych prawidłowo oraz błędnie. Komórki sklasyfikowane prawidłowo wykazują zazwyczaj typowe cechy cytomorfologiczne. Z kolei błędna klasyfikacja najczęściej zdarza się przy rozróżnianiu komórek morfologicznie podobnych lub atypowych, w szczególności atypowych limfocytów i blastów; mieloblastów i limfocytów; limfoblastów i limfocytów; monoblastów lub promonocytów i promielocytów; oraz niedojrzałych komórek plazmatycznych i blastów. Komórki błędnie sklasyfikowane często wykazują atypową cytomorfologię. W nowotworach limfatycznych błędnie sklasyfikowane 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 oraz drobniejszą chromatyną z jąderkiem. Cechy te różnią się od cech prawidłowo sklasyfikowanych komórek nowotworowych. W chłoniaku komórek płaszcza atypowe limfocyty mogą wykazywać wygląd blastoidalny, 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 i 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 obecnością jąderek. Liczne ziarniste monoblasty mogą zostać błędnie sklasyfikowane jako promielocyty. W CMML błędna klasyfikacja często wiąże się z dysplastycznymi komórkami monocytarnymi. W szpiczaku mnogim błędna klasyfikacja występuje w obrębie linii komórek plazmatycznych, w szczególności w przypadku plazmablastów i niedojrzałych komórek plazmatycznych. Przedstawiamy reprezentatywne przykłady jakościowe na Rysunku 5.
Krytyczne błędne klasyfikacje limfocytów nowotworowych, małych limfoblastów/mieloblastów, ziarnistych monoblastów, dysplastycznych promonocytów i monocytów, plazmablastów 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.
<img alt="Rysunek 1" class="xfigimg" src="/files/ftp_upload/71690/71690fig1.jpg" /> 
Rysunek 1. Automatyczny barwarka, ikony ekranu głównego. Dzięki uprzejmości Sysmex; materiały informacyjne producenta (podstawowy podręcznik obsługi). <a href="https://www.jove.com/files/ftp_upload/71690/71690fig1large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rycina 2" class="xfigimg" src="/files/ftp_upload/71690/71690fig2.jpg" /> 
Rycina 2. Błędne klasyfikacje białych krwinek w krwi obwodowej (PB).Na zrzutach ekranu oprogramowania błędnie sklasyfikowane komórki zaznaczono czerwonymi ramkami. W infekcji 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 segmentowane (C, czerwona ramka), a monoblast został błędnie sklasyfikowany jako dysplastyczny mielocyt (D, czerwona ramka). PB, CellaVision DC-1, Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski z użyciem barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany technik. <a href="https://www.jove.com/files/ftp_upload/71690/71690fig2large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Rysunek 3" class="xfigimg" src="/files/ftp_upload/71690/71690fig3.jpg" /> 
Rysunek 3. Błędna klasyfikacja limfocytów nowotworowych w szpiku kostnym (BM). Zrzut ekranu z oprogramowania. Limfocyty nowotworowe w chłoniaku wysokiego stopnia z komórek B w szpiku kostnym zostały błędnie zaklasyfikowane jako mieloblasty. Proponowana alternatywna klasyfikacja z pięcioma najbardziej prawdopodobnymi opcjami („lista top five”), zawierająca prawdopodobieństwa procentowe, jest zaznaczona żółtą strzałką. Dla komórki w żółtej ramce etykieta pokazuje prawdopodobieństwa procentowe dla mieloblasty, monoblasty, limfoblasty, proerytroblasty i wczesnego erytroblasty, bez opcji limfocytu. BM, Morphogo, Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski z użyciem barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany naukowiec, certyfikowany lekarz. <a href="https://www.jove.com/files/ftp_upload/71690/71690fig3large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rysunek 4" class="xfigimg" src="/files/ftp_upload/71690/71690fig4.jpg" /> 
Rysunek 4. Nieistotne i istotne błędne klasyfikacje komórek. (A) Przykłady nieistotnych błędnych klasyfikacji w liniach mieloidalnej i erytroidalnej przedstawiono w porównaniu między klasyfikacją ekspercką a wstępną klasyfikacją ADM. (B) Przykłady istotnych błędnych klasyfikacji w liniach limfoidalnej, plazmocytowej i monocytarnej przedstawiono w porównaniu między klasyfikacją ekspercką a wstępną klasyfikacją ADM. Kategoryzacja niektórych elementów była trudna nawet dla eksperta. Obrazy komórek zostały wyekstrahowane 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 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.&#160;<a href="https://www.jove.com/files/ftp_upload/71690/71690fig4large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Rysunek 5" class="xfigimg" src="/files/ftp_upload/71690/71690fig5.jpg" /> 
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 z komórek płaszcza (MCL), białaczki włochatokomórkowej (HCL), przewlekłej białaczki limfocytowej (CLL), ostrej białaczki szpikowej (AML), ostrej białaczki limfoblastycznej T (T-ALL) oraz szpiczaka mnogiego (MM). Najczęstszym błędem była błędna klasyfikacja atypowych limfocytów/blastów. 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 oraz grubszą chromatyną z jąderkami (szare strzałki). Plazmablasty i niedojrzałe plazmocyty zostały błędnie sklasyfikowane jako limfocyty lub nie zostały rozpoznane jako należące do linii plazmocytowej (sklasyfikowane jako „blast, niesprecyzowany”). Obrazy komórek zostały wyodrębnione z oprogramowania BM Morphogo Review Software, automatyczne barwienie May–Grünwald i Giemsa–Romanowski za pomocą barwiarki Sysmex SP-50, powiększenie 1000×, ekspert: certyfikowany naukowiec, certyfikowany lekarz. Do każdej komórki dodano pasek skali. Paski skali reprezentują 10 µm. Kalibracja na podstawie kamery 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.&#160;<a href="https://www.jove.com/files/ftp_upload/71690/71690fig5large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Diagnostyka</td>
			<td>Liczba przypadków</td>
			<td colspan="2">Błędnie sklasyfikowane komórki</td>
		</tr>
		<tr>
			<td></td>
			<td></td>
			<td>Klasyfikacja ekspercka</td>
			<td>klasyfikacja ADM</td>
		</tr>
		<tr>
			<td>Nowotwory dojrzałych limfocytów B</td>
			<td>9/43</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Chłoniak strefy marginalnej</td>
			<td>4/8</td>
			<td>Limfocyt atypowy</td>
			<td>Blast, NOC</td>
		</tr>
		<tr>
			<td>Chłoniak z komórek płaszcza</td>
			<td>2/5</td>
			<td>Limfocyt atypowy</td>
			<td>Blast, NOC</td>
		</tr>
		<tr>
			<td>przewlekła białaczka limfocytowa</td>
			<td>1/14</td>
			<td>Limfocyt atypowy</td>
			<td>Blast, NOC</td>
		</tr>
		<tr>
			<td>Leukemia włochatokomórkowa</td>
			<td>2/2</td>
			<td>Limfocyt atypowy</td>
			<td>Blast, NOC / Monocyt</td>
		</tr>
		<tr>
			<td>grading mieloma mnoga</td>
			<td>5/46</td>
			<td>Komórka plazmatyczna</td>
			<td>Blast, NOC</td>
		</tr>
		<tr>
			<td>ostra białaczka szpikowa</td>
			<td>3/16</td>
			<td>Mieloblast / Monoblast</td>
			<td>Limfocyt / Promielocyt</td>
		</tr>
		<tr>
			<td>T-ALL (ostra białaczka limfoblastyczna z komórek T)</td>
			<td>1/1</td>
			<td>Limfoblast</td>
			<td>Limfocyt</td>
		</tr>
	</tbody>
</table>
Tabela 1:&#160;Krytyczne błędne klasyfikacje wykonane przez ADM. U 18/328 (5,5%) pacjentów zaobserwowano krytyczną błędną klasyfikację. Grupa kliniczna krytycznych błędnych klasyfikacji przez ADM obejmowała dziewięć 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. Najczęstsza była błędna klasyfikacja atypowych limfocytów/blastów. NOC: nie sklasyfikowano inaczej. 
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.

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.

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

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

Medycyna

Ten film opisuje technikę pobierania szpiku kostnego z kręgosłupa biodrowego i przygotowania wymazu do biopsji. W tym przykładzie przeprowadzamy aspirację szpiku kostnego od pacjenta z ostrą białaczką szpikową (AML) i badamy komórki, aby sprawdzić, czy nie ma mierzalnej choroby resztkowej (MRD), ważnego biomarkera prognostycznego.

Aspiracja szpiku kostnego: metoda pozyskiwania szpiku kostnego w celu zbadania morfologii komórek

Przedstawiono strategię ilościowej analizy danych histologicznych w szpiku kostnym. Mikroskopia konfokalna znakowanych fluorescencyjnie komórek w skrawkach tkanek daje 2-wymiarowe obrazy, które są automatycznie analizowane. Analizy kolokalizacyjne różnych typów komórek są porównywane z danymi z symulowanych obrazów, dostarczając ilościowych informacji o interakcjach komórkowych.

Zautomatyzowana kwantyfikacja interakcji komórek krwiotwórczych – komórek zrębu w obrazach histologicznych kości nieodwapnionej

Wykrywanie minimalnej lub mierzalnej choroby resztkowej (MRD) jest ważnym biomarkerem prognostycznym do udoskonalania oceny ryzyka i przewidywania nawrotu ostrej białaczki szpikowej (AML). Te kompleksowe wytyczne i zalecenia wraz z najlepszymi praktykami w zakresie spójnej i dokładnej identyfikacji i wykrywania MRD mogą pomóc w podejmowaniu skutecznych decyzji dotyczących leczenia AML.

Kompleksowy protokół pobierania i przetwarzania szpiku kostnego do pomiaru mierzalnej choroby resztkowej i białaczkowych komórek macierzystych w ostrej białaczce szpikowej

Diagnoza MDS jest trudna ze względu na brak kryteriów morfologicznych lub cytogenetyki bez informacji. MFC może pomóc udoskonalić proces diagnostyczny MDS. Aby analiza MFC stała się przydatna w praktyce klinicznej, musi opierać się na parametrach o wystarczającej swoistości i czułości, a dane powinny być powtarzalne dla różnych operatorów.

Cytometria przepływowa sterowana bazą danych do oceny dojrzewania komórek szpiku kostnego

Opisujemy zastosowanie przeszczepu krwiotwórczych komórek macierzystych (HSCT) do oceny potencjału nowotworowego genetycznie modyfikowanych komórek krwiotwórczych. HSCT jest przydatny do oceny różnych złośliwych komórek krwiotwórczych in vivo, a także do generowania dużej kohorty myszy z zespołami mielodysplastycznymi (MDS) lub białaczką w celu oceny nowych terapii.

Zastosowanie przeszczepu krwiotwórczych komórek macierzystych do oceny pochodzenia zespołu mielodysplastycznego

Tutaj prezentujemy protokół przetwarzania świeżego szpiku kostnego (BM) wyizolowanego od myszy lub człowieka do wysokowymiarowej cytometrii masowej (Cytometry by Time-Of-Flight, CyTOF) analizy komórek linii neutrofili.

Przygotowanie całego szpiku kostnego do analizy cytometrii masowej komórek z linii neutrofili

Tutaj opisujemy prosty protokół izolacji i barwienia mysich komórek szpiku kostnego do fenotypu hemopoetycznych komórek macierzystych i progenitorowych wraz z wspierającymi je niszowymi komórkami macierzystymi śródbłonka i mezenchymalnymi komórkami macierzystymi. Uwzględniono również metodę wzbogacania komórek zlokalizowanych w obszarach śródkostnych i centralnych szpiku kostnego.

Analiza cytometrii przepływowej mysich komórek macierzystych i progenitorowych szpiku kostnego oraz komórek niszowych zrębu

Sukces transkryptomiki i multiomiki pojedynczej komórki/pojedynczego jądra w dużej mierze zależy od jakości komórek/jąder. Dlatego izolowanie komórek/jąder od tkanek i ich oczyszczanie musi być wysoce ustandaryzowane. Protokół ten opisuje przygotowanie jąder z mózgu i szpiku kostnego do dalszego testu multiomu pojedynczego jądra.

Wysokiej jakości preparatyka jąder mózgu i szpiku kostnego do oznaczania wieloomów pojedynczych jąder

W tym miejscu opisano metodę opartą na cytometrii fosfoprzepływowej do analizy sygnalizacji za szlakami mTORC1, JAK / STAT5 i MAPK w ostrych ludzkich komórkach białaczki szpikowej ksenoprzeszczepowanych myszom i uzyskanych z aspiratów szpiku kostnego. Poziomy p-STAT5, p-4EBP1, p-RPS6 i p-ERK1/2 są jednocześnie mierzone za pomocą spektralnego cytometru przepływowego nowej generacji o wysokiej czułości.

Wewnątrzkomórkowa cytometria fosfoflowa ostrej białaczki szpikowej Ksenotransplantacje pochodzące od pacjentów

Ten protokół opisuje procedurę indukowania różnicowania ludzkich komórek macierzystych i prądkotworzycznych krwiotwórczych pochodzących z szpiku kostnego pacjenta i komórek jednojądrzasty składnik krwi obwodowej. Test wykorzystuje półsztywne medium kulturowe wspierające zobowiązanie do linii erytrocytarnej i mieloidalnej oraz zawiera standaryzowane metryki umożliwiające reprodukowalną klasyfikację kolonii w celu charakteryzacji przedklinicznego leku.

Test jednostek formujących kolonie przystosowany dla pochodzących od pacjenta komórek rdzenia kostnego i obwodowej krwi jednojądrzastej

Moravian-Silesian Hospital Havirov.  The workflow of automated digital cytomorphology of peripheral blood and bone marrow is described. After standardized smear preparation and staining, a scanner captures specimen images. AI-powered software locates, records, and preliminarily classifies nucleated cells, followed by expert review. The focus is on critical cellular misclassifications with potential for misdiagnosis.

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

Przeglądaj więcej filmów