ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol>
	<li>Walter W, et al. Artificial intelligence in hematological diagnostics: Game changer or gadget? Blood Rev. 2023;58:101019.</li>
	<li>Starostka D, et al. The utility of automated artificial intelligence-assisted digital cytomorphology for bone marrow analysis in diagnostic haemato-oncology. Clin Transl Med. 2025;15(7):e70364.</li>
	<li>Zini G, Barbagallo O, Scavone F, B&#233;n&#233; MC. Digital morphology in hematology diagnosis and education: The experience of the European LeukemiaNet WP10. Int J Lab Hematol. 2022;44(Suppl 1):37-44.</li>
	<li>Saft L, et al. A deep-learning algorithm (AIFORIA) for classification of hematopoietic cells in bone marrow aspirate smears based on nine cell classes &#8211; a feasible approach for routine screening? J Hematop. 2025;18(1):12.</li>
	<li>Lewandowski K, Kurpierz K, Sledzinska A. External bone marrow cytological examination quality assurance (EQAhem) &#8211; summary after 6 years in Poland. Ann Hematol. 2015;94(10):1741-1748.</li>
	<li>Sasada K, et al. Inter-observer variance and the need for standardization in the morphological classification of myelodysplastic syndrome. Leuk Res. 2018;69:54-59.</li>
	<li>Tohyama K. Present status and perspective of laboratory hematology in Japan: On the standardization of blood cell morphology including myelodysplasia: On behalf of the Japanese Society for Laboratory Hematology. Int J Lab Hematol. 2018;40(Suppl 1):120-125.</li>
	<li>Font P, et al. Interobserver variance in myelodysplastic syndromes with less than 5% bone marrow blasts: unilineage vs. multilineage dysplasia and reproducibility of the threshold of 2% blasts. Ann Hematol. 2015;94(4):565-573.</li>
	<li>DeLima M, et al. Comparison of referring and tertiary cancer center physician&#39;s diagnoses in patients with leukemia. Am J Med. 1998;104(3):246-251.</li>
	<li>Hanna MG, Parwani A, Sirintrapun SJ. Whole slide imaging: Technology and applications. Adv Anat Pathol. 2020;27(4):251-259.</li>
	<li>Matek C, et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917-1927.</li>
	<li>Lewis JE, Pozdnyakova O. Digital assessment of peripheral blood and bone marrow aspirate smears. Int J Lab Hematol. 2023;45(Suppl 2):50-58.</li>
	<li>Zini G, et al. Digital morphology compared to the optical microscope: A validation study on reporting bone marrow aspirates. Int J Lab Hematol. 2024;46(3):474-480.</li>
	<li>Starostka D, et al. Automated digital cytomorphology increases the reliability of bone marrow diagnostics. Transfuze Hematol Dnes. 2025;31(2):66-80.</li>
	<li>Briggs C, et al. Can automated blood film analysis replace the manual differential? An evaluation of the CellaVision DM96 automated image analysis system. Int J Lab Hematol. 2009;31(1):48-60.</li>
	<li>Ceelie H, Dinkelaar RB, van Gelder W. Examination of peripheral blood films using automated microscopy; evaluation of Diffmaster Octavia and Cellavision DM96. J Clin Pathol. 2007;60(1):72-79.</li>
	<li>Lee SH, et al. ICSH guidelines for the standardization of bone marrow specimens and reports. Int J Lab Hematol. 2008;30(5):349-364.</li>
	<li>Chicco D, Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics. 2020;21(1):6.</li>
	<li>La Gioia A, et al. A prolonged microscopic observation improves detection of underpopulated cells in peripheral blood smears. Ann Hematol. 2017;96(10):1749-1754.</li>
	<li>Fu X, et al. Morphogo: An automatic bone marrow cell classification system on digital images analyzed by artificial intelligence. Acta Cytol. 2020;64(6):588-596.</li>
	<li>Lv Z, et al. High-accuracy morphological identification of bone marrow cells using deep learning-based Morphogo system. Sci Rep. 2023;13(1):13364.</li>
	<li>Katz BZ, et al. Evaluation of Scopio Labs X100 Full Field PBS: The first high-resolution full field viewing of peripheral blood specimens combined with artificial intelligence-based morphological analysis. Int J Lab Hematol. 2021;00:1-9.</li>
	<li>Bagg A, et al. Performance evaluation of a novel artificial intelligence-assisted digital microscopy system for the routine analysis of bone marrow aspirates. Mod Pathol. 2024;37(9):100542.</li>
	<li>Sirinukunwattana K, et al. Artificial intelligence-based morphological fingerprinting of megakaryocytes: A new tool for assessing disease in MPN patients. Blood Adv. 2020;4(14):3284-3294.</li>
	<li>Ryou H, et al. Quantitative interpretation of bone marrow biopsies in MPN &#8211; What&#39;s the point in a molecular age? Br J Haematol. 2023;203(4):523-535.</li>
	<li>Wang X, et al. The application of Morphogo in the detection of megakaryocytes from bone marrow digital images with convolutional neural networks. Technol Cancer Res Treat. 2023;22:15330338221150069.</li>
	<li>Kimura K, et al. A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Sci Rep. 2019;9(1):13385.</li>
	<li>Lin Y, Chen Q, Chen T. Recent advancements in machine learning for bone marrow cell morphology analysis. Front Med (Lausanne). 2024;11:1402768.</li>
	<li>Nazha A, et al. Artificial intelligence in hematology. Blood. 2025;146(19):2283-2292.</li>
	<li>Nakamura I, et al. Evaluation of two semi-supervised learning methods and their combination for automatic classification of bone marrow cells. Sci Rep. 2022;12:16736.</li>
	<li>Gl&#252;ge S, Balabanov S, Koelzer VH, Ott T. Evaluation of deep learning training strategies for the classification of bone marrow cell images. Comput Methods Programs Biomed. 2024;243:107924.</li>
	<li>Eckardt JN, et al. Synthetic bone marrow images enhance real samples in the development of microscopy classification models for acute myeloid leukemia. npj Digit Med. 2025;8,173.</li>
	<li>Deltadahl S, et al. Deep generative classification of blood cell morphology. Nat Mach Intell. 2025;7:1791-1803.</li>
</ol>

<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>

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

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

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

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

Medicina

Este vídeo descreve a técnica de aspiração da medula óssea da coluna ilíaca e a preparação do esfregaço para biópsia. No exemplo, realizamos aspiração de medula óssea de um paciente com leucemia mieloide aguda (LMA) e examinamos as células para verificar se há doença residual mensurável (MRD), um importante biomarcador prognóstico.

Aspiração de medula óssea: um método para obter medula óssea para examinar a morfologia celular

É apresentada uma estratégia para analisar quantitativamente os dados histológicos na medula óssea. A microscopia confocal de células marcadas com fluorescência em seções de tecido resulta em imagens bidimensionais, que são analisadas automaticamente. As análises de co-localização de diferentes tipos de células são comparadas com dados de imagens simuladas, fornecendo informações quantitativas sobre as interações celulares.

Automated Quantificação de células hematopoiéticas - Interações de células estromais em imagens histológicas de osso não descalcificadas

Detecção de doença residual mínima ou mensurável (MRD) é um biomarcador prognóstico importante para avaliação do risco de refinação e predizer a recaída em leucemia mieloide aguda (LMA). Estas orientações abrangentes e recomendações com as melhores práticas para consistente e exata identificação e detecção de MRD, pode ajudar na tomada de decisões de tratamento eficazes AML.

Protocolo abrangente de amostra e da medula óssea do processo de medição de doença Residual mensurável e células leucêmicas em leucemia mieloide aguda

O diagnóstico do MDS é difícil na ausência de critérios morfológicos ou não-informativo citogenética. MFC poderia ajudar a refinar o processo de diagnóstico do MDS. Para se tornar útil para a prática clínica, a análise MFC deve ser baseada em parâmetros com sensibilidade e especificidade suficientes, e dados devem ser reprodutíveis entre diferentes operadores.

Orientada para o banco de dados-citometria de fluxo para avaliação da maturação de células mieloides de medula óssea

Nós descrevemos o uso do transplante de células-tronco hematopoéticas (TCTH) para avaliar o potencial maligno das células hematopoiéticas geneticamente modificados. TCTH é útil para avaliar várias células hematopoiéticas malignas na vivo , bem como gerar uma grande coorte de ratos com Síndromes Mielodisplásicas (MDS) ou leucemia para avaliar novas terapias.

Uso de transplante de células-tronco hematopoiéticas para avaliar a origem da síndrome mielodisplásica

Aqui, nós apresentamos um protocolo para processar a medula fresca (BM) isolada do rato ou do ser humano para a análise de massa High-dimensional da citometria (citometria pela tempo--vôo, cytof) de pilhas da neutrófilos-linhagem.

Preparação de medula óssea inteira para análise de citometria de massa de células de linhagem de neutrófilos

Aqui, descrevemos um protocolo simples para o isolamento e coloração de células murinas da medula óssea para fenótipo de células-tronco hemopoéticas e progenitoras, juntamente com células-tronco endoteliais e mesenquimais de nicho de suporte. Um método para enriquecer células localizadas em áreas endosteal e medula óssea central também é incluído.

Análise por Citometria de Fluxo de Medula Óssea Purina, Células-Tronco e Progenitoras Hematopoéticas e Células de Nicho Estromal

O sucesso da transcriptômica de célula única/núcleo único e multi-ômica depende em grande parte da qualidade das células/núcleos. Portanto, o isolamento de células/núcleos do tecido e sua purificação devem ser altamente padronizados. Este protocolo descreve a preparação de núcleos do cérebro e da medula óssea para o ensaio de multioma de núcleo único a jusante.

Preparação de Núcleos Cerebrais e de Medula Óssea de Alta Qualidade para Ensaios Multioma de Núcleos Únicos

Aqui, um método baseado em citometria de fosfofluxo é descrito para analisar a sinalização a jusante das vias mTORC1, JAK/STAT5 e MAPK em células de leucemia mielóide humana aguda xenoenxertadas em camundongos e obtidas de aspirados de medula óssea. Os níveis de p-STAT5, p-4EBP1, p-RPS6 e p-ERK1/2 são medidos simultaneamente usando um citômetro de fluxo espectral de última geração com alta sensibilidade.

Citometria de fosfofluxo intracelular de xenotransplantes derivados de pacientes com leucemia mielóide aguda

Este protocolo descreve um procedimento para induzir a diferenciação de células-tronco e progenitoras hematopoiéticas humanas derivadas da medula óssea do paciente e de células mononucleares do sangue periférico. O ensaio utiliza um meio de cultura semisólido que apoia o compromisso de linhagem eritróide e mieloide e incorpora métricas padronizadas para classificação de colônias reprodutíveis para caracterização pré-clínica de medicamentos.

Ensaio de Unidade Formadora de Colônias Adaptado para Medula Óssea Derivada de Pacientes e Células Mononucleares do Sangue Periférico

Moravian-Silesian Hospital Havirov.  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 equivo...

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

Explorar mais vídeos