Fluxo de trabalho para citomorfologia digital automatizada de sangue periférico e medula óssea, com consideração de classificações celulares críticas erradas

Resumo

O fluxo de trabalho de citomorfologia digital automatizada do sangue periférico e da medula óssea é descrito. Após preparação padronizada da esfregação e coloração, um scanner captura imagens de amostras. Softwares com IA localizam, registram e classificam preliminarmente células nucleadas, seguidos por revisão de especialistas. O foco está em classificações celulares críticas erradas com potencial para diagnóstico equivocado.

Resumo

Evidências crescentes apoiam a capacidade da citomorfologia digital automatizada (ADM) do sangue periférico (PB) e da medula óssea (BM) com base de IA para auxiliar a tomada de decisões de especialistas. O fluxo de trabalho ADM para esframações de PB e BM é descrito. Os componentes centrais da tecnologia ADM incluem mecânica de precisão, sistemas avançados de imagem, inteligência artificial (IA) e uma interface amigável. O processo começa com a preparação padronizada da esfregação e coloração usando protocolos adaptados para automação e digitalização. Um microscópio automatizado equipado com objetiva de imersão e câmera digital captura imagens de alta resolução da amostra em múltiplas ampliações. Softwares alimentados por IA então localizam, registram e classificam preliminarmente células nucleadas, incluindo megacariócitos quando aplicável. Isso é seguido por uma revisão obrigatória de especialistas e, conforme necessário, reclassificação. Imagens digitais e relatórios são posteriormente armazenados em um servidor local de alta capacidade. Os principais benefícios do ADM incluem maior velocidade, gestão eficiente de dados, suporte educacional, acesso remoto para avaliação e consulta, arquivamento digital e integração multimodal de dados. A limitação mais significativa da DMA é o risco de classificação celular crítica errada, que pode ter um impacto clínico significativo. Classificações incorretas irrelevantes são toleráveis e diagnosticamente neutras, enquanto classificações erradas relevantes são inaceitáveis e podem levar a consequências diagnósticas e clínicas graves. Classificação crítica incorreta de linfócitos neoplásicos, pequenos linfoblastos/mieloblastos, monoblastos granulares, promonócitos e monócitos displásicos, plasmablastos e células plasmáticas imaturas — todos podendo apresentar morfologia atípica — traz risco de diagnóstico errado. São necessários avanços adicionais para alcançar um desempenho diagnóstico confiável. Dados extensos e de alta qualidade de treinamento, combinados com validação regular, são essenciais para garantir que a IA funcione como uma ferramenta eficaz de suporte para o julgamento diagnóstico.

Introdução

A avaliação citomorfológica correta dos esframados de sangue periférico (PB) e medula óssea (BM) continua sendo uma pedra angular do diagnóstico multidisciplinar em hematooncologia, influenciando pontos críticos de decisão^clínica 1,2,3,4. Há evidências de variabilidade substancial entre especialistas e intra-especialistas na análise manual de PB e BM, com efeitos posteriores no diagnóstico^{do paciente} 2,5,6,7,8,9. Avanços recentes em análise de imagens, aprendizado de máquina e patologia computacional possibilitaram a avaliação automatizada dos esfúndotes de PB e BM em um nível que pode complementar a revisão citomorfológica^{de especialistas} 1,2,3,4,10,11,12,13,14 . A citomorfologia digital automatizada (ADM) alimentada por inteligência artificial (IA) de PB e BM pode apoiar microscopia óptica intensiva e demorada e tomada de decisão por^{especialistas} 1,2,3,4,11,12.

Os elementos centrais da tecnologia ADM incluem preparação padronizada de esfram e coloração, um scanner com capacidades avançadas de imagem, IA e uma interface eficiente e amigável. A mecânica de precisão do ADM opera com precisão em nível micrométrico em alta velocidade, enquanto soluções avançadas de imagem garantem alta qualidade^{de imagem 14}. Uma interface amigável torna essa tecnologia sofisticada acessível de maneira intuitiva e^{simplificada 14}.

O ADM tem sido usado há muito tempo para avaliações de PB, onde é altamente desenvolvido e tornou-se parte integrante dos fluxos de trabalho padrão de laboratório. Nas avaliações de BM, entretanto, a ADM apresenta desafios devido a padrões citomorfológicos complexos e intrincados, um alto número de tipos celulares distintos e a similaridade morfológica das células^{precursoras 2}. A capacidade de classificação da IA é baseada no treinamento com grandes e abrangentes conjuntos de dados de imagens contendo até vários milhões de células. Todas as células incluídas nesses conjuntos de dados de treinamento são revisadas e anotadas por especialistas. Essa contribuição de especialistas, entre outros fatores, tem impacto direto na qualidade da classificação.

No entanto, certas células PB e BM continuam sendo particularmente desafiadoras para a ADM classificarem, o que pode afetar significativamente o diagnóstico citomorfológico ^2,12,15. Classificações celulares críticas erradas continuam sendo a principal limitação da ADM e podem ter sérias consequências clínicas, minando assim a confiabilidade do^{método 2}.

Nosso objetivo é apresentar um fluxo de trabalho prático de ADM, incluindo suas etapas específicas e o processo de revisão de especialistas. Relatórios detalhados do processo ADM usando duas plataformas analíticas como exemplos permitirão aos usuários explorar plenamente as capacidades e benefícios do método. A alta precisão de classificação do ADM para PB foi demonstrada em inúmeros estudos 12,15,16. Portanto, em nossa pesquisa, focamos exclusivamente no ADM para BM, onde dados confiáveis de validação desse tipo são limitados. Os resultados quantitativos da validação são baseados na análise de BM. Além disso, enfatizamos uma limitação fundamental do método, a saber, as classificações críticas equivocadas. Também propomos uma categorização das classificações erradas e destacamos os tipos mais comuns de classificações críticas erradas.

Protocolo

Nosso estudo, publicado em 2025^, utilizou material arquivado e foi conduzido de acordo com os princípios atualizados da Declaração de Helsinque. Os pacientes forneceram consentimento informado por escrito para exame laboratorial, coleta e análise anônima de dados e uso em pesquisas, incluindo a publicação de dados de imagens anonimizados. O estudo foi aprovado pelo Comitê Local de Ética do Hospital Havířov (aprovação IGS_2023_HEM_PAT).

NOTA: O protocolo ADM para PB e BM, após coloração automatizada, é reportado.

1. Preparação e coloração de manchas periféricas de sangue e medula óssea usando um instrumento automatizado

1. Antes de ligar o instrumento, realize as seguintes verificações: condição da tubulação, conexão da rede, status do recipiente de resíduos, reagentes suficientes e fornecimento adequado de lâminas de microscópio.
   NOTA: Os recipientes de reagentes não devem estar vazios, e todos os reagentes devem estar dentro da data de validade.
2. Ligue o instrumento.
3. A unidade principal realiza automaticamente uma auto-verificação.
4. Faça login no software usando um nome de usuário e senha válidos.
5. Opere o instrumento usando as versões atuais do software. Siga as recomendações do fabricante e o manual do usuário (tela inicial—Figura 1).
6. Use o Menu para selecionar operações, a Lista de Trabalho para gerenciar solicitações de preparação de slides e preparação de smear, o Navegador para revisar os dados em requisições e a aba Status para verificar o status da mancha a ser preparada.
7. Baixe um novo pedido de preparação de slides do computador anfitrião ou crie um novo pedido.
   NOTA: Use slides com bordas chanfradas e arredondadas medindo 24,7–26,3 mm por 74,7–76,3 mm, com largura de 0,9–1,2 mm e borda fosca de 15–20 mm.
8. Edite ou exclua os pedidos de preparação de slides conforme necessário.
9. Prepare a borracha:
   1. Sempre use luvas de látex ou nitrilo ao manipular amostras e esfregaços de manteide de manteide e defecação.
   2. Selecione o modo de preparação para esfregar.
   3. Coloque o suporte de amostras dentro do sampler.
      NOTA: Use apenas tubos de amostra que tenham sido especificamente aprovados pelo fabricante do tintor.
   4. Verifique se o vidro espalhador está intacto, completamente limpo e bem colocado no suporte.
   5. Comece a preparar e colorir para borrões usando a janela de diálogo.
   6. Verifique o status do exame que está sendo preparado.
10. Revise os detalhes dos pedidos de preparação do slide.
11. Remova o suporte de amostras.
12. Remova as lâminas preparadas e manchadas.
    Checkpoint: A qualidade do smear na inspeção visual (pós-saída) atende aos critérios de aceitação definidos? Deve haver uma zona mínima de monocamada de comprimento e densidade celular adequados.
13. Realize inspeção e limpeza dos instrumentos antes do desligamento.
14. Desligue o instrumento.
    NOTA:
    Protocolo de coloração para sangue periférico-
    Mancha 1: Mancha May–Grünwald; Mancha 2: Mancha de Giemsa–Romanowski. Stain não diluído 1 (73 mL) 2:48 min; Coloração diluída 1 (73 mL, diluente pH 7,0 tampão fosfato, razão de diluição 1:10) 3:36 min. Coloração diluída 2 (26 mL, diluente pH 7,0 tampão fosfato, razão de diluição 1:10) 4:00 min. Contagem de enxágue (439 mL, processo automatizado)
    1. Secagem (processo automatizado) 3:36 min.
    
    Protocolo de coloração para medula óssea-
    Mancha 1: Mancha May–Grünwald; Mancha 2: Mancha de Giemsa–Romanowski. Mancha não diluída 1 (73 mL) 3:36 min; coloração diluída 1 (73 mL, diluente pH 7,0, tampão fosfato, razão de diluição 1:10) 2:48 min. Coloração diluída 2 (26 mL, diluente pH 7,0 tampão fosfato, razão de diluição 1:10) 10:00 min. Contagem de enxágue (439 mL, processo automatizado)
    1. Secagem (processo automatizado) 3:36 min.
    
    ATENÇÃO: Ao manusear produtos químicos no laboratório, siga as instruções em suas fichas oficiais de dados de segurança, que incluem composição, símbolos de perigo, instruções de primeiros socorros, procedimentos de resposta emergencial para vazamentos acidentais e incêndios, diretrizes de manuseio e armazenamento, requisitos de equipamentos de proteção individual, informações toxicológicas e ambientais, e instruções para transporte e descarte. Descartar resíduos líquidos, reagentes e consumíveis como resíduos infectados médicos e/ou resíduos industriais, de acordo com as leis e regulamentos locais. Se possível, utilize um sistema central de descarte de resíduos.

2. Citomorfologia digital automatizada do PB

1. Use a aplicação para a contagem diferencial de glóbulos brancos (glóbulos brancos), avaliação da morfologia dos glóbulos vermelhos (RBC) e estimativa da contagem de plaquetas (PLT). Verifique a classificação proposta de cada tipo celular.
   NOTA: O operador é um técnico de laboratório certificado experiente com pelo menos cinco anos de prática ou um cientista de laboratório certificado.
2. Inicie o analisador.
3. Faça login no software usando um nome de usuário e senha válidos.
4. Opere o instrumento usando as versões atuais do software. Siga as recomendações do fabricante e o manual do usuário.
5. Use a aba Visualização de Controle do Sistema para procedimentos de controle de qualidade (QC) e para processar ordens.
6. Realize controle de qualidade interno diário usando um controle (teste rotineiro de PB com contagem de leucócitos acima de 10 × 10⁹/L). Execute o teste de detecção de células pelo menos uma vez ao dia, que reconhece 100 células.
   NOTA: O teste de detecção celular valida o processo de preparação das lâminas e verifica a capacidade do analisador de detectar células. A lâmina deve ter qualidade suficiente para que o analisador detecte as células necessárias para a análise. Para a aceitação de QC, 97% das células devem ser detectadas com sucesso.
7. Use uma camada de manteiga-manteiga-mantega preparada com o instrumento de fabricação e coloração de slides.
8. Coloque a mancha manchada na gaveta de carregamento do analisador.
9. Insira a identificação do teste manualmente ou via leitor de código de barras; A solicitação do sistema de informação do laboratório é carregada automaticamente.
10. Feche a porta de entrada do analisador.
11. Processe a borra.
    NOTA: O analisador move automaticamente a mancha sob o microscópio, a escaneia e captura imagens de glóbulos brancos, assim como uma imagem monocamada de glóbulos vermelhos. O analisador realiza uma classificação preliminar de todos os glóbulos brancos detectados e avalia a morfologia dos glóbulos vermelhos.
12. Revise os resultados preliminares e reclassifique quando necessário, seja diretamente no analisador ou usando software de revisão remota. Considere as três opções de classificação propostas, incluindo as porcentagens de probabilidade.
    NOTA: A classificação preliminar automática leva apenas alguns segundos. Em casos de classificações celulares ambíguas ou borderline, é necessária uma leitura dupla. Para células com classificações diferentes, é necessário alcançar consenso entre observadores. A célula reclassificada é marcada com um visto de verificação no canto superior direito da imagem.
13. No modo WBC, revise a classificação preliminar das células nucleadas.
    NOTA: Indicadores de qualidade que exigem morfologia digital e revisão obrigatória de especialistas incluem blastos, granulócitos imaturos, linfócitos atípicos, linfócitos reativos, linfócitos neoplásicos, monocitose acima de 1,0 × 10⁹/L, linfocitose acima de 4,0 × 10⁹/L e contagem diferencial não confiável. Qualquer reclassificação manual feita pelo operador ou patologista deve ser registrada com o ID do usuário e o carimbo de data.
14. Se for identificada classificação incorreta, reatribuía a célula para a categoria correta arrastando sua imagem com o mouse.
    NOTA: Para exemplos de classificações incorretas de células PB, veja a Figura 2.
15. No modo de glóbulos vermelhos, revise a avaliação das alterações morfológicas dos glóbulos vermelhos e corrija avaliações imprecisas ou adicione achados selecionando características patológicas adicionais (por exemplo, células-alvo, esquizócitos, ovalocítos).
16. No modo PLT, revise a avaliação PLT.
17. Adicione comentários manualmente ou selecione entre opções de texto predefinidas.
    NOTA: As regras de auto-verificação devem ser formalmente validadas, documentadas e revisadas pelo menos anualmente.
18. Confirme o resultado final, que é então enviado automaticamente ao sistema de informações do laboratório.
    NOTA: O resultado final é exportado como uma contagem numérica diferencial junto com comentários adicionais, se houver. Para amostras com baixa celularidade (leucocitos abaixo de 2,0 × 10⁹/L), dois testes são preparados, escaneados e avaliados individualmente.
19. Saia e desligue o analisador.
    NOTA: Uma contagem de 100 células é aplicada para cada amostra de PB, seguindo as recomendações¹⁷ do ICSH. As categorias de classificação de WBC (classes) incluem blasto, promielócito, mielócito, metamieócito, neutrófilo de banda, neutrófilo segmentado, eosinófilo, basófilo, monócito, linfócito, linfócito variante e célula plasmática. Categorias de classificação não relacionadas a WBC incluem célula de borrão, artefato, plaqueta gigante, aglomeração plaquetária e eritroblasto. As categorias de classificação morfologica dos glóbulos vermelhos (classes) incluem glóbulos vermelhos policromáticos, glóbulos hipocromáticos, anisocitose, macrocitose, microcitose e poiquilocitose. Začátek formuláře
    
    ATENÇÃO: Ao manusear produtos químicos no laboratório, siga as instruções em suas fichas oficiais de dados de segurança, que incluem composição, símbolos de perigo, instruções de primeiros socorros, procedimentos de resposta emergencial para vazamentos acidentais e incêndios, diretrizes de manuseio e armazenamento, requisitos de equipamentos de proteção individual, informações toxicológicas e ambientais, e instruções para transporte e descarte. Descartar resíduos líquidos, reagentes e consumíveis como resíduos infectados médicos e/ou resíduos industriais, de acordo com as leis e regulamentos locais. Se possível, utilize um sistema central de descarte de resíduos.

Konec formuláře

3. Citomorfologia digital automatizada da BM

1. Use o sistema para a contagem diferencial das células PB e BM. Verifique a classificação proposta de cada tipo celular.
   NOTA: O uso da análise BM é descrito. O operador é um técnico de laboratório certificado experiente com pelo menos cinco anos de atuação, ou um cientista de laboratório certificado, ou um médico certificado.
2. Inicie o analisador.
3. Faça login no software usando um nome de usuário e senha válidos.
4. Opere o instrumento usando as versões atuais do software. Siga as recomendações do fabricante e o manual do usuário.
5. Use o Projeto para processamento de pedidos e gerenciamento de slides, Editar para configuração das regras de classificação e estratégia de pré-classificação, Relatório para configurações de formato de relatório e geração de relatório, e a aba Gerenciar para configurações de conta e regras de assinatura.
6. Use uma mancha de banho com o instrumento de mancha.
7. Insira a identificação do teste manualmente ou por meio de um leitor de código de barras (código QR); A solicitação do sistema de informação do laboratório é carregada automaticamente.
8. Coloque as manchas manchadas na gaveta de carregamento do analisador.
9. Feche a porta de entrada do analisador.
10. Processe a borra.
    NOTA: O analisador move automaticamente o esfregaço sob o microscópio, escaneia-o e captura imagens de células nucleadas, incluindo megacariócitos. Ele realiza uma classificação preliminar de todas as células nucleadas detectadas, incluindo megacariócitos, em apenas alguns segundos.
11. Revise os resultados preliminares e reclassifique quando necessário, seja diretamente no analisador ou usando software de revisão remota.
    NOTA: O sistema oferece uma visão clara de toda a lâmina com ampliação de 400× (imagem de lâmina inteira) e exibe todas as células nucleadas e megacariócitos; Células nucleadas (e possivelmente megacariócitos) são capturadas com ampliação de 1000× usando um objetivo de imersão. O tempo médio para uma varredura completa de um exame normocelular é de <10 minutos por slide. Para esfregaços hipocelulares, o tempo de varredura é de >20 minutos por slide.
12. Em caso de classificação incorreta, reatribui a célula para a categoria correta arrastando sua imagem com o mouse.
    NOTA: Para um exemplo de classificação incorreta de células BM, veja a Figura 3. Em casos de classificações celulares ambíguas ou borderline, é necessária uma leitura dupla. Para células com classificações diferentes, é necessário alcançar consenso entre observadores. Qualquer reclassificação manual feita pelo operador ou patologista deve ser registrada com o ID do usuário e o carimbo de data.
13. Adicione comentários e descrições citomorfológicas manualmente ou selecionando entre opções de texto predefinidas.
14. Complete o relatório preliminar.
15. Confirme o resultado final, que é então enviado automaticamente ao sistema de informações do laboratório.
    NOTA: O resultado final é exportado como uma contagem numérica diferencial (mielograma) junto com comentários adicionais e descrição citomorfológica.
16. Saia e desligue o analisador.
    NOTA: Uma contagem de 500 células é aplicada para cada amostra de BM, seguindo as recomendações¹⁷ do ICSH.
    Categorias de classificação (classes) incluem proeritroblasto, eritroblasto inicial (incluindo megaloblástico), eritroblasto intermediário (incluindo megaloblástico), eritroblasto tardio (incluindo megaloblástico), mieloblasto, promelócito, mielòcito neutrofílico, metamieófilo neutrófilo, neutrófilo banda, neutrófilo segmentado, mieólato eosinofílico, metamieófilo eosinofílico, eosinófilo banda, eosinófilo segmentado, basófilo, monoblasto, promonócito, monócito, linfoblasto, prolinfócito, maduro linfócitos (incluindo atípicos e reativos), plasmablasto, células plasmáticas imaturas, células plasmáticas e outras (célula borrada, histiócito, fócito, mastócitos e mitose).
    
    ATENÇÃO: Descarte líquidos, reagentes e consumíveis como resíduos médicos infecciosos e/ou resíduos industriais, de acordo com as leis e regulamentos locais. Se possível, utilize um sistema central de descarte de resíduos.

Resultados

Estudo de validação – métodos
Neste estudo de validação, reproduzimos os resultados de nosso trabalho anterior publicado na Clinical and^{Translational Medicine 2}. Microscopia óptica convencional e ADM foram realizadas em 328 esframiques BM. Os dados para análise incluíam informações de imagem para todas as células analisadas e resultados de classificação, incluindo casos morfológicos raros e atípicos. Os casos foram divididos em seis grupos diagnósticos: neoplasias mielodisplásicas (MDN: 15%), mieloma múltiplo (MM: 14%), neoplasias maduras de células B/T (Linfoma B/T: 13%), leucemia aguda e leucemia mielomonocítica crônica (AL+CMML: 9%), neoplasias mieloproliferativas (MPN: 8%) e hematopoiese reativa (reativa: 41%). As capacidades de reconhecimento (classificação) de células ADM foram avaliadas avaliando sua capacidade de classificar corretamente células em uma de 25 categorias, em comparação com anotação consensual independente de especialistas com leitura^{dupla 2}.

Cada caso foi revisado por dois especialistas, com classificação correspondente (anotação) em >99% das células. Os especialistas eram muito experientes, participando regularmente de avaliações externas de qualidade bem-sucedidas. Para células com classificações diferentes (<1%), foi alcançado consenso entre observadores. O princípio da análise de consistência era a comparação da pré-classificação automática de cada célula com a classificação final especializada de cada célula; A classificação consensual de especialistas foi considerada a referência verdadeira da classificação (verdade fundamentada⁾².

A consistência das classificações celulares e clínicas foi avaliada, e classificações críticas erradas foram identificadas. A consistência da classificação celular foi determinada a partir da matriz de confusão, com base em concordância de classificação para tipos individuais de células. Métodos estatísticos padrão e mineração visual de dados foram aplicados. O coeficiente de correlação de Matthews (MCC) foi calculado para cada tipo de célula e como um valor médio, sendo interpretado de maneira padrão. Um valor MCC de 0,400 ou acima foi considerado^{satisfatório 2,18}.

Para cada paciente, a consistência da classificação clínica foi determinada como a porcentagem de elementos pré-classificados corretamente entre todas as células avaliadas no caso, após a eliminação das células não classificadas. A classificação de especialistas foi considerada a verdadeira referência (verdade fundamentada⁾².

Classificações erradas são consideradas irrelevantes quando são diagnosticamente neutras e não afetam o diagnóstico final. Essas incluem classificações recíprocas erradas entre linfoblastos, mieloblastos e monoblastos; promiecócito/mielócito neutrofílico, eosinofílico e basófilo; mielócito/metamieócito; metamieócito/banda; neutrófilo de banda/segmentado; proeritroblastos/eritroblastos iniciais; eritroblastos iniciais/intermediários e intermediários/tardios; promonócito/monócito; prolinfócito/linfócito; plasmablasto/célula plasmática imatura; e plasma imaturo/plasma maduro. Todas as outras classificações erradas são consideradas relevantes, pois são diagnosticamente inaceitáveis e podem levar a consequências clínicas graves (Figura 4)².

A consistência geral da classificação clínica foi calculada como a mediana dos valores individuais dos casos, considerando apenas classificações incorretas relevantes das células. Classificação crítica incorreta foi definida como um caso em que o valor de consistência da classificação clínica individual estava abaixo de 80%. Esse limite arbitrário foi estabelecido por consenso de especialistas, considerando os requisitos mínimos de avaliação externa da qualidade nas^rodadas 2 de citomorfologia.

As principais diferenças específicas da plataforma incluem um fluxo de trabalho BM em duas etapas (objetivo de 40× e 100×), trazendo complexidade adicional ausente do protocolo PB, alvos distintos de contagem de células (100 células no PB, 500 células no BM) e categorias de classificação variadas. O determinante compartilhado mais crítico da comparabilidade entre plataformas e entre tipos de amostra é o procedimento de preparação do esfregaço.

As métricas quantitativas de desempenho relatadas estão claramente ligadas à coorte de validação descrita nos Métodos (n = 328 esframaços de BM). A porcentagem de células relevantes corretamente classificadas entre todas as células classificadas (consistência de classificação celular) foi de 95,4%. Valores de correlação satisfatórios, conforme indicado pelo MCC, foram ≥0,400 para 22 dos 25 (88,0%) tipos celulares, enquanto valores insatisfatórios do MCC (<0,400) foram observados para 3 dos 25 (12,0%) tipos celulares (linfoblastos, prolinfócitos e promonócitos). A consistência clínica relevante geral foi de 97,1% (mediana), com 94,5% dos casos apresentando taxas de consistência entre 80% e 100%. Em 5,5% dos pacientes, foi observada classificação crítica incorreta, com valores relevantes de consistência clínica variando de 36% a 79%, devido à falha em reconhecer as células^{neoplásicas 2}.

A classificação incorreta celular compromete a confiabilidade da DMA na análise de BM e representa uma limitação importante do método na hematooncologia diagnóstica (Tabela 1). Em casos envolvendo classificação errada relevante, foi examinada a morfologia das células classificadas corretamente e incorretamente. Células corretamente classificadas geralmente apresentam características citomorfológicas típicas. Em contraste, classificações erradas ocorrem mais frequentemente ao distinguir entre células morfologicamente semelhantes ou atípicas, particularmente linfócitos e blastos atípicos; mieloblastos e linfócitos; linfoblastos e linfócitos; monoblastos ou promonócitos e promiecócitos; e células plasmáticas imaturas e explosões. Células mal classificadas frequentemente apresentam citomorfologia atípica. Em neoplásias linfocíticas, linfócitos neoplásicos mal classificados, como os observados em linfomas de zona marginal e leucemia de células pilosas, tendem a ser de tamanho médio, com abundante citoplasma basófilo ou pálido, projeções citoplasmáticas e cromatina mais fina com nucléolo. Essas características diferem das das células neoplásicas corretamente classificadas. No linfoma de células do manto, linfócitos atípicos podem apresentar aparência de blastoide, aumentando a probabilidade de classificação incorreta. De forma semelhante, na variante pleomórfica da leucemia linfocítica crônica, linfócitos neoplásicos podem ser confundidos como blastos. Demonstramos exemplos qualitativos representativos na Figura 4 e na Figura 5.

Na leucemia aguda e na leucemia mielomonocítica crônica (CMML), linfoblastos e mieloblastos mal classificados são pequenos, com alta razão nuclear-citoplasmático, cromatina mais grosseira e nucleolos. Numerosos monoblastos granulares podem ser classificados erroneamente como promiecócitos. Na CMML, a classificação incorreta está frequentemente associada a células monocíticas displásicas. No mieloma múltiplo, ocorrem classificações erradas dentro da linhagem das células plasmáticas, especialmente envolvendo plasmablastos e células plasmáticas imaturas. Demonstramos exemplos qualitativos representativos na Figura 5.

Classificações críticas incorretas de linfócitos neoplásicos, pequenos linfoblastos/mieloblastos, monoblastos granulares, promonócitos e monócitos displásicos, plasmablastos e células plasmáticas imaturas — todas podem apresentar morfologia atípica — apresentam risco de diagnóstico errado. Confundir linfoma com leucemia aguda e vice-versa pode causar consequências graves ou até fatais para o manejo do paciente. Resultados falsos negativos, como a falha em reconhecer leucemia mieloide aguda (particularmente leucemia promielocítica aguda) ou diagnóstico incorreto de CMML ou mieloma múltiplo, podem levar a decisões inadequadas de tratamento ou atrasos na terapia.

Figura 1. Stainer automático, ícones da tela inicial. Cortesia da Sysmex; Materiais informativos do fabricante (manual básico de operações). Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2. Classificações incorretas dos glóbulos brancos do PB. Em capturas de tela do software, células mal classificadas são destacadas em caixas vermelhas. Na infecção por EBV, os linfócitos reativos foram classificados erroneamente como monócitos (A, caixa vermelha). Na leucemia linfocítica crônica, alguns linfócitos foram classificados erroneamente como blastos (B, caixa vermelha). No CMML, monócitos displásicos foram classificados erroneamente como neutrófilos segmentados (C, caixa vermelha), e um monoblasto foi classificado erroneamente como mielòcito displásico (D, caixa vermelha). PB, CellaVision DC-1, Software de Revisão, coloração automatizada May–Grünwald e Giemsa–Romanowski com o colorador Sysmex SP-50, ampliação 1000×, especialista: técnico certificado. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3. Classificação incorreta de linfócitos neoplásicos na mãe corporal. Captura de tela do software. Linfócitos neoplásicos em linfomas de células B de alto grau na FC foram classificados erroneamente como mieloblastos. A classificação alternativa proposta com as cinco opções mais prováveis (a "lista dos cinco melhores"), incluindo probabilidades percentuais, é marcada com uma seta amarela. Para a célula na caixa amarela, o rótulo mostra probabilidades percentuais para mieloblasto, monoblasto, linfoblasto, proeritroblasto e eritroblasto inicial, sem opção para linfócitos. BM, Morphogo, Review Software, coloração automatizada May–Grünwald e Giemsa–Romanowski com o colorador Sysmex SP-50, ampliação 1000×, especialista: cientista certificado, médico certificado. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 4. Classificações incorretas de células irrelevantes e relevantes. (A) Exemplos de classificações irrelevantes erradas em linhagens mieloides e eritróides são mostrados em uma comparação entre classificação de especialistas e pré-classificação ADM. (B) Exemplos de classificações incorretas relevantes em linhagens linfoides, plasmáticas e monocíticas são apresentados em uma comparação entre classificação de especialistas e pré-classificação ADM. A categorização de alguns elementos era difícil até mesmo para um especialista. Imagens de celulares foram extraídas do software. BM, Morphogo, Review Software, coloração automatizada May–Grünwald e Giemsa–Romanowski com o colorador Sysmex SP-50, ampliação 1000×, especialista: cientista certificado, médico certificado. Uma barra de balança foi adicionada a cada célula. As barras de escala representam 10 μm. Calibração baseada na câmera ToupCam (tamanho de pixel de 1,85 μm) com objetivo Olympus Plano N de 100×.
Modificado de: Material Suplementar, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. A utilidade da citomorfologia digital automatizada assistida por inteligência artificial para análise da medula óssea em hemato-oncologia diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 5. Exemplos representativos das classificações erradas mais frequentes de células BM em pacientes com neoplasias hematológicas. Linfócitos neoplásicos, mieloblastos, linfoblastos, monoblastos e células plasmáticas mal classificados são apresentados em casos selecionados de linfoma da zona marginal (MZL), linfoma de células do manto (MCL), leucemia de células pilosas (HCL), leucemia linfocítica crônica (LLC), leucemia mieloide aguda (LMA), leucemia aguda T-linfoblástica (T-ALL) e mieloma múltiplo (MM). A classificação incorreta de linfócitos/blasto atípico foi o erro mais frequente. As principais características citomorfológicas dos linfócitos neoplásicos mal classificados incluíam tamanho médio, cromatina mais fina (setas vermelhas), nucleolos (setas azuis), abundante citoplasma basofílico ou pálido com projeções (setas verdes) e aparência blaploide (seta laranja). Linfoblastos e mieloblastos mal classificados eram pequenos, com alta proporção nuclear-citoplasmático e cromatina mais grosseira com nucleólios (setas cinzas). Plasmablastos e células plasmáticas imaturas foram classificados erroneamente como linfócitos ou não foram reconhecidos como pertencentes à linhagem das células plasmáticas (classificados como "blast, não especificados"). Imagens de celulares foram extraídas do software. Software de Revisão BM Morphogo, coloração automatizada May–Grünwald e Giemsa–Romanowski com o stainer Sysmex SP-50, ampliação 1000×, especialista: cientista certificado, médico certificado. Uma barra de balança foi adicionada a cada célula. As barras de escala representam 10 μm. Calibração baseada na câmera ToupCam (tamanho de pixel de 1,85 μm) com objetivo Olympus Plano N de 100×.
A imagem foi modificada de: Material Suplementar, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. A utilidade da citomorfologia digital automatizada assistida por inteligência artificial para análise da medula óssea em hemato-oncologia diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Por favor, clique aqui para ver uma versão ampliada desta figura.

Diagnóstico	Número de casos	Células mal classificadas
		Classificação de especialistas	Classificação ADM
Neoplásias maduras de células B	9/43
Linfoma da zona marginal	4/8	Linfócitos atípicos	Droga, NOC
Linfoma de células do manto	2/5	Linfócitos atípicos	Droga, NOC
CLL	1/14	Linfócitos atípicos	Droga, NOC
Leucemia de células peludas	2/2	Linfócitos atípicos	Explosão, NOC / Monócito
Mieloma múltiplo	5/46	Célula plasmática	Droga, NOC
AML	3/16	Mieloblasto / Monoblasto	Linfócitos / Promielòcitos
T-ALL	1/1	Linfoblasto	Linfócitos

Tabela 1: Classificações críticas erradas por ADM. Em 18/328 (5,5%) dos pacientes, foi observada classificação crítica errada. O grupo clínico de classificações críticas incorretas por DMA incluiu nove de 43 pacientes com neoplasias maduras de células B, cinco de 46 pacientes com MM, três de 16 pacientes com LMA e um (de um) paciente com LTA. A classificação incorreta de linfócitos/blastos atípicos foi a mais frequente. NOC: não, outro tipo de confidencialidade. 
Reproduzido de: Material Suplementar, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, et al. A utilidade da citomorfologia digital automatizada assistida por inteligência artificial para análise da medula óssea em hemato-oncologia diagnóstica. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Discussão

Avanços tecnológicos em processamento de imagens de alta resolução, classificação digital automatizada de imagens e tomada de decisão apoiada por IA usando redes neurais convolucionais permitiram melhorias substanciais no ADM. Como resultado, a ADM complementa a microscopia óptica padrão. A identificação correta de categorias citomorfológicas individuais pode ser desafiadora, especialmente entre grupos de classificação intimamente relacionados que compartilham semelhanças morfológicas 2,11,12,14,15,19,20. Como os achados de especialistas são sempre influenciados por um grau de subjetividade, eles podem não ser considerados definitivos ou os únicos resultados corretos possíveis — especialmente em casos de classificação celular borderline ou ambígua (por exemplo, elementos displásicos ou altamente atípicos⁾². Esses padrões de classificação incorreta foram relatados em PB, mostrando desempenho mais forte para tipos celulares comuns, mas menor consistência de classificação para alguns subconjuntos clinicamente importantes, incluindo blastos^{12, 15, 19 e 20}. Isso pode afetar significativamente o diagnóstico citomorfológico de PB e BM.

Comparado ao PB, apenas alguns estudos focaram na precisão da classificação do ADM na análise^BM 2,20,21,22,23. Em um estudo chinês sobre classificação ADM, a consistência atingiu 99%, com a maioria dos tipos de células BM apresentando correlação extremamente alta com a expertise^{hematopatológica 21}. No entanto, a proporção de malignidades hematológicas na coorte do estudo foi inferior a 30%²¹. Outros estudos comparativos avaliando o desempenho entre sistemas automatizados de exame de PB e BM e análise manual foram realizados em ensaios^{multicêntricos 22,23}. Em uma comparação recente, 795 amostras de BM de pacientes com neoplásica e outras condições clínicas foram analisadas, alcançando uma concordância geral de 91,1% com microscopia^{óptica 23}.

Um estudo de uma coorte real de pacientes europeus de ascendência, com 59% de condições neoplásicas, comparou a ADM impulsionada por IA com microscopia óptica especializada em seis grupos^{diagnósticos 2}. Classificações críticas equivocadas de células neoplásicas com morfologia atípica apresentaram potencial de diagnóstico^{incorreto 2}. Portanto, este estudo identificou tipos de células candidatas para treinamento e teste futuros do desempenho da IA². No entanto, esse estudo apresentava várias limitações. Primeiro, o estudo incluiu um número limitado de pacientes e material arquivado, e alguns distúrbios raros de BM estavam ausentes, incluindo amostras pediátricas. Segundo, a citomorfologia de certas células neoplásicas era muito anormal, com consenso questionável na classificação mesmo entre especialistas experientes. Terceiro, apenas amostras de ascendência europeia foram analisadas. Quarto, nenhuma validação externa de classificações incorretas relevantes e irrelevantes^{foi realizada 2}.

As classificações celulares incorretas representam a principal limitação da DMA na hematooncologia^{diagnóstica 2}. Existem várias razões para a classificação incorreta. Além da sobreposição citomorfológica, fatores contribuintes provavelmente incluem a raridade de certas condições e a variabilidade no consenso de especialistas sobre tipos celulares. Isso pode levar a anotações inconsistentes e lacunas nos dados de treinamento. A detecção de alterações displásicas na hematopoiese é pouco confiável, assim como a avaliação detalhada da citomorfologia dos^{megacariócitos 2}. Embora os resultados adversos sejam amplamente mitigados pela supervisão obrigatória de especialistas, permanecem limitações quanto à confiabilidade absoluta da DMA, especialmente em leucemias, linfomas e mieloma^{múltiplo 2}. A anotação profissional correta das células para treinamento de IA é um pré-requisito essencial para o desempenho do ADM. A rotulagem precisa dos dados é fundamental para construir conjuntos de dados confiáveis e comprovados. Em citomorfologia, definir a verdade fundamental pode ser particularmente difícil em casos ambíguos ou borderline, pois um grau de subjetividade persiste mesmo entre especialistas experientes e amplamente reconhecidos. Quando as opiniões de especialistas diferem, a verdade fundamentada pode ser estabelecida por meio de consenso ou concordância da maioria entre dois ou mais revisores independentes de expertise comparável, especialmente quando os julgamentos diagnósticos são divididos em componentes^{separados 2}. O aprimoramento das capacidades de classificação focadas em tipos específicos de células candidatas é essencial. Inclui reeducação direcionada em tipos celulares difíceis, estratégias hierárquicas de classificação ou a incorporação de dados multimodais para melhorar a discriminação entre células morfologicamente semelhantes. Conjuntos de dados de treinamento extensos, diversos e bem anotados, especialmente em neoplasias hematolinfoides, devem incluir representação suficiente da morfologia atípica, entidades raras, casos limítrofes e células diagnosticamente ambíguas.

Quanto a etapas críticas do protocolo e solução de problemas, as manchas de PB devem ser feitas dentro de duas horas após a coleta; o aspirado de evacuação deve ser espalhado imediatamente desde a primeira extração. É necessário um protocolo de coloração validado e automatizado, mantido estritamente consistente entre os lotes. Uma camada monocamada bem definida e livre de artefatos é obrigatória. Exames prolongados são necessários em amostras de PB leucopénico e esfregaços de BM hipocelulares. Óleo de imersão esgotado ou manchas finas desencadeiam falhas no autofoco e análise de aborto. Nenhum dos sistemas é aprovado para relatórios autônomos, e uma inspeção de galeria de imagens de célula individual é obrigatória. A validação clínica local é obrigatória antes do desdobramento; A responsabilidade total diagnóstica e legal recai sobre o morfologista que faz o relatório.

A futura validação rigorosa e multi-institucional em diferentes ambientes clínicos é essencial para a generalização do modelo e o desempenho preditivo. Uma abordagem baseada em IA para citomorfologia de megacariócitos pode refinar ainda mais o diagnóstico integrado de neoplasias mieloproliferativas e^{mielodisplásicas} 24,25,26. Uma lacuna substancial também permanece no desenvolvimento de reconhecimento confiável e apoiado por IA das mudanças displásicas específicas de^{linhagem 2,27}. Para a otimização do modelo, técnicas inovadoras como ajuste de hiperparâmetros, regularização, aprendizado em conjunto e aumento de dados podem servir para melhorar a robustez e a confiabilidade da classificação 28,29,30. Em particular, estratégias de aumento de dados – que vão desde transformações geométricas^30,31 até a geração de imagens sintéticas de treinamento usando IA^{generativa 32,33} – emergiram recentemente como abordagens promissoras para expandir conjuntos de dados limitados e corrigir desequilíbrios de classes na classificação de células BM. O nível de educação e a experiência de longo prazo da equipe laboratorial são essenciais para o processo de avaliação e tomada de decisão em casos citomorfológicos difíceis. Treinar a próxima geração de citomorfologistas no contexto da digitalização contínua apresenta um desafio educacional. Por um lado, o ADM oferece um enorme potencial educacional; Por outro lado, ela corre o risco de que operadores menos experientes superestimem suas capacidades.

Apesar do potencial diagnóstico promissor dos sistemas ADM, várias limitações críticas e desafios de implementação precisam ser reconhecidos. Uma preocupação fundamental está relacionada ao viés nos dados de treinamento: a maioria das plataformas ADM comercialmente disponíveis, incluindo as avaliadas no presente estudo, foi desenvolvida usando conjuntos de dados derivados predominantemente de regiões geográficas específicas, protocolos de coloração e populações de pacientes, o que pode limitar sua generalização a coortes mais diversas étnica e clinicamente ou a laboratórios que empregam técnicas de preparação diferentes. Igualmente importante é a questão da transparência na tomada de decisão de IA. Os sistemas ADM atuais operam em grande parte como modelos caixa-preta, o que dificulta a capacidade dos clínicos de avaliar criticamente as atribuições celulares individuais. Isso está diretamente ligado à questão da responsabilidade clínica, à medida que os marcos regulatórios para diagnósticos assistidos por IA continuam a evoluir. A integração prática do ADM nos fluxos de trabalho diagnósticos padrão apresenta barreiras organizacionais e técnicas substanciais, incluindo a necessidade de infraestrutura de digitalização de slides de alta qualidade, treinamento de funcionários, validação em relação a padrões locais de referência e o estabelecimento de protocolos de controle de qualidade para monitorar o desempenho do sistema ao longo do tempo. Assim, o refinamento e a exploração de especialistas do potencial total do ADM na avaliação de PB e BM continuarão a melhorar sua utilidade como ferramenta de apoio na prática laboratorial rotineira.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
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