Рабочий процесс для автоматизированной цифровой периферической цитографии крови и костного мозга с учётом критических клеточных ошибок

Краткое содержание

Описан рабочий процесс автоматизированной цифровой цитоморфологии периферической крови и костного мозга. После стандартизированной подготовки мазка и окрашивания сканер фиксирует изображения образцов. Программное обеспечение на базе ИИ находит, фиксирует и предварительно классифицирует ядерные клетки, после чего проводится экспертный обзор. Основное внимание уделяется критическим ошибочным классификациям клеток с возможностью ошибочной диагностики.

Аннотация

Растущие данные подтверждают способность автоматизированной цифровой цитоморфологии (ADM) периферической крови (PB) и костного мозга (BM) на базе искусственного интеллекта способствовать профессиональному принятию решений. Описан рабочий процесс ADM для мазков PB и BM. Основные компоненты технологии ADM включают прецизионную механику, передовые системы визуализации, искусственный интеллект (ИИ) и удобный интерфейс. Процесс начинается со стандартизированной подготовки мазка и окрашивания с использованием протоколов, адаптированных для автоматизации и оцифровки. Автоматический микроскоп с иммерсионным объективом и цифровой камерой фиксирует изображения образца с высоким разрешением при многократном увеличении. Программное обеспечение на базе искусственного интеллекта затем находит, фиксирует и предварительно классифицирует клетки с ядром, включая мегакариоциты, когда это применимо. За этим следует обязательный экспертный обзор и, при необходимости, переклассификация. Цифровые изображения и отчеты впоследствии хранятся на высокоёмком локальном сервере. Ключевые преимущества ADM включают повышенную скорость, эффективное управление данными, образовательную поддержку, удалённый доступ для оценки и консультаций, цифровое архивирование и мультимодальную интеграцию данных. Самым значительным ограничением ADM является риск критической клеточной неправильной классификации, что может иметь серьёзное клиническое влияние. Нерелевантные неправильные классификации допустимы и диагностически нейтральны, тогда как соответствующие неправильные классификации недопустимы и могут привести к серьёзным диагностическим и клиническим последствиям. Критическая ошибка классификации неопластических лимфоцитов, малых лимфообластов/миелобластов, гранулированных монообластов, диспластических промоноцитов и моноцитов, плазмобластей и незрелых плазматических клеток — все из которых могут иметь атипичную морфологию — несёт риск ошибочного диагноза. Для достижения надёжных диагностических показателей требуются дальнейшие достижения. Обширные, высококачественные обучающие данные в сочетании с регулярной валидацией необходимы для того, чтобы ИИ функционировал эффективно поддерживающим инструментом для диагностического суждения.

Введение

Правильная цитоморфологическая оценка мазков периферической крови (PB) и костного мозга (BM) остаётся краеугольным камнем мультидисциплинарной диагностики в гематоонкологии, влияя на ключевые клинические точки^{принятия решений} 1,2,3,4. Имеются свидетельства значительной межэкспертной и внутриэкспертной вариабельности в ручном анализе мазка PB и BM, с дальнейшим влиянием на диагнозы^{пациентов} 2,5,6,7,8,9. Недавние достижения в анализе изображений, машинном обучении и вычислительной патологии позволили автоматизировать оценку мазков PB и BM на уровне, который может дополнять экспертный цитоморфологический^обзор 1,2,3,4,10,11,12,13,14 . Автоматизированная цифровая цитоморфология (ADM) на базе искусственного интеллекта (ИИ) PB и BM может поддерживать трудоёмкую и трудоёмкую оптическую микроскопию и профессиональное принятие^{решений} 1,2,3,4,11,12.

Основные элементы технологии ADM включают стандартизированную подготовку и окрашивание мазка, сканер с передовыми возможностями визуализации, искусственный интеллект и эффективный, удобный интерфейс. Точная механика ADM работает с микрометровой точностью на высокой скорости, а современные решения для визуализации обеспечивают высокое качество изображения¹⁴. Удобный интерфейс делает эту продвинутую технологию доступной интуитивно и удобно¹⁴.

ADM давно используется для оценки PB, где он высоко развит и стал неотъемлемой частью стандартных лабораторных рабочих процессов. Однако при оценке BM ADM вызывает трудности из-за сложных и сложных цитоморфологических паттернов, большого количества различных типов клеток и морфологического сходства предшествующих^{клеток 2}. Возможности классификации ИИ основаны на обучении с большими, комплексными наборами изображений, содержащими до нескольких миллионов ячеек. Все ячейки, включённые в эти обучающие наборы данных, проверяются и аннотируются экспертами. Этот экспертный вклад, наряду с другими факторами, напрямую влияет на качество классификации.

Тем не менее, некоторые клетки PB и BM остаются особенно сложными для классификации ADM, что может существенно повлиять на цитоморфологический^{диагноз 2,12,15}. Критические клеточные неправильные классификации остаются основным ограничением АДМ и могут иметь серьёзные клинические последствия, тем самым подрывая надёжность^{метода 2}.

Наша цель — представить практический рабочий процесс ADM, включая его конкретные этапы и процесс экспертного рассмотрения. Детальная отчетность по процессу ADM с использованием двух аналитических платформ в качестве примеров позволит пользователям полностью использовать возможности и преимущества метода. Высокая точность классификации ADM для PB была продемонстрирована во множестве^{исследований 12, 15, 16}. Поэтому в нашем исследовании мы сосредоточились исключительно на ADM для BM, где надёжные валидационные данные такого типа ограничены. Результаты количественной валидации основаны на анализе BM. Кроме того, мы подчёркиваем ключевое ограничение метода, а именно критические неправильные классификации. Мы также предлагаем категоризировать неправильные классификации и выделяем наиболее распространённые типы критических ошибок.

Протокол

Наше исследование, опубликованное в 2025^{году 2} года, использовало архивные материалы и проводилось в соответствии с обновлёнными принципами Хельсинкской декларации. Пациенты предоставляли письменное информированное согласие на проведение лабораторных исследований, анонимный сбор и анализ данных, а также использование исследований, включая публикацию анонимизированных изображений. Исследование было одобрено Местным этическим комитетом больницы Гавиров (одобрение IGS_2023_HEM_PAT).

ПРИМЕЧАНИЕ: Протокол ADM для PB и BM после автоматизированного окрашивания сообщается.

1. Подготовка и окрашивание мазков на периферической крови и костном мозге с помощью автоматического прибора

1. Перед включением прибора проведите следующие проверки: состояние трубок, подключение к сети, состояние контейнера для отходов, достаточное количество реагентов и достаточный запас микроскопических препаратов.
   ПРИМЕЧАНИЕ: Контейнеры реагентов не должны быть пустыми, и все реагенты должны находиться в пределах срока годности.
2. Включи прибор.
3. Основной блок автоматически выполняет самопроверку.
4. Войдите в программу, используя действующее имя пользователя и пароль.
5. Управляйте прибором с использованием актуальных версий программного обеспечения. Следуйте рекомендациям производителя и руководству пользователя (главный экран — рисунок 1).
6. Используйте меню для выбора операций, рабочий список для управления запросами на подготовку слайдов и подготовку мазка, браузер для просмотра данных в запросах и вкладку Status для проверки статуса подготовляемого мазка.
7. Скачайте новый запрос на подготовку слайда с хост-компьютера или создайте новый запрос.
   ПРИМЕЧАНИЕ: Используйте затворы с скошенными и округлыми краями размером 24,7–26,3 мм на 74,7–76,3 мм, шириной 0,9–1,2 мм и матовым краем 15–20 мм.
8. Редактируйте или удаляйте запросы на подготовку слайдов по необходимости.
9. Подготовьте мазок:
   1. Всегда используйте латексные или нитриловые перчатки при работе с образцами и мазками с арахисовым маслом и жидкостью.
   2. Выберите режим подготовки мазка.
   3. Поставьте сэмпл-стелаж в сэмплер.
      ПРИМЕЧАНИЕ: Используйте только пробирки, которые были специально одобрены производителем красилки.
   4. Проверьте, что стекло для разбрасывания цело, полностью чисто и надёжно помещено в держатель.
   5. Начните подготовку и окрашивание мазка с помощью диалогового окна.
   6. Проверьте состояние подготовки мазка.
10. Ознакомьтесь с деталями запросов на подготовку слайдов.
11. Уберите подставку для образцов.
12. Снимите подготовленные и запятнанные стекла.
    Контрольная точка: соответствует ли качество мазка при визуальном осмотре (после выпуска) установленным критериям приема? Должна быть минимально монослойная зона достаточной длины и плотности ячеек.
13. Проведите проверку и очистку приборов перед отключением.
14. Выключи прибор.
    ПРИМЕЧАНИЕ:
    Протокол окрашивания периферической крови —
    Пятно 1: Май–Грюнвальдская пятна; Пятно 2: пятно Гемсы–Романовского. Неразбавленная морилка 1 (73 мл) 2:48 мин; разбавленная окрашивание 1 (73 мл, буфер с разбавляющим pH 7,0, коэффициент разбавления 1:10) 3:36 мин. Разбавленное окрашивание 2 (26 мл, разбавляющий pH 7,0 фосфатный буфер, коэффициент разбавления 1:10) 4:00 мин. Счёт промывания (439 мл, автоматический процесс)
    1. Сушка (автоматический процесс) 3:36 мин.
    
    Протокол окрашивания костного мозга —
    Пятно 1: Май–Грюнвальдская пятна; Пятно 2: пятно Гемсы–Романовского. Неразбавленный морилка 1 (73 мл) 3:36 мин; разбавленной окрашенностью 1 (73 мл, pH разбавления 7,0 фосфатного буфера, коэффициент разбавления 1:10) 2:48 мин. Разбавленная морилка 2 (26 мл, буфер с разбавляющим pH 7,0, коэффициент разбавления 1:10) 10:00 мин. Счёт промывания (439 мл, автоматический процесс)
    1. Сушка (автоматический процесс) 3:36 мин.
    
    ВНИМАНИЕ: При работе с химикатами в лаборатории следуйте инструкциям в официальных листах безопасности, которые включают состав, символы опасности, инструкции по первой помощи, процедуры экстренного реагирования на случайные протечки и пожары, рекомендации по обращению и хранению средств индивидуальной защиты, токсикологическую и экологическую информацию, а также инструкции по транспортировке и утилизации. Утилизировать отходы, реагенты и расходные материалы как медицинские инфекционные отходы и/или промышленные отходы в соответствии с местными законами и нормативными актами. Если возможно, используйте центральную систему утилизации отходов.

2. Автоматизированная цифровая цитоморфология PB

1. Используйте приложение для дифференциального количества лейкоцитов (лейкоцитов), оценки морфологии эритроцитов (эритроцитов) и оценки количества тромбоцитов (PLT). Проверьте предлагаемую классификацию каждого типа клеток.
   ПРИМЕЧАНИЕ: Оператор — это опытный сертифицированный лаборант с опытом не менее пяти лет практики или сертифицированный лабораторный учёный.
2. Запускайте анализатор.
3. Войдите в программу, используя действующее имя пользователя и пароль.
4. Управляйте прибором с использованием актуальных версий программного обеспечения. Следуйте рекомендациям производителя и руководству пользователя.
5. Используйте вкладку System Control View для процедур контроля качества (QC) и обработки заказов.
6. Проводите ежедневный внутренний контроль контроля с помощью контрольного слайда (рутинный мазок на PB с количеством лейкоцитов выше 10 × 10⁹/L). Проводите тест на обнаружение клеток как минимум раз в день, который распознаёт 100 клеток.
   ПРИМЕЧАНИЕ: Тест обнаружения клеток подтверждает процесс подготовки слайдов и проверяет способность анализатора обнаруживать клетки. Затвор должен быть достаточно качественным, чтобы анализатор мог обнаружить клетки, необходимые для анализа. Для принятия QC необходимо успешно обнаружить 97% клеток.
7. Используйте мазок с арахичным маслом, подготовленный с помощью инструмента для изготовления слайдов и окрашивания.
8. Положите пятнистый мазок в ящик для загрузки анализатора.
9. Введите идентификацию теста вручную или с помощью сканера штрихкодов; Запрос из лабораторной информационной системы загружается автоматически.
10. Закройте входную дверь анализатора.
11. Обработайте мазок.
    ПРИМЕЧАНИЕ: Анализатор автоматически перемещает мазок под микроскопом, сканирует его и фиксирует изображения лейкотов, а также монослойное изображение эритроцитов. Анализатор проводит предварительную классификацию всех обнаруженных лейкоцитов и оценивает морфологию эритроцитов.
12. Просматривайте предварительные результаты и при необходимости переклассифицируйте — либо непосредственно на анализаторе, либо с помощью программного обеспечения удалёного обзора. Рассмотрим три предложенных варианта классификации, включая вероятностные проценты.
    ПРИМЕЧАНИЕ: Автоматическая предварительная классификация занимает всего несколько секунд. В случаях неоднозначной или пограничной клеточной классификации требуется двойное чтение. Для ячеек с разными классификациями необходимо достичь консенсуса между наблюдателями. Переклассифицированная ячейка отмечена галочкой в верхнем правом углу изображения.
13. В режиме лейкоцитов рассмотрите предварительную классификацию ядерных клеток.
    ПРИМЕЧАНИЕ: Признаки качества, требующие цифровой морфологии и обязательного экспертного обзора, включают бласты, незрелые гранулоциты, атипичные лимфоциты, реактивные лимфоциты, опологические лимфоциты, моноцитоз выше 1,0 ×^{10 9}/л, лимфоцитоз выше 4,0 ×^{10 9}/л и ненадёжный дифференциальный подсчёт. Любая ручная переклассификация оператором или патологоанатомом должна регистрироваться с использованием идентификатора пользователя и временной метки.
14. Если выявлена неправильная классификация, переназначите ячейку в нужную категорию, перетаскивая её изображение мышью.
    ПРИМЕЧАНИЕ: Для примеров неправильной классификации PB-клеток см. рисунок 2.
15. В режиме эритроцитов пересматривайте оценку морфологических изменений эритроцитов и исправляйте неточные оценки или добавляйте данные, выбирая дополнительные патологические признаки (например, целевые клетки, сланцы, овалоциты).
16. В режиме PLT просмотрите оценку PLT.
17. Добавляйте комментарии вручную или выбирайте из заранее определённых текстовых опций.
    ПРИМЕЧАНИЕ: Правила автопроверки должны быть официально подтверждены, задокументированы и пересматриваться как минимум раз в год.
18. Подтвердите итоговый результат, который затем автоматически отправляется в информационную систему лаборатории.
    ПРИМЕЧАНИЕ: Итоговый результат экспортируется в виде числового дифференциального счёта вместе с дополнительными комментариями, если они есть. Для образцов с низкой клеточностью (лейкоциты ниже 2,0 × 10⁹/л) автоматически готовятся, сканируются и оцениваются два мазка.
19. Выйдите из системы и выключите анализатор.
    ПРИМЕЧАНИЕ: Для каждого образца PB применяется 100 клеток в соответствии с рекомендациями^{ICSH 17}. Категории классификации лейкоцитов (классы) включают бласт, промиелоциты, миелоциты, метамиелоциты, полосные нейтрофилы, сегментированные нейтрофилы, эозинофилы, базофилы, моноциты, лимфоциты, вариантные лимфоциты и плазматические клетки. Категории классификации, не связанные с лейкоцитами, включают размазанные клетки, артефакты, гигантские тромбоциты, сгустки тромбоцитов и эритробласт. Категории классификации морфологии эритроцитов (классы) включают полихромные эритроциты, гипохромные эритроциты, анизоцитоз, макроцитоз, микроцитоз и поикилоцитоз. Začátek formuláře
    
    ВНИМАНИЕ: При работе с химикатами в лаборатории следуйте инструкциям в официальных листах безопасности, которые включают состав, символы опасности, инструкции по первой помощи, процедуры экстренного реагирования на случайные протечки и пожары, рекомендации по обращению и хранению средств индивидуальной защиты, токсикологическую и экологическую информацию, а также инструкции по транспортировке и утилизации. Утилизировать отходы, реагенты и расходные материалы как медицинские инфекционные отходы и/или промышленные отходы в соответствии с местными законами и нормативными актами. Если возможно, используйте центральную систему утилизации отходов.

Konec formuláře

3. Автоматизированная цифровая цитоморфология BM

1. Используйте систему для дифференциального подсчёта клеток PB и BM. Проверьте предлагаемую классификацию каждого типа клеток.
   ПРИМЕЧАНИЕ: Описано использование анализа BM. Оператор — это опытный сертифицированный лаборант с опытом не менее пяти лет практики, сертифицированный лабораторный учёный или сертифицированный врач.
2. Запускайте анализатор.
3. Войдите в программу, используя действующее имя пользователя и пароль.
4. Управляйте прибором с использованием актуальных версий программного обеспечения. Следуйте рекомендациям производителя и руководству пользователя.
5. Используйте Project для обработки заказов и управления слайдами, Edit для настройки правил классификации и стратегии предварительной классификации, Report для настроек форматов отчетов и генерации отчетов, а вкладку Manage для настроек аккаунта и правил подписи.
6. Используйте мазок BM, окрашенный инструментом для окрашивания.
7. Введите идентификацию теста вручную или с помощью сканера штрих-кодов (QR-кодов); Запрос из лабораторной информационной системы загружается автоматически.
8. Положите пятна в ящик для загрузки анализатора.
9. Закройте входную дверь анализатора.
10. Обработайте мазок.
    ПРИМЕЧАНИЕ: Анализатор автоматически перемещает мазок под микроскопом, сканирует его и фиксирует изображения нуклеированных клеток, включая мегакариоциты. Он проводит предварительную классификацию всех обнаруженных ядерных клеток, включая мегакариоциты, всего за несколько секунд.
11. Просматривайте предварительные результаты и при необходимости переклассифицируйте — либо непосредственно на анализаторе, либо с помощью программного обеспечения удалёного обзора.
    ПРИМЕЧАНИЕ: Система обеспечивает чёткий обзор всего стекла при увеличении 400× (полное изображение слайда) и отображает все ядерные клетки и мегакариоциты; Нуклеированные клетки (а возможно и мегакариоциты) захватываются при увеличении 1000× с помощью иммерсионного объектива. Среднее время полного сканирования нормоцеллюлярного мазка составляет <10 минут на слайд. Для гипоцеллюлярных мазков время сканирования составляет >20 минут на слайд.
12. В случае неправильной классификации переназначите ячейку в нужную категорию, перетаскивая её изображение мышью.
    ПРИМЕЧАНИЕ: Для примера неправильной классификации ячеек BM см. рисунок 3. В случаях неоднозначной или пограничной клеточной классификации требуется двойное чтение. Для ячеек с разными классификациями необходимо достичь консенсуса между наблюдателями. Любая ручная переклассификация оператором или патологоанатомом должна регистрироваться с использованием идентификатора пользователя и временной метки.
13. Добавляйте комментарии и цитоморфологические описания вручную или выбирая из заранее определённых текстовых опций.
14. Заполните предварительный отчёт.
15. Подтвердите итоговый результат, который затем автоматически отправляется в информационную систему лаборатории.
    ПРИМЕЧАНИЕ: Итоговый результат экспортируется в виде числового дифференциального счёта (миелограммы) вместе с дополнительными комментариями и цитоморфологическим описанием.
16. Выйдите из системы и выключите анализатор.
    ПРИМЕЧАНИЕ: Для каждого образца BMH применяется подсчет 500 клеток в соответствии с рекомендациями^{ICSH 17}.
    Классификационные категории (классы) включают проэритробласт, ранний эритробласт (включая мегалобластный), промежуточный эритробласт (включая мегалобластный), поздний эритробласт (включая мегалобластный), миелобласт, промиелоцит, нейтрофильный миелоцит, нейтрофильный метамиелоцит, полосный нейтрофил, сегментированный нейтрофил, эозинофильный миелоцит, эозинофильный метамиелоцит, полосный эозинофил, сегментированный эозинофил, базофил, монобласт, промоцит, моноцит, лимфобласт, пролимфоцит, зрелый лимфоциты (включая атипичные и реактивные), плазмабаст, незрелые плазматические клетки, плазматические клетки и другие (смаджклет, гистиоцит, фагоцит, тучные клетки и митоз).
    
    ВНИМАНИЕ: Утилизировать отходы жидкости, реагенты и расходные материалы как медицинские инфекционные отходы и/или промышленные отходы в соответствии с местными законами и нормативными актами. Если возможно, используйте центральную систему утилизации отходов.

Результаты

Валидационное исследование — методы
В этом валидационном исследовании мы воспроизводим результаты нашей предыдущей работы, опубликованной в Clinical and^{Translational Medicine 2}. Традиционная оптическая микроскопия и ADM проводились на мазках 328 BM. Данные для анализа включали информацию о изображениях всех анализируемых клеток и результаты классификации, включая редкие и атипичные морфологические случаи. Случаи были разделены на шесть диагностических групп: миелодиспластические новообразования (MDN: 15%), множественная миелома (MM: 14%), зрелые В/Т-клеточные новообразования (B/T-лимфома: 13%), острый лейкоз и хронический миеломоноцитарный лейкоз (AL+CMML: 9%), миелопролиферативные новообразования (MPN: 8%) и реактивный гемопоэз (реактивный: 41%). Возможности распознавания (классификации) клеток ADM оценивались путём оценки способности правильно классифицировать клетки в одну из 25 категорий по сравнению с независимой согласованной экспертной аннотацией с двойным^{чтением 2}.

Каждый случай был рассмотрен двумя экспертами, при этом классификация (аннотация) совпадала в >99% клеток. Эксперты обладали большим опытом и регулярно участвовали в успешных внешних оценках качества. Для клеток с разными классификациями (<1%) был достигнут консенсус между наблюдателями. Принцип анализа согласованности заключался в сравнении автоматической предварительной классификации каждой ячейки с окончательной экспертной классификацией каждой ячейки; Согласованная экспертная классификация считалась истинной классификационной референсом (обоснованная истина)².

Была оценена согласованность клеточной и клинической классификации, выявлены критические ошибки. Согласованность клеточной классификации определялась на основе матрицы путаницы на основе согласования классификации для отдельных типов клеток. Применялись стандартные статистические методы и визуальный анализ данных. Коэффициент корреляции Мэттьюса (MCC) рассчитывался для каждого типа ячейки и как среднее значение и интерпретировался стандартно. Значение MCC 0,400 и выше считалось^{удовлетворительным 2,18}.

Для каждого пациента клиническая классификационная согласованность определялась как процент правильно заранее классифицированных элементов среди всех оцененных клеток после исключения неклассифицируемых клеток. Экспертная классификация считалась истинной отчётной (обоснованной истинностью)².

Неправильные классификации считаются несущественными, если они диагностически нейтральны и не влияют на окончательный диагноз. К ним относятся взаимное неправильное классификационирование лимфобластов, миелобластов и монобластов; нейтрофильные, эозинофильные и базофильные промиелоциты/миелоциты; миелоциты/метамиелоциты; метамиелоциты/полосчатки; полосчатых/сегментированных нейтрофилов; проэритробласт/ранний эритробласт; ранний/промежуточный и промежуточный/поздний эритробласт; промоцит/моноцит; пролимфоциты/лимфоциты; плазмабаст/незрелые плазматические клетки; и незрелые плазматические клетки/зрелые плазматические клетки. Все остальные неправильные классификации считаются релевантными, так как они диагностически неприемлемы и могут привести к серьёзным клиническим последствиям (Рисунок 4)².

Общая клиническая классификационная согласованность рассчитывалась как медиана индивидуальных значений случая, учитывая только соответствующие ошибки клеток. Критическая ошибка классификации определялась как случай, при котором индивидуальное значение клинической классификации было ниже 80%. Этот произвольный предел был установлен консенсусом экспертов, учитывая минимальные требования к внешней оценке качества во^втором цикломорфологическом раунде.

Ключевые специфические для платформы отличия включают двухэтапный рабочий процесс BM (40× и 100× объектив), добавляющий дополнительную сложность, отсутствующую в протоколе PB, чёткие цели по количеству клеток (100 клеток в PB, 500 клеток в BM) и различные категории классификации. Самым важным общим фактором сопоставимости между платформами и типами выборок является процедура подготовки мазка.

Количественные показатели эффективности явно связаны с когортой валидации, описанной в Методах (n = 328 мазков BM). Процент правильно классифицированных релевантных клеток из всех классифицированных клеток (согласованность клеточной классификации) составил 95,4%. Удовлетворительные корреляционные значения, указанные MCC, составили ≥0,400 для 22 из 25 (88,0%) типов клеток, тогда как неудовлетворительные значения MCC (<0,400) наблюдались для 3 из 25 (12,0%) типов клеток (лимфобласты, пролимфоциты и промоноциты). Общая релевантная клиническая согласованность составила 97,1% (медиана), при этом 94,5% случаев показали уровень согласованности от 80% до 100%. У 5,5% пациентов наблюдалась критическая ошибка классификации, при этом соответствующие значения клинической согласованности варировали от 36% до 79% из-за неспособности распознавать неопластические^{клетки 2}.

Клеточная неправильная классификация подрывает надёжность АДМ в анализе BM и представляет собой серьёзное ограничение метода в диагностической гематоонкологии (Таблица 1). В случаях, связанных с соответствующей неправильной классификацией, изучалась морфология правильно и неправильно классифицированных клеток. Правильно классифицированные клетки обычно демонстрируют типичные цитоморфологические признаки. В отличие от этого, ошибочные классификации чаще всего возникают при различении морфологически похожих или атипичных клеток, особенно атипичных лимфоцитов и бластов; миелобласты и лимфоциты; лимфообразования и лимфоциты; монообласти или промоноциты и промиелоциты; а также незрелые плазматические клетки и бласты. Неправильно классифицированные клетки часто демонстрируют атипичную цитоморфологию. В лимфоцитарных опохах ошибочно классифицированные неопластические лимфоциты, такие как при маргинальных зонах лимфомы и лейкозе волосатых клеток, обычно имеют средний размер, с обильным содержанием базофильной или бледной цитоплазмы, цитоплазматическими проекциями и более мелким хроматином с ядром. Эти признаки отличаются от признаков правильно классифицированных неопластических клеток. При мантийноклеточной лимфоме атипичные лимфоциты могут проявлять бластоидный вид, что увеличивает вероятность ошибочной классификации. Аналогично, в плеоморфном варианте хронического лимфоцитарного лейкоза неопластические лимфоциты могут быть ошибочно идентифицированы как бласты. Мы демонстрируем качественные репрезентативные примеры на рисунках 4 и 5.

При острой лейкемии и хроническом миеломоноцитарном лейкозе (ХММЛ) неправильно классифицированные лимфообласти и миелобласты малы, с высоким соотношением ядра к цитоплазме, более крупным хроматином и нуклеолами. Многочисленные гранулированные монообласти могут быть ошибочно классифицированы как промиелоциты. В CMML неправильная классификация часто связана с диспластическими моноцитарными клетками. При множественной миеломе возникают ошибки в линии плазматических клеток, особенно в отношении плазмабастов и незрелых плазматических клеток. Мы демонстрируем качественные представительные примеры на рисунке 5.

Критические неправильные классификации неопластических лимфоцитов, малых лимфобластов/миелобластов, гранулированных монобластов, диспластических промоноцитов и моноцитов, плазмобластей и незрелых плазматических клеток — все из которых могут иметь атипичную морфологию — несут риск ошибочного диагноза. Путание лимфомы с острой лейкемией и наоборот может привести к серьёзным или даже смертельным последствиям для ведения пациента. Ложноотрицательные результаты, такие как неспособность распознать острый миелоидный лейкоз (особенно острый промиелоцитарный лейкоз) или неправильный диагноз ХМЛ или множественной миеломы, могут привести к неправильным решениям в лечении или задержкам терапии.

Рисунок 1. Автоматический окраска, иконки домашнего экрана. Предоставлено Sysmex; Информационные материалы производителя (базовое руководство по эксплуатации). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2. Неправильная классификация белых кровяных циц. На скриншотах программы неправильно классифицированные ячейки выделены красными окнами. При инфекции ЭБВ реактивные лимфоциты ошибочно классифицировались как моноциты (A, красная коробка). При хроническом лимфоцитарном лейкозе некоторые лимфоциты ошибочно классифицировали как бласты (B, красная коробка). В CMML диспластические моноциты ошибочно классифицировались как сегментированные нейтрофилы (C, красная коробка), а монообласт — как диспластический миелоцит (D, красная коробка). PB, CellaVision DC-1, программное обеспечение для обзора, автоматизированное окрашивание May–Grünwald и Giemsa–Romanowski с красилкой Sysmex SP-50, увеличение 1000×, эксперт: сертифицированный техник. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3. Неправильная классификация неопластических лимфоцитов при BM .Скриншот программы. Неопластические лимфоциты в высокостепенной B-клеточной лимфоме в BM были ошибочно классифицированы как миелобласты. Предлагаемая альтернативная классификация с пятью наиболее вероятными вариантами («список топ-5»), включая процентные вероятности, отмечена жёлтой стрелкой. Для клетки в жёлтом блоке на метке указаны процентные вероятности миелобласта, монобласта, лимфобласта, проэритробласта и раннего эритробласта, при этом вариант для лимфоцитов нет. BM, Morphogo, программное обеспечение для обзора, автоматизированное окрашивание May–Grünwald и Giemsa–Romanowski с помощью окрашивателя Sysmex SP-50, увеличение 1000×, эксперт: сертифицированный учёный, сертифицированный врач. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4. Нерелевантные и релевантные неправильные классификации клеток. (A) Примеры нерелевантных неправильных классификаций в линиях миелоидных и эритроидных линий приведены в сравнении экспертной классификации и предварительной классификации ADM. (B) Примеры соответствующих неправильных классификаций в лимфоидных, плазматочных и моноцитарных линиях приведены в сравнении экспертной классификации и предварительной классификации ADM. Классификация некоторых элементов была сложной даже для эксперта. Из программного обеспечения извлекались изображения ячеек. BM, Morphogo, программное обеспечение для обзора, автоматизированное окрашивание May–Grünwald и Giemsa–Romanowski с помощью окрашивателя Sysmex SP-50, увеличение 1000×, эксперт: сертифицированный учёный, сертифицированный врач. К каждой ячейке добавлялась шкала (scale bar). Масштабные полосы представляют размер 10 мкм. Калибровка основана на камере ToupCam (пиксель 1,85 мкм) с объективом Olympus Plan N 100×.
Модифицировано из: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E, и др. Полезность автоматизированной цифровой цитоморфологии с помощью искусственного интеллекта для анализа костного мозга в диагностической гематоонкологии. Клин Трансл, медицина, 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 5. Репрезентативные примеры наиболее частых неправильных классификаций BM-клеток у пациентов с гематологическими новообразованиями. Ошибочно классифицированные неопластические лимфоциты, миелобласты, лимфобласты, монобласти и плазматические клетки встречаются в отдельных случаях маргинальной зонной лимфомы (MZL), мантиональной лимфомы (MCL), волосатого лейкоза (HCL), хронического лимфоцитарного лейкоза (CLL), острого миелоидного лейкоза (AML), острого T-лимфобластного лейкоза (T-ALL) и множественной миеломы (MM). Неправильная классификация атипичных лимфоцитов/бластов была самой частой ошибкой. Основные цитоморфологические признаки ошибочно классифицированных неопластических лимфоцитов включали средний размер, более мелкий хроматин (красные стрелки), нуклеолы (синие стрелки), обильное количество базофильных или светлых цитоплазм с выступами (зелёные стрелки) и бластоидный вид (оранжевая стрелка). Ошибочно классифицированные лимфобласты и миелобласты были небольшими, с высоким соотношением ядра к цитоплазме и более грубым хроматином с нуклеолами (серыми стрелками). Плазмабласты и незрелые плазматические клетки ошибочно классифицировались как лимфоциты или не признавались принадлежащими к линии плазматических клеток (классифицировали как «blast, unspecificified»). Из программного обеспечения извлекались изображения ячеек. BM Morphogo Review Software, автоматизированное окрашивание May–Grünwald и Giemsa–Romanowski с окрашивателем Sysmex SP-50, увеличение 1000×, эксперт: сертифицированный учёный, сертифицированный врач. К каждой ячейке добавлялась шкала (scale bar). Масштабные полосы представляют размер 10 мкм. Калибровка основана на камере ToupCam (пиксель 1,85 мкм) с объективом Olympus Plan N 100×.
Изображение было изменено из: Supplementary Material, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E и др. Полезность автоматизированной цифровой цитоморфологии с помощью искусственного интеллекта для анализа костного мозга в диагностической гематоонкологии. Клин Трансл, медицина, 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Диагностика	Количество дел	Ошибочно классифицированные ячейки
		Экспертная классификация	Классификация ADM
Зрелые В-клеточные новообразования	9/43
Маргинальная лимфома	4/8	Атипичный лимфоцит	Чёрт, NOC
Мантия-клеточная лимфома	2/5	Атипичный лимфоцит	Чёрт, NOC
CLL	1/14	Атипичный лимфоцит	Чёрт, NOC
Лейкоз волосатых клеток	2/2	Атипичный лимфоцит	Взрыв, NOC / Моноцит
Множественная миелома	5/46	Плазматическая клетка	Чёрт, NOC
AML	3/16	Миелобласт / Монобласть	Лимфоциты / Промиелоциты
T-ALL	1/1	Лимфобласт	Лимфоциты

Таблица 1: Критические неправильные классификации по ADM. У 18 из 328 (5,5%) пациентов наблюдалась критическая ошибка классификации. Клиническая группа критически ошибочных классификаций по ADM включала девять из 43 пациентов с зрелыми В-клеточными новообразованиями, пять из 46 пациентов с ММ, три из 16 пациентов с ОМЛ и одного (из одного) пациента с Т-АЛЛ. Неправильная классификация атипичных лимфоцитов/бластов была самой частой. NOC: нет иначе засекречено. 
Воспроизведено: Дополнительные материалы, Старостка Д., Долезилек Р., Квасницка Х.М., Куделка М., Мичкова П., Криегова Э., и др. Полезность автоматизированной цифровой цитоморфологии с помощью искусственного интеллекта для анализа костного мозга в диагностической гематоонкологии. Клин Трансл, медицина, 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Обсуждение

Технологические достижения в области высококачественной обработки изображений, автоматизированной цифровой классификации изображений и принятия решений с помощью ИИ с использованием сверточных нейронных сетей позволили значительно улучшить ADM. В результате ADM дополняет стандартную оптическую микроскопию. Правильная идентификация отдельных цитоморфологических категорий может быть сложной, особенно среди близкородственных классификационных групп, имеющих морфологические^{сходства} 2,11,12,14,15,19,20. Поскольку экспертные выводы всегда зависят от определённой степени субъективности, они могут не считаться окончательными или единственно возможными правильными результатами — особенно в случаях пограничной или неоднозначной клеточной классификации (например, диспластические или крайне атипичные элементы)². Эти паттерны неправильной классификации были зафиксированы в PB, показывая более высокую эффективность для обычных типов клеток, но слабую согласованность классификации для некоторых клинически важных подмножеств, включая^{бласты 12, 15, 19, 20}. Это может существенно повлиять на цитоморфологическую диагностику ПБ и БМ.

По сравнению с PB, лишь немногие исследования были сосредоточены на точности классификации ADM в анализе BM 2,20,21,22,23. В китайском исследовании по классификации ADM согласованность достигла 99%, при этом большинство типов клеток BM показали чрезвычайно высокую корреляцию с гематопатологической^{экспертизой 21}. Однако доля гематологических злокачественных заболеваний в исследованной когорте составила менее 30%²¹. Другие сравнительные исследования, оценивающие эффективность автоматизированных систем мазка PB и BM, а также ручной анализ, проводились в многоцентровых^{исследованиях 22,23}. В недавнем сравнении было проанализировано 795 образцов BM у пациентов с неопластическими и другими клиническими состояниями, что дало общее согласование 91,1% с оптической^{микроскопией 23}.

Исследование реального когорты пациентов европейского происхождения с 59% неопластических заболеваний сравнивало ИИ-управляемый АДМ с экспертной оптической микроскопией в шести диагностических^{группах 2}. Критические неправильные классификации неопластических клеток с атипичной морфологией имели потенциальный ошибочный^{диагноз 2}. Таким образом, в этом исследовании были выявлены кандидатные типы клеток для будущего обучения и тестирования эффективности^{ИИ 2}. Однако у этого исследования было несколько ограничений. Во-первых, в исследование было включено ограниченное количество пациентов и архивные материалы, а некоторые редкие заболевания BM отсутствовали, включая детские образцы. Во-вторых, цитоморфология некоторых неопластических клеток была очень аномальной, с сомнительной классификацией даже среди опытных экспертов. В-третьих, анализировали только образцы европейского происхождения. В-четвёртых, никакой внешней проверки релевантных и нерелевантных ошибок^{классификации не проводилось 2}.

Клеточные неправильные классификации являются основным ограничением ADM в диагностической гематоонкологии². Существует несколько причин неправильной классификации. Помимо цитоморфологического пересечения, способствующими факторами, вероятно, являются редкость определённых состояний и вариативность экспертного консенсуса относительно типов клеток. Это может привести к несогласованным аннотациям и пробелам в обучающих данных. Обнаружение диспластических изменений при гемопоэзе ненадёжно, как и детальная оценка цитоморфологии мегакариоцитов². Хотя неблагоприятные последствия в значительной степени смягчаются при обязательном экспертном контроле, остаются ограничения в отношении абсолютной надёжности АДМ, особенно при лейкемии, лимфоме и множественной^{миеломе 2}. Правильная экспертная аннотация ячеек для обучения ИИ является необходимым условием для работы в ADM. Точная маркировка данных является основой для создания надёжных наборов данных с точки зрения истинности. В цитоморфологии определение основной истины особенно сложно в неоднозначных или пограничных случаях, поскольку определённая степень субъективности сохраняется даже среди опытных, широко признанных экспертов. Когда мнения экспертов расходятся, обоснованная истинность может быть установлена через консенсус большинства или согласие между двумя или более независимыми рецензентами сопоставимой экспертизы, особенно когда диагностические оценки разбиты на отдельные^{компоненты 2}. Уточнение возможностей классификации, ориентированное на конкретные типы кандидатов ячеек, крайне важно. Он включает целенаправленное переобучение сложных типов клеток, иерархические стратегии классификации или использование мультимодальных данных для улучшения различия между морфологически похожими клетками. Обширные, разнообразные и хорошо аннотированные тренировочные наборы данных, особенно при гематолимфоидных новообразованиях, должны включать достаточное представление атипичной морфологии, редких сущностей, пограничных случаев и диагностически неоднозначных клеток.

Что касается критически важных шагов протокола и устранения неполадок, мазки PB должны быть проведены в течение двух часов после сбора; Аспирация BM должна распространяться сразу с первого натяжения. Требуется валидированный, автоматизированный протокол окрашивания, строго согласованный между партиями. Чётко определённый, без артефактов монослой обязателен. Требуется длительное сканирование в образцах лейкопенического ПБ и гипоцеллюлярных мазках BM. Истощённое погружное масло или тонкие мазки вызывают отказ автофокуса и анализ аварийного прекращения. Ни одна из этих систем не одобрена для автономной отчетности, и обязательна индивидуальная проверка изображений в галерее ячеек. Местная клиническая валидация обязательна перед развертыванием; Полная диагностическая и юридическая ответственность лежит на морфологе, который сообщает.

Будущая строгая многоинституциональная валидация в различных клинических условиях необходима для обобщаемости моделей и предиктивной эффективности. Подход на основе ИИ к цитоморфологии мегакариоцитов может дополнительно уточнить интегрированную диагностику миелопролиферативных и миелодиспластических^{новообразования} 24,25,26. Существенный пробел также остаётся в разработке надежного распознавания дипластических изменений, специфичных для^{родословной линии 2,27}. Для оптимизации модели инновационные методы, такие как настройка гиперпараметров, регуляризация, ансамблевое обучение и дополнение данных, могут служить для повышения надёжности и классификации⁽28,29,30). В частности, стратегии расширения данных — от геометрических^{преобразований 30,31} до создания синтетических обучающих изображений с использованием генеративного^{ИИ 32,33} — недавно стали перспективными подходами для расширения ограниченных наборов данных и устранения дисбаланса классов в классификации ячеек BM. Уровень образования и долгосрочный опыт лабораторного персонала имеют решающее значение для оценки и принятия решений в сложных цитоморфологических случаях. Подготовка следующего поколения цитоморфологов в условиях продолжающейся цифровизации представляет собой образовательную задачу. С одной стороны, ADM предлагает огромный образовательный потенциал; С другой стороны, существует риск, что менее опытные операторы могут переоценить его возможности.

Несмотря на многообещающий диагностический потенциал систем ADM, необходимо признать ряд критических ограничений и проблем внедрения. Основная проблема связана с смещением данных по обучению: большинство коммерчески доступных платформ ADM, включая те, что были оценены в данном исследовании, были разработаны на основе наборов данных, преимущественно полученных из конкретных географических регионов, протоколов окрашивания и популяций пациентов, что может ограничивать их обобщаемость более этнически и клинически разнообразными когортами или лабораториями, использующими различные методы подготовки. Не менее важен вопрос прозрачности при принятии решений по ИИ. Современные системы ADM в основном работают как модели «чёрного ящика», что затрудняет возможность клиницистов критически оценивать назначение отдельных клеток. Это напрямую связано с вопросом клинической ответственности, поскольку нормативные рамки для диагностики с помощью ИИ продолжают развиваться. Практическая интеграция ADM в стандартные диагностические рабочие процессы создаёт значительные организационные и технические барьеры, включая необходимость высококачественной инфраструктуры оцифровки слайдов, обучения персонала, валидации по местным эталонным стандартам и создание протоколов контроля качества для мониторинга эффективности системы на протяжении времени. Таким образом, экспертная доработка и исследование полного потенциала ADM в оценке PB и BM будут продолжать повышать его полезность как поддерживающего инструмента в рутинной лабораторной практике.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Автоматизированное устройство подготовки гематологических слайдов SP-50	Sysmex Corporation, Kobe, Japan	N/A	Автоматизированный изготовитель и окрашиватель слайдов
Сканер штрих-кодов для Sysmex SP-50	Datalogic Gryphon	S/N: G21M20996	Сканер штрих-кодов
CellaVision DC-1	CellaVision AB, Lund, Sweden	PM-10895-15	Автоматизированный анализатор цифровой морфологии
Программное обеспечение CellaVision DM	CellaVision AB, Lund, Sweden	Version 7.1.1 build 8
Giemsa Solution для автоматизированных систем SP	RAL Diagnostics, Martillac, France	750305X1000	Компонент панорамного окрашивания мазков периферической крови и костного мозга
Иммерсионное масло (CellaVision иммерсионное масло 50 мл)	CellaVision AB, Lund, Sweden	XU-10319	Иммерсионное масло
May-Grünwald для автоматизированных систем SP	RAL Diagnostics, Martillac, France	750105X2500	Компонент панорамного окрашивания мазков периферической крови и костного мозга
Morphogo Analyzer костного мозга	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Автоматизированный анализатор цифровой морфологии костного мозга
Программное обеспечение Morphogo Review	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Version 1.0.6	Программное обеспечение для анализа костного мозга
Буферный раствор pH 7,0 для автоматизированных систем SP	RAL Diagnostics, Martillac, France	750505X5000	Буферный раствор
QR-сканер для CellaVision DC-1	Datalogic Gryphon	GD 4500	QR-сканер
Очищающая жидкость RAL	RAL Diagnostics, Martillac, France	750725X5000	Очищающая жидкость
Трубка S-Monovette K3 EDTA	Sarstedt	05.1167.001	Трубка для SP-50
Раствор для промывания SP	RAL Diagnostics, Martillac, France	37000305	Раствор для промывания
Слайды SP	Sysmex Corporation, Kobe, Japan	ZE 001906	Слайды  для мазков периферической крови и костного мозга
Слайды SP	Sysmex Corporation, Kobe, Japan	ZE 001906	Слайды  для контроля качества
Стекло для нанесения мазка SP	Sysmex Corporation, Kobe, Japan	95102918	Стекло для нанесения мазка
Стойка для трубок для Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Стойка для трубок