Otomatik Dijital Çevresel Kan ve Kemik Iliği Sitomorfolojisi İçin İş Akışı, Kritik Hücresel Yanlış Sınıflandırmalar Dikkate Alınarak

Özet

Periferik kan ve kemik iliğinin otomatik dijital sitomorfolojisinin iş akışı tanımlanır. Standart smear hazırlama ve boyamadan sonra, bir tarayıcı örnek görüntülerini yakalar. Yapay zeka destekli yazılımlar, çekirdekli hücreleri tespit eder, kaydeder ve ön sınıflandırmaya girişir, ardından uzman incelemesi yapılır. Odak, yanlış teşhis potansiyeline sahip kritik hücresel yanlış sınıflandırmalar üzerindedir.

Özet

Artan kanıtlar, çevresel kan (PB) ve kemik iliği (BM) için yapay zeka destekli otomatik dijital sitomorfolojinin (ADM) uzman karar alma süreçlerine yardımcı olabileceğini desteklemektedir. PB ve BM smearları için ADM iş akışı tanımlanmıştır. ADM teknolojisinin temel bileşenleri arasında hassas mekanik, gelişmiş görüntüleme sistemleri, yapay zeka (YZE) ve kullanıcı dostu bir arayüz yer alır. Süreç, otomasyon ve dijitalleştirme için uyarlanmış protokollerle standart smear hazırlama ve boyama ile başlar. Daldırma nesnesi ve dijital kamera ile donatılmış otomatik mikroskop, örneğin çoklu büyütmelerle yüksek çözünürlüklü görüntülerini yakalar. Yapay zeka destekli yazılımlar daha sonra çekirdekli hücreleri, uygun olduğunda megakaryositler dahil olmak üzere, tespit eder, kaydeder ve ön sınıflandırır. Bunu zorunlu uzman değerlendirmesi ve gerektiğinde yeniden sınıflandırma takip eder. Dijital görüntüler ve raporlar daha sonra yüksek kapasiteli yerel bir sunucuda saklanır. ADM'nin temel faydaları arasında artan hız, verimli veri yönetimi, eğitim desteği, değerlendirme ve danışmanlık için uzaktan erişim, dijital arşivleme ve çoklu modal veri entegrasyonu yer alır. ADM'nin en önemli sınırlaması, kritik hücresel yanlış sınıflandırma riskidir ve bu da büyük klinik etkilere yol açabilir. İlgisiz yanlış sınıflandırmalar tolere edilebilir ve tanı açısından nötrdür, oysa ilgili yanlış sınıflandırmalar kabul edilemez ve ciddi tanısal ve klinik sonuçlara yol açabilir. Neoplastik lenfositlerin, küçük lenfoblastlar/miyeloblastların, granül monoblastların, displastik promonositler ve monositlerin, plazmablastların ve olgunlaşmamış plazma hücrelerinin kritik şekilde yanlış sınıflandırılması—bunların hepsi atipik morfolojiye sahip olabilir—yanlış teşhis riski taşır. Güvenilir tanı performansına ulaşmak için daha fazla ilerleme gereklidir. Kapsamlı ve yüksek kaliteli eğitim verileri, düzenli doğrulama ile birleştiğinde, yapay zekanın tanısal yargı için etkili bir destek aracı olarak işlev görmesini sağlamak için gereklidir.

Giriş

Periferik kan (PB) ve kemik iliği (BM) smearlarının doğru sitomorfolojik değerlendirmesi, hemato-onkolojide multidisipliner tanının temel taşlarından biri olmaya devam etmekte olup, kritik klinik karar^noktaları 1,2,3,4 üzerinde etkili olmaktadır. Manuel PB ve BM smear analizinde uzmanlar arası ve uzman içi önemli değişkenliğe dair kanıtlar vardır; bu durum hasta tanısı üzerinde sonraki etkiler 2,5,6,7,8,9 olarak görülmektedir. Görüntü analizi, makine öğrenimi ve hesaplamalı patolojideki son gelişmeler, PB ve BM smearlarının otomatik olarak değerlendirilmesini mümkün kılmıştır; bu düzeyde uzman sitomorfolojik inceleme 1,2,3,4,10,11,12,13,14 . PB ve BM'nin yapay zeka (AI) destekli otomatik dijital sitomorfolojisi (ADM), emek yoğun ve zaman alıcı optik mikroskopi ile uzman karar verme^{süreçlerini destekleyebilir} 1,2,3,4,11,12.

ADM teknolojisinin temel unsurları arasında standart smear hazırlama ve boyama, gelişmiş görüntüleme yeteneklerine sahip bir tarayıcı, yapay zeka ve verimli, kullanıcı dostu bir arayüz yer alır. ADM'nin hassasiyet mekaniği yüksek hızda mikrometre seviyesinde doğrulukla çalışırken, gelişmiş görüntüleme çözümleri yüksek görüntü kalitesi^{sağlar 14}. Kullanıcı dostu bir arayüz, bu gelişmiş teknolojiyi sezgisel ve sade bir şekilde erişilebilir^{kılar 14}.

ADM uzun süredir PB değerlendirmelerinde kullanılmakta, burada oldukça gelişmiş ve standart laboratuvar iş akışlarının ayrılmaz bir parçası haline gelmiştir. Ancak BM değerlendirmelerinde, ADM karmaşık ve karmaşık sitomorfolojik desenler, çok sayıda farklı hücre tipi ve öncü^{hücrelerin morfolojik benzerliği nedeniyle zorluklar taşır.} Yapay zeka sınıflandırma yeteneği, birkaç milyon hücreye kadar büyük ve kapsamlı görüntü veri setleriyle eğitime dayanır. Bu eğitim veri setlerine dahil edilen tüm hücreler uzmanlar tarafından incelenir ve açıklama yapılır. Bu uzman katkısı, diğer faktörlerin yanı sıra, sınıflandırma kalitesi üzerinde doğrudan etkiye sahiptir.

Buna rağmen, bazı PB ve BM hücrelerinin ADM için sınıflandırması özellikle zordur ve bu durum sitomorfolojik^{tanıyı 2,12,15} önemli ölçüde etkileyebilir. Kritik hücresel yanlış sınıflandırmalar ADM'nin başlıca sınırlaması olmaya devam eder ve ciddi klinik sonuçlara yol açabilir, böylece^{yöntemin güvenilirliğini zayıflatabilir.}

Amacımız, özel adımları ve uzman değerlendirme süreci dahil olmak üzere pratik bir ADM iş akışı sunmaktır. ADM sürecinin ayrıntılı raporlanması, iki analitik platformun örnekleri kullanılarak kullanıcıların yöntemin yeteneklerini ve avantajlarını tam olarak değerlendirmesini sağlayacaktır. ADM'nin PB için yüksek sınıflandırma doğruluğu birçok çalışmada^{gösterilmiştir} 12,15,16. Bu nedenle, araştırmamızda yalnızca bu tür güvenilir doğrulama verilerinin sınırlı olduğu BM için ADM'ye odaklandık. Nicel doğrulama sonuçları BM analizine dayanır. Ayrıca, yöntemin temel bir sınırlaması olan kritik yanlış sınıflandırmaları vurguluyoruz. Ayrıca yanlış sınıflandırmaların kategorilendirilmesini öneriyor ve en yaygın eleştirel yanlış sınıflandırma türlerini vurguluyoruz.

Protokol

2025 yılında yayımlanan^{çalışmamız,} arşivlenmiş materyaller kullanılarak Helsinki Bildirgesi'nin güncellenmiş ilkelerine uygun olarak yürütülmüştür. Hastalar laboratuvar muayenesi, anonim veri toplama ve analiz ile anonimleştirilmiş görüntü verilerinin yayımlanması dahil olmak üzere araştırma kullanımı için yazılı bilgilendirilmiş onay sağladı. Çalışma, Havířov Hastanesi Yerel Etik Komitesi tarafından onaylandı (onay IGS_2023_HEM_PAT).

NOT: PB ve BM için ADM protokolü, otomatik boyama sonrası rapor edilmiştir.

1. Periferik kan ve kemik iliği lekelerinin otomatik bir cihazla hazırlanması ve boyaması

1. Aleti açmadan önce şu kontrolleri yapın: boru durumu, ağ bağlantısı, atık konteyneri durumu, yeterli reaktif ve yeterli miktarda mikroskop slaytı.
   NOT: Reaktif kapları boş olmamalı ve tüm reaktiflerin son kullanma tarihi içinde olması gerekir.
2. Enstrümanı aç.
3. Ana ünite otomatik olarak kendi kendine kontrol yapar.
4. Geçerli bir kullanıcı adı ve şifreyle yazılıma giriş yapın.
5. Enstrümanı mevcut yazılım sürümleriyle çalıştırın. Üreticinin önerilerini ve kullanıcı kılavuzunu takip edin (ana ekran—Şekil 1).
6. İşlemleri seçmek için Menü, slayt hazırlama ve lekeleme hazırlığı taleplerini yönetmek için Çalışma Listesi, isteklerdeki verileri incelemek için Tarayıcı ve hazırlanan lekelerin durumunu kontrol etmek için Durum sekmesini kullanın.
7. Ana bilgisayardan yeni bir slayt hazırlama isteği indirin veya yeni bir talep oluşturun.
   NOT: 24,7–26,3 mm x 74,7–76,3 mm ölçülerinde eğimli ve yuvarlatılmış kenarlı, genişliği 0,9–1,2 mm ve mat kenarı 15–20 mm olan kaydıraklar kullanın.
8. Slayt hazırlama taleplerini gerektiğinde düzenleyin veya silin.
9. Lekeleri hazırlayın:
   1. PB ve BM örnekleri ile lekeleri tutarken her zaman lateks veya nitril eldiven kullanın.
   2. Leka hazırlama modunu seçin.
   3. Numune rafını numune makinesine yerleştirin.
      NOT: Sadece boyama üreticisi tarafından özel olarak onaylanmış numune tüpleri kullanın.
   4. Yayıcı camın sağlam, tamamen temiz ve tutucuya güvenli bir şekilde yerleştirildiğinden emin olun.
   5. Diyalog penceresini kullanarak lekeleme hazırlamaya ve boyamaya başlayın.
   6. Hazırlanan smear durumunu kontrol edin.
10. Slayt hazırlama taleplerinin detaylarını gözden geçirin.
11. Numune rafını çıkarın.
12. Hazırlanmış ve lekelenmiş slaytları çıkarın.
    Kontrol noktası: Görsel incelemede (çıktı sonrası) bulaşma kalitesi tanımlanmış kabul kriterlerini karşılıyor mu? Yeterli uzunluk ve hücre yoğunluğuna sahip minimum tek katmanlı bir bölge bulunmalıdır.
13. Kapatmadan önce enstrüman denetimi ve temizliği yapın.
14. Enstrümanı kapat.
    NOT:
    Periferik kan için boyama protokolü-
    Leke 1: May–Grünwald leke; Leke 2: Giemsa–Romanowski leke. Seyreltilmemiş leke 1 (73 mL) 2:48 dk; seyreltilmiş leke 1 (73 mL, seyreltici pH 7.0 fosfat tamponu, seyreltme oranı 1:10) 3:36 dakika. Sulandırılmış leke 2 (26 mL, seyreltici pH 7.0 fosfat tamponu, seyreltme oranı 1:10) 4:00 dakika. Durulama sayısı (439 mL, otomatik işlem)
    1. Kurutma (otomatik işlem) 3:36 dakika.
    
    Kemik iliği için boyama protokolü-
    Leke 1: May–Grünwald leke; Leke 2: Giemsa–Romanowski leke. Seyreltilmemiş leke 1 (73 mL) 3:36 dk; seyreltilmiş leke 1 (73 mL, seyreltici pH 7.0 fosfat tamponu, seyreltme oranı 1:10) 2:48 dakika. Sulandırılmış leke 2 (26 mL, seyreltici pH 7.0 fosfat tamponu, seyreltme oranı 1:10) 10:00 dakika. Durulama sayısı (439 mL, otomatik işlem)
    1. Kurutma (otomatik işlem) 3:36 dakika.
    
    DIKKAT: Laboratuvarda kimyasallarla çalışırken, bileşim, tehlike sembolleri, ilk yardım talimatları, kazara sızıntılar ve yangınlar için acil müdahale prosedürleri, taşıma ve depolama yönergeleri, kişisel koruyucu ekipman gereksinimleri, toksikolojik ve çevresel bilgiler ile taşıma ve bertaraf talimatları içeren resmi güvenlik veri formlarındaki talimatları takip edin. Atık sıvıları, reaktifleri ve tüketim malzemelerini tıbbi bulaşıcı atık ve/veya endüstriyel atık olarak yerel yasa ve yönetmeliklere uygun olarak bertaraf etmelidir. Mümkünse, merkezi bir atık bertaraf sistemi kullanın.

2. PB'nin otomatik dijital sitomorfolojisi

1. Beyaz kan hücresi (WBC) sayısının diferansiyel sayımı, kırmızı kan hücresi (RBC) morfolojisinin değerlendirilmesi ve trombosit (PLT) sayısının tahmini için uygulamayı kullanın. Her hücre tipinin önerilen sınıflandırmasını doğrulayın.
   NOT: Operatör, en az beş yıllık deneyime sahip deneyimli sertifikalı bir laboratuvar teknisyeni veya sertifikalı bir laboratuvar bilimcisidir.
2. Analizörü başlatın.
3. Geçerli bir kullanıcı adı ve şifreyle yazılıma giriş yapın.
4. Enstrümanı mevcut yazılım sürümleriyle çalıştırın. Üreticinin önerilerini ve kullanıcı kılavuzunu takip edin.
5. Kalite kontrol (QC) prosedürü ve siparişlerin işlemesi için System Control View sekmesini kullanın.
6. Günlük iç kalite kontrolünü kontrol slaytı ile (rutin PB smear, WBC sayısı 10 ×^{10 9}/L'nin üzerinde olur). Günde en az bir kez hücre tespit testini çalıştırın; bu test 100 hücreyi tanır.
   NOT: Hücre tespit testi, slayt hazırlama sürecini doğrular ve analizörün hücreleri tespit etme yeteneğini doğrular. Slayt, analizörün analiz için gerekli hücreleri tespit edebileceği kadar kaliteli olmalıdır. QC kabulü için hücrelerin %97'si başarıyla tespit edilmelidir.
7. Sürgü yapma ve boyama aletiyle hazırlanmış bir PB smear kullanın.
8. Lekeli lekeyi analizörün yükleme çekmecesine yerleştirin.
9. Test tanımlamasını manuel olarak veya barkod tarayıcı ile girin; Laboratuvar bilgi sisteminden gelen talep otomatik olarak yüklenir.
10. Analizör giriş kapısını kapatın.
11. Lekeyi işle.
    NOT: Analizör lekeyi mikroskop altında otomatik olarak hareket ettirir, tarar ve WBC'lerin ile RBC'lerin tek katmanlı görüntüsünü yakalar. Analizör, tespit edilen tüm beyaz çaplı tansiyonların ön sınıflandırmasını yapar ve RBC morfolojisini değerlendirir.
12. Ön sonuçları gözden geçirin ve gerektiğinde doğrudan analizör üzerinden veya uzaktan inceleme yazılımı kullanarak yeniden sınıflandırın. Önerilen üç sınıflandırma seçeneğini, olasılık yüzdeleri dahil olmak üzere, göz önünde bulundurun.
    NOT: Otomatik ön sınıflandırma sadece birkaç saniye sürer. Belirsiz veya sınırda hücresel sınıflandırmalar durumunda, çift okuma gereklidir. Farklı sınıflandırmalara sahip hücreler için, gözlemciler arasında uzlaşmaya ulaşılmalıdır. Yeniden sınıflandırılan hücre, görüntünün sağ üst köşesinde bir kontrol işaretiyle işaretlenmiştir.
13. WBC modunda, çekirdekli hücrelerin ön sınıflandırmasını gözden geçirin.
    NOT: Dijital morfoloji ve zorunlu uzman değerlendirmesi gerektiren kalite işaretleri arasında blastlar, olgunlaşmamış granülositler, atipik lenfositler, reaktif lenfositler, neoplastik lenfositler, monositoz 1.0 × 10⁹/L üzerinde, 4.0 üzerinde lenfositoz × 10⁹/L ve güvenilmez diferansiyel sayı yer alır. Operatör veya patolog tarafından yapılan herhangi bir manuel yeniden sınıflandırma, kullanıcı kimliği ve zaman damgası ile kaydedilmelidir.
14. Yanlış sınıflandırma tespit edilirse, hücreyi fareyle sürükleyerek doğru kategoriye yeniden atanın.
    NOT: PB hücresi yanlış sınıflandırmalarına örnekler için Şekil 2'ye bakınız.
15. RBC modunda, RBC morfolojik değişikliklerinin değerlendirilmesini gözden geçirin ve yanlış değerlendirmeleri düzeltin veya bulguları ek patolojik özellikler (örneğin, hedef hücreler, şistositler, ovalositler) seçerek ekleyin.
16. PLT modunda, PLT değerlendirmesini gözden geçirin.
17. Yorumları manuel olarak ekleyin veya önceden tanımlanmış metin seçeneklerinden seçim yapın.
    NOT: Otomatik doğrulama kuralları en az yılda bir resmi olarak doğrulanmalı, belgelenmiş ve gözden geçirilmelidir.
18. Son sonucu onaylayın, ardından otomatik olarak laboratuvar bilgi sistemine gönderilir.
    NOT: Nihai sonuç, varsa ek yorumlarla birlikte sayısal bir fark sayısı olarak dışa aktarılır. Düşük hücreliliğe sahip örnekler için (WBC 2.0 × 10⁹/L'nin altında), iki smear otomatik olarak hazırlanır, taranır ve tek tek değerlendirilir.
19. Çıkış yapın ve analizörü kapatın.
    NOT: Her PB örneği için ICSH^{önerileri 17'ye} uygun olarak 100 hücre sayısı uygulanır. WBC sınıflandırma kategorileri (sınıfları) blast, promiyelosit, miyelosit, metamiyelosit, bant nötrofil, segmentli nötrofil, eozinofil, bazofil, monosit, lenfosit, varyant lenfosit ve plazma hücresini içerir. WBC dışı sınıflandırma kategorileri (sınıfları) arasında lekelenme hücresi, artefakt, dev trombosit, trombosit kümesi ve eritrop bulunur. RBC morfolojisi sınıflandırma kategorileri (sınıfları) polikromatik RBC'ler, hipokromik RBC'ler, anizositoz, makrositoz, mikrositoz ve poikilositoz içerir. Začátek formuláře
    
    DIKKAT: Laboratuvarda kimyasallarla çalışırken, bileşim, tehlike sembolleri, ilk yardım talimatları, kazara sızıntılar ve yangınlar için acil müdahale prosedürleri, taşıma ve depolama yönergeleri, kişisel koruyucu ekipman gereksinimleri, toksikolojik ve çevresel bilgiler ile taşıma ve bertaraf talimatları içeren resmi güvenlik veri formlarındaki talimatları takip edin. Atık sıvıları, reaktifleri ve tüketim malzemelerini tıbbi bulaşıcı atık ve/veya endüstriyel atık olarak yerel yasa ve yönetmeliklere uygun olarak bertaraf etmelidir. Mümkünse, merkezi bir atık bertaraf sistemi kullanın.

Konec formuláře

3. BM'nin otomatik dijital sitomorfolojisi

1. PB ve BM hücrelerinin diferansiyel sayısı için sistemi kullanın. Her hücre tipinin önerilen sınıflandırmasını doğrulayın.
   NOT: BM analizinin kullanımı tanımlanmıştır. Operatör, en az beş yıllık deneyime sahip deneyimli, sertifikalı bir laboratuvar teknisyeni, sertifikalı bir laboratuvar bilimcisi veya sertifikalı bir hekimdir.
2. Analizörü başlatın.
3. Geçerli bir kullanıcı adı ve şifreyle yazılıma giriş yapın.
4. Enstrümanı mevcut yazılım sürümleriyle çalıştırın. Üreticinin önerilerini ve kullanıcı kılavuzunu takip edin.
5. Siparişleri işlemek ve slayt yönetimi için Project , sınıflandırma kuralları ve ön sınıflandırma stratejisi için Edit , rapor formatı ayarları ve rapor oluşturma için Report ve hesap ayarları ile imza kuralları için Yönet sekmesini kullanın.
6. Boyama aletiyle boyanmış bir BM smear kullanın.
7. Test tanımlamasını manuel olarak veya barkod (QR kod) tarayıcı ile girin; Laboratuvar bilgi sisteminden gelen talep otomatik olarak yüklenir.
8. Lekelenmiş lekeleri analizörün yükleme çekmecesine yerleştirin.
9. Analizör giriş kapısını kapatın.
10. Lekeyi işle.
    NOT: Analizör smear'ı mikroskop altında otomatik olarak hareket ettirir, tarar ve megakaryositler dahil çekirdekli hücrelerin görüntülerini yakalar. Tespit edilen tüm çekirdekli hücrelerin, megakaryositler dahil, sadece birkaç saniyede ön sınıflandırmasını gerçekleştirir.
11. Ön sonuçları gözden geçirin ve gerektiğinde doğrudan analizör üzerinden veya uzaktan inceleme yazılımı kullanarak yeniden sınıflandırın.
    NOT: Sistem, tüm slaytı 400 ×büyütme (tam slayt görüntüleme) ile net bir görüntü sağlar ve tüm çekirdekli hücreleri ve megakaryositleri gösterir; Çekirdekli hücreler (ve muhtemelen megakaryositler) 1000× büyütme ile bir daldırma hedefi kullanılarak yakalanır. Normosellüler taramanın ortalama süresi, slayt başına <10 dakikadır. Hiposellüler smear için tarama süresi slayt başına >20 dakikadır.
12. Yanlış sınıflandırma durumunda, hücreyi fareyle sürükleyerek doğru kategoriye yeniden atanın.
    NOT: BM hücre yanlış sınıflandırmalarına bir örnek için Şekil 3'e bakınız. Belirsiz veya sınırda hücresel sınıflandırmalar durumunda, çift okuma gereklidir. Farklı sınıflandırmalara sahip hücreler için, gözlemciler arasında uzlaşmaya ulaşılmalıdır. Operatör veya patolog tarafından yapılan herhangi bir manuel yeniden sınıflandırma, kullanıcı kimliği ve zaman damgası ile kaydedilmelidir.
13. Yorumları ve sitomorfolojik açıklamaları manuel olarak veya önceden tanımlanmış metin seçeneklerinden seçerek ekleyin.
14. Ön raporu tamamla.
15. Son sonucu onaylayın, ardından otomatik olarak laboratuvar bilgi sistemine gönderilir.
    NOT: Nihai sonuç, sayısal diferansiyel sayım (miyelogram) olarak ek yorumlar ve sitomorfolojik açıklama ile birlikte dışa aktarılır.
16. Çıkış yapın ve analizörü kapatın.
    NOT: Her BM örneği için ICSH^{önerileri 17'ye} uygun olarak 500 hücre sayısı uygulanır.
    Sınıflandırma kategorileri (sınıfları) arasında proeritroblast, erken eritroblast (megaloblastik dahil), ara eritroblast (megaloblastik dahil), geç eritroblast (megaloblastik dahil), miyeloblast, promiyelosit, nötrofil miyelosit, nötrofil metamyelosit, bant nötrofil, segmentli nötrofil, eozinofilik miyelosit, eozinofilik metamiyelosit, bant eozinofil, segmentli eozinofil, bazofil, monoblast, promonosit, monosit, lenfoblast, prolimfosit, olgun lenfositler (atipik ve reaktif dahil), plazmablast, olgunlaşmamış plazma hücresi, plazma hücresi ve diğerleri (bulaşma hücresi, histiosit, fagosit, mast hücre ve mitoz).
    
    DIKKAT: Atık sıvıları, reaktifleri ve tüketim malzemelerini yerel yasa ve yönetmeliklere uygun olarak tıbbi bulaşıcı atık ve/veya endüstriyel atık olarak bertaraf edin. Mümkünse, merkezi bir atık bertaraf sistemi kullanın.

Sonuçlar

Doğrulama çalışması – yöntemler
Bu doğrulama çalışmasında, Clinical and Translational^{Medicine 2'de} yayımlanan önceki çalışmalarımızın sonuçlarını yeniden üretiyoruz. 328 BM smear üzerinde geleneksel optik mikroskopi ve ADM yapıldı. Analiz için verisler, analiz edilen tüm hücreler için görüntü bilgileri ve nadir ve atipik morfolojik vakalar dahil olmak üzere sınıflandırma sonuçlarını içeriyordu. Vakalar altı tanısal gruba ayrıldı: miyelodisplastik neoplazmalar (MDN: %15), multipl miyelom (MM: %14), olgun B/T-hücreli neoplazmalar (B/T-lenfoma: %13), akut lösemi ve kronik miyelomonositik lösemi (AL+CMML: %9), miyeloproliferatif neoplazmalar (MPN: %8) ve reaktif hematopoez (reaktif: %41). ADM hücre tanıma (sınıflandırma) yetenekleri, hücreleri 25 kategoriden birine doğru şekilde sınıflandırma yeteneği değerlendirilerek değerlendirildi; bağımsız rızaya dayalı uzman açıklaması ile çift okuma².

Her vaka iki uzman tarafından incelendi ve hücrelerin %>99'unda uyum sınıflandırması (notasyon) yapıldı. Uzmanlar çok deneyimliydi ve düzenli olarak başarılı dış kalite değerlendirmelerine katılıyorlardı. Farklı sınıflandırmalara sahip hücreler için (%<1), gözlemciler arasında uzlaşmaya varıldı. Tutarlılık analizinin ilkesi, her hücrenin otomatik ön sınıflandırması ile her hücrenin nihai uzman sınıflandırmasının karşılaştırılmasıydı; Uzlaşmaya dayalı uzman sınıflandırması gerçek sınıflandırma referansı (temel gerçeklik) olarak kabul edildi^.

Hücresel ve klinik sınıflandırma tutarlılığı değerlendirildi ve kritik yanlış sınıflandırmalar tespit edildi. Hücresel sınıflandırma tutarlılığı, bireysel hücre tipleri için sınıflandırma anlaşmasına dayanarak karışıklık matrisinden belirlendi. Standart istatistiksel yöntemler ve görsel veri madenciliği uygulandı. Matthews korelasyon katsayısı (MCC) her hücre tipi için ve ortalama bir değer olarak hesaplandı ve standart bir şekilde yorumlandı. 0.400 ve üzeri bir MCC değeri ^2,18 olarak tatmin edici olarak değerlendirildi.

Her hasta için, klinik sınıflandırma tutarlılığı, sınıflandırılamaz hücreler eliminasyonundan sonra vakada değerlendirilen tüm hücreler arasında doğru şekilde önceden sınıflandırılmış elementlerin yüzdesi olarak belirlendi. Uzman sınıflandırması gerçek referans (temel gerçek) olarak kabul edildi^.

Yanlış sınıflandırmalar, tanı açısından nötr olduklarında ve nihai teşhisi etkilemediklerinde önemsiz sayılır. Bunlar arasında lenfoblast, miyeloblast ve monoblast arasında karşılıklı yanlış sınıflandırmalar bulunur; nötrofilik, eozinofilik ve bazofil promiyelosit/miyelosit; miyelosit/metamyelosit; metamyelosit/band; bant/segmentli nötrofil; proerythroblast/erken eritroblast; erken/orta ve orta/geç eritroblast; promonosit/monosit; prolimfosit/lenfosit; plazmablast/olgunlaşmamış plazma hücresi; ve olgunlaşmamış plazma hücresi/olgun plazma hücresi. Diğer tüm yanlış sınıflandırmalar ilgili olarak kabul edilir; çünkü bunlar tanı olarak kabul edilemezdir ve ciddi klinik sonuçlara yol açabilir (Şekil 4)².

Genel klinik sınıflandırma tutarlılığı, yalnızca ilgili hücre yanlış sınıflandırmaları dikkate alınarak bireysel vaka değerlerinin medyanı olarak hesaplandı. Kritik yanlış sınıflandırma, bireysel klinik sınıflandırma tutarlılık değerinin %80'in altında olduğu bir vaka olarak tanımlandı. Bu keyfi sınır, sitomorfoloji^{turları 2'de} dış kalite değerlendirmesinin minimum gereksinimleri dikkate alınarak uzman uzlaşmasıyla belirlenmiştir.

Platforma özgü temel farklılıklar arasında iki aşamalı BM iş akışı (40× ve 100× hedefi), PB protokolünde olmayan ek karmaşıklık, farklı hücre sayısı hedefleri (PB'de 100 hücre, BM'de 500 hücre) ve farklı sınıflandırma kategorileri yer alır. Platformlar arası ve örnek türleri karşılaştırılabilirliğinin en kritik ortak belirleyicisi, smear hazırlama prosedürüdür.

Bildirilen nicel performans metrikleri, Yöntemler'de tanımlanan doğrulama kohortuyla açıkça bağlantılıdır (n = 328 BM smear). Tüm sınıflandırılmış hücreler arasında doğru sınıflandırılan ilgili hücrelerin yüzdesi (hücresel sınıflandırma tutarlılığı) %95,4'tü. MCC'nin belirttiği gibi tatmin edici korelasyon değerleri, 25 hücre tipinden 22'si (%88,0) için ≥0.400 iken, 25 hücre tipinden (%12.0) 3'ü (lenfoblastlar, prolimfositler ve promonositler) için tatmin edici olmayan MCC değerleri (<0.400) gözlemlendi. Genel ilgili klinik tutarlılık %97,1 (medyan) olup, vakaların %94,5'inde tutarlılık oranları %80 ile %100 arasında gösterilmiştir. Hastaların %5,5'inde, neoplastik hücrelerin tanınmaması nedeniyle ilgili klinik tutarlılık değerleri %36 ile %79 arasında değişen kritik yanlış sınıflandırma^{gözlemlenmiştir 2}.

Hücresel yanlış sınıflandırma, ADM'nin BM analizindeki güvenilirliğini zayıflatır ve tanısal hemato-onkolojide yöntemin önemli bir sınırlamasını oluşturur (Tablo 1). İlgili yanlış sınıflandırma vakalarında, doğru ve yanlış sınıflandırılan hücrelerin morfolojisi incelendi. Doğru sınıflandırılan hücreler genellikle tipik sitomorfolojik özellikler gösterir. Buna karşılık, yanlış sınıflandırmalar en çok morfolojik olarak benzer veya atipik hücreler, özellikle atipik lenfositler ve blastlar arasında ayrım yapılırken meydana gelir; miyeloblastlar ve lenfositler; lenfoblastlar ve lenfositler; monoblastlar veya promonositler ve promieliositler; ve olgunlaşmamış plazma hücreleri ve blastlar. Yanlış sınıflandırılan hücreler sıklıkla atipik sitomorfoloji gösterir. Lenfositik neoplazmalarda, marjinal bölge lenfoma ve tüylü hücreli lösemi gibi yanlış sınıflandırılan neoplastik lenfositler, genellikle orta boyutlu, bol bazofilik veya açık sitoplazma, sitoplazmik çıkıntılar ve nükleoluslu ince kromatin içerir. Bu özellikler, doğru sınıflandırılmış neoplastik hücrelerden farklıdır. Manto hücreli lenfomada, atipik lenfositler blastoid görünümü gösterebilir ve bu da yanlış sınıflandırma olasılığını artırır. Benzer şekilde, kronik lenfositik löseminin pleomorfik varyantında, neoplastik lenfositler blast olarak yanlış tanımlanabilir. Nitel temsilci örnekleri Şekil 4 ve Şekil 5'te gösteriyoruz.

Akut lösemi ve kronik miyelomonositik lösemi (CMML) ortamında yanlış sınıflandırılan lenfoblastlar ve miyeloblastlar küçüktür; yüksek nükleer-sitoplazmik orana, daha kaba kromatin ve nükleollere sahiptir. Çok sayıda granül monoblast promiyelosit olarak yanlış sınıflandırılabilir. CMML'de, yanlış sınıflandırma sıklıkla displastik monositik hücrelerle ilişkilidir. Çoklu miyeloda, özellikle plazmablastlar ve olgunlaşmamış plazma hücreleri dahil olmak üzere, plazma hücre soyunda yanlış sınıflandırmalar meydana gelir. Şekil 5'te niteliksel temsilci örnekler gösteriyoruz.

Neoplastik lenfositler, küçük lenfoblastlar/miyeloblastlar, granül monoblastlar, displastik promonositler ve monositler, plazmablastlar ve olgunlaşmamış plazma hücrelerinin kritik yanlış sınıflandırmaları—hepsi atipik morfoloji gösterebilir—yanlış teşhis riski taşır. Lenfomayı akut lösemi ile karıştırmak ve tam tersi olmak, hasta yönetimi için ciddi veya hatta ölümcül sonuçlar doğurabilir. Akut miyeloid lösemiyi (özellikle akut promiyelositik lösemi) tanımaması veya CMML veya multipl miyeloma yanlış teşhisi koymak gibi yanlış negatif sonuçlar, uygun olmayan tedavi kararlarına veya tedavide gecikmelere yol açabilir.

Şekil 1. Otomatik boyama, ana ekran simgeleri. Sysmex'in izniyle; Üretici Bilgi Materyalleri (Temel Kullanım Kılavuzu). Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2. PB beyaz kan hücrelerinin yanlış sınıflandırmaları. Yazılımın ekran görüntülerinde, yanlış sınıflandırılmış hücreler kırmızı kutularda vurgulanıyor. EBV enfeksiyonunda, reaktif lenfositler monositler (A, kırmızı kutu) olarak yanlış sınıflandırılmıştır. Kronik lenfositik lösemide, bazı lenfositler blast (B, kırmızı kutu) olarak yanlış sınıflandırılmıştır. CMML'de, displastik monositler yanlışlıkla segmentli nötrofiller (C, kırmızı kutu) olarak sınıflandırılmış, bir monoblast ise displastik miyelosit (D, kırmızı kutu) olarak yanlış sınıflandırılmıştır. PB, CellaVision DC-1, İnceleme Yazılımı, Sysmex SP-50 boyacı ile May–Grünwald ve Giemsa–Romanowski otomatik boyama, büyütme 1000×, uzman: sertifikalı teknisyen. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3. BM'de neoplastik lenfositlerin yanlış sınıflandırılması. Yazılımın ekran görüntüsü. BM'deki yüksek dereceli B hücreli lenfomada neoplastik lenfositler, myeloblastlar olarak yanlış sınıflandırılmıştır. Önerilen alternatif sınıflandırma, en olası beş seçenekle ("ilk beş liste") ve yüzde olasılıkları da dahil olmak üzere sarı bir okla işaretlenmiştir. Sarı kutudaki hücre için etiket, miyeloblast, monoblast, lenfoblast, proeritroblast ve erken eritropblast için yüzde olasılıklarını gösterir, lenfosit için ise seçenek yoktur. BM, Morphogo, Review Software, Sysmex SP-50 boyama ile May–Grünwald ve Giemsa–Romanowski otomatik boyama, büyütme 1000×, uzman: sertifikalı bilim insanı, sertifikalı doktor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4. İlgisiz ve ilgili hücre yanlış sınıflandırmaları. (A) Miyeloid ve eritroid hatlarında ilgisiz yanlış sınıflandırma örnekleri, uzman sınıflandırması ile ADM öncesi sınıflandırması arasındaki karşılaştırmada gösterilmiştir. (B) Limfoid, plazma hücresi ve monositik soylardaki ilgili yanlış sınıflandırma örnekleri, uzman sınıflandırması ile ADM ön sınıflandırması arasındaki karşılaştırmada gösterilmiştir. Bazı unsurların kategorize edilmesi bir uzman için bile zordu. Hücre görüntüleri yazılımdan çıkarıldı. BM, Morphogo, Review Software, Sysmex SP-50 boyama ile May–Grünwald ve Giemsa–Romanowski otomatik boyama, büyütme 1000×, uzman: sertifikalı bilim insanı, sertifikalı doktor. Her hücreye bir ölçek çubuğu eklendi. Ölçek çubukları 10 μm'yi temsil eder. Kalibrasyon ToupCam kameraya (1.85 μm piksel boyutu) ve 100× Olympus Plan N objektif ile yapılmıştır.
Değiştirildi: Ek Materyal, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E ve diğerleri. Kemik iliği analizinde otomatik yapay zeka destekli dijital sitomorfolojinin tanısal hemato-onkolojide faydası. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5. Hematolojik neoplazmalı hastalarda BM hücrelerinin en sık yanlış sınıflandırılmasının temsilci örnekleri. Yanlış sınıflandırılmış neoplastik lenfositler, miyeloblastlar, lenfoblastlar, monoblastlar ve plazma hücreleri, marjinal bölge lenfoma (MZL), manto hücreli lenfoma (MCL), tüylü hücreli lösemi (HCL), kronik lenfositik lösemi (CLL), akut miyeloid lösemi (AML), akut T-lenfoblastik lösemi (T-ALL) ve multipl miyeloma (MM) vakalarında görülmektedir. Atipik lenfosit/blast hatasının yanlış sınıflandırılması en sık hata oldu. Yanlış sınıflandırılan neoplastik lenfositlerin başlıca sitomorfolojik özellikleri arasında orta boyutlu, ince kromatin (kırmızı oklar), nukleollar (mavi oklar), bol bazofilik veya soluk sitoplazma (çıkıntılar) ve blastoid görünüm (turuncu ok) yer alıyordu. Yanlış sınıflandırılan lenfoblastlar ve miyeloblastlar küçüktü, yüksek nükleer-sitoplazmik orana ve daha kaba kromatin ile nükleollere (gri oklar) sahipti. Plazmablastlar ve olgunlaşmamış plazma hücreleri lenfosit olarak yanlış sınıflandırıldı veya plazma hücre soyuna ait olarak tanınmadı ("blast, tanımlanmamış" olarak sınıflandırıldı). Hücre görüntüleri yazılımdan çıkarıldı. BM Morphogo Review Software, May–Grünwald ve Giemsa–Romanowski bölgelerinde Sysmex SP-50 boyacı ile otomatik boyama, büyütme 1000×, uzman: sertifikalı bilim insanı, sertifikalı doktor. Her hücreye bir ölçek çubuğu eklendi. Ölçek çubukları 10 μm'yi temsil eder. Kalibrasyon ToupCam kameraya (1.85 μm piksel boyutu) ve 100× Olympus Plan N objektif ile yapılmıştır.
Görüntü şu kaynaklardan değiştirilmiştir: Ek Materyal, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E ve diğerleri. Kemik iliği analizinde otomatik yapay zeka destekli dijital sitomorfolojinin tanısal hemato-onkolojide faydası. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Tanı	Vaka sayısı	Yanlış sınıflandırılmış hücreler
		Uzman sınıflandırması	ADM sınıflandırması
Olgun B-hücreli neoplazmalar	9/43
Marjinal bölge lenfoma	4/8	Atipik lenfosit	Patlat, NOC
Manto hücreli lenfoma	2/5	Atipik lenfosit	Patlat, NOC
CLL	1/14	Atipik lenfosit	Patlat, NOC
Tüylü hücreli lösemi	2/2	Atipik lenfosit	Patlama, NOC / Monocyte
Multipl miyelom	5/46	Plazma hücresi	Patlat, NOC
AML	3/16	Myeloblast / Monoblast	Lenfosit / Promieliosit
T-HEPSİ	1/1	Lenfoblast	Lenfosit

Tablo 1: ADM tarafından kritik yanlış sınıflandırmalar. Hastaların 18/328'inde (%5,5) kritik yanlış sınıflandırma gözlemlendi. ADM'ye göre kritik yanlış sınıflandırmaların klinik grubu, olgun B-hücreli neoplazmalı 43 hastadan dokuzu, MM hastası 46 hastadan beşi, AML hastasından 16 hastadan üçü ve T-ALL hastasından birini (bir hastadan) içeriyordu. Atipik lenfositler/patlamaların yanlış sınıflandırılması en sık görülen olaydı. NOC: başka bir şekilde gizli değil. 
Kaynaklardan alınmıştır: Ek Materyal, Starostka D, Dolezilek R, Kvasnicka HM, Kudelka M, Miczkova P, Kriegova E ve diğerleri. Kemik iliği analizinde otomatik yapay zeka destekli dijital sitomorfolojinin tanısal hemato-onkolojide faydası. Clin Transl Med. 2025; 15:e70364. https://doi.org/10.1002/ctm2.70364.

Tartışma

Yüksek çözünürlüklü görüntü işleme, otomatik dijital görüntü sınıflandırması ve konvolüsyon sinir ağları kullanılarak yapay zeka destekli karar alma süreçlerindeki teknolojik gelişmeler, ADM'de önemli gelişmeleri sağlamıştır. Sonuç olarak, ADM standart optik mikroskopiyi tamamlar. Bireysel sitomorfolojik kategorilerin doğru tanımlanması, özellikle morfolojik benzerliklere sahip yakın ilişkili sınıflandırma^{grupları arasında zor olabilir}; 2,11,12,14,15,19,20. Uzman bulguları her zaman belli bir öznellik derecesinden etkilendiğinden, özellikle sınırda veya belirsiz hücresel sınıflandırma (örneğin, displastik veya oldukça atipik unsurlar) durumlarda, kesin veya tek olası doğru sonuçlar olarak kabul edilmeyebilirler^. Bu yanlış sınıflandırma kalıpları PB'de rapor edilmiştir; yaygın hücre tipleri için daha güçlü performans göstermekte, ancak bazı klinik açıdan önemli alt setler için daha zayıf sınıflandırma tutarlılığı göstermektedir; bunlar arasında^blast 12,15,19,20 dahildir. Bu, PB ve BM sitomorfolojik tanısını önemli ölçüde etkileyebilir.

PB ile karşılaştırıldığında, sadece birkaç çalışma BM analizinde ADM'nin^{sınıflandırma doğruluğuna odaklanmıştır} 2,20,21,22,23. Çin'de ADM sınıflandırması üzerine yapılan bir çalışmada, tutarlılık %99'a ulaştı ve çoğu BM hücre tipi hematopatolojik uzmanlıkla son derece yüksek korelasyon^{gösterdi 21}. Ancak, çalışma grubundaki hematolojik kanser oranı %30'dan ^azdı21. Otomatik PB ve BM smear sistemleri arasındaki performansı değerlendiren diğer karşılaştırmalı çalışmalar ve manuel analizler çok merkezli^{denemelerde yapılmıştır 22,23}. Son bir karşılaştırmada, neoplastik ve diğer klinik durumlara sahip hastalardan alınan 795 BM örneği analiz edildi ve optik^{mikroskopi 23} ile genel olarak %91,1 uyum sağlandı.

Gerçek dünyada Avrupa kökenli hastaların %59'u olan bir kohortun çalışması, yapay zeka tabanlı ADM'yi altı tanı grubunda uzman optik mikroskopiyle^{karşılaştırdı 2}. Atipik morfolojiye sahip neoplastik hücrelerin kritik yanlış sınıflandırmalarında yanlış teşhis^{potansiyeli vardı 2}. Bu nedenle, bu çalışma gelecekteki yapay zeka performansı eğitimi ve test için aday hücre^{tiplerini belirlemiştir 2}. Ancak, bu çalışmanın birkaç sınırlaması vardı. İlk olarak, çalışmada sınırlı sayıda hasta ve arşivlenmiş materyal yer aldı ve bazı nadir BM bozuklukları, özellikle pediatrik örnekler bulunmamıştı. İkincisi, bazı neoplastik hücrelerin sitomorfolojisi çok anormaldi ve sınıflandırmada deneyimli uzmanlar arasında bile tartışmalı bir uzlaşma vardı. Üçüncü olarak, yalnızca Avrupa kökenli örnekler analiz edildi. Dördüncüsü, ilgili ve alakasız yanlış sınıflandırmaların dıştan doğrulaması^{yapılmadı 2}.

Hücresel yanlış sınıflandırmalar, tanısal hemato-onkolojide ADM'nin en büyük^{sınırlamasını temsil eder 2}. Yanlış sınıflandırmanın birkaç nedeni vardır. Sitomorfolojik örtüşmenin yanı sıra, katkıda bulunan faktörler arasında belirli durumların nadirliği ve hücre tipleri konusunda uzman uzlaşmasında değişkenlik olabilir. Bu, tutarsız açıklamalara ve eğitim verilerinde boşluklara yol açabilir. Hematopoezde displastik değişikliklerin tespiti ve megakaryosit^{sitomorfolojisinin ayrıntılı değerlendirmesi güvenilir değildir 2}. Olumsuz sonuçlar büyük ölçüde zorunlu uzman gözetimiyle azaltılmış olsa da, özellikle lösemiler, lenfomalar ve multipl^{miyelom 2'de} ADM'nin mutlak güvenilirliği konusunda sınırlamalar mevcuttur. Yapay zeka eğitimi için hücrelerin doğru uzman notasyonu, ADM performansı için temel bir önşuldur. Doğru veri etiketleme, güvenilir gerçeklik veri setleri oluşturmak için temel öneme sahiptir. Sitomorfolojide, temel gerçeğin tanımlanması, belirsiz veya sınırda durumlarda özellikle zor olabilir; çünkü deneyimli ve geniş çapta tanınan uzmanlar arasında bile bir tür öznellik devam eder. Uzman görüşleri farklı olduğunda, temel gerçek, özellikle tanısal kararlar ayrı bileşenlere ayrıldığında, karşılaştırılabilir uzmanlığa sahip iki veya daha fazla bağımsız hakem arasında çoğunluk uzlaşması veya anlaşması yoluyla^{belirlenebilir 2}. Belirli aday hücre tiplerine odaklanan sınıflandırma yeteneklerinin geliştirilmesi gereklidir. Bu yöntem, zor hücre tipleri üzerinde hedefli yeniden eğitim, hiyerarşik sınıflandırma stratejileri veya morfolojik olarak benzer hücreler arasındaki ayrımcılığı artırmak için çoklu modal verilerin dahil edilmesini içerir. Özellikle hematolympoid neoplazmalarında, kapsamlı, çeşitli ve iyi notlanmış eğitim veri setleri, atipik morfoloji, nadir varlıklar, sınırda vakalar ve tanı açısından belirsiz hücrelerin yeterli temsili içermelidir.

Kritik protokol adımları ve sorun giderme konusunda, PB slearları toplandıktan sonra iki saat içinde yapılmalıdır; BM aspiratı ilk çekimden hemen yayılmalıdır. Partiler arasında sıkı tutarlı olarak doğrulanmış, otomatik bir boyama protokolü gereklidir. İyi tanımlanmış, eser içermeyen bir monolayer zorunludur. Lökopenek PB örneklerinde ve hiposellüler smear taramalarında uzun süreli tarama gereklidir. Tükenmiş daldırma yağı veya ince lekeler otomatik odaklama arızasını tetikler ve iptal analizini tetikler. Her iki sistem de otonom raporlama için onaylanmamıştır ve bireysel hücre görsel galerisi denetimi zorunludur. Konuşlandırmadan önce yerel klinik doğrulama zorunludur; Tam tanı ve yasal sorumluluk raporlayan morfologa aittir.

Farklı klinik ortamlarda gelecekte titiz çok kurumlu doğrulama, model genellelenebilirliği ve öngörü performansı için gereklidir. Megakaryosit sitomorfolojisine yapay zeka tabanlı bir yaklaşım, miyeloproliferatif ve miyelodisplastik neoplazmaların entegre tanısını^{daha da geliştirebilir 24,25,26}. Ayrıca, soy-sığır özgül displastik değişikliklerin güvenilir yapay zeka destekli tanıma gelişiminde önemli bir boşluk^{devam etmektedir 2,27}. Model optimizasyonu için, hiperparametre ayarlama, düzenlendirme, toplu öğrenme ve veri artırma gibi yenilikçi teknikler sağlamlığı ve sınıflandırma güvenilirliğini artırabilir 28,29,30. Özellikle, veri artırma stratejileri – geometrik^{dönüşümler} 30,31'den üretken yapay zeka^32,33 kullanılarak sentetik eğitim görüntüleri üretmeye kadar – son zamanlarda sınırlı veri setlerini genişletmek ve BM hücre sınıflandırmasında sınıf dengesizliğini gidermek için umut vadeden yaklaşımlar olarak ortaya çıkmıştır. Laboratuvar personelinin eğitim seviyesi ve uzun vadeli deneyimi, zor sitomorfolojik vakalarda değerlendirme ve karar alma süreci için hayati öneme sahiptir. Devam eden dijitalleşme bağlamında yeni nesil sitomorfologların eğitilmesi eğitimsel bir zorluk teşkil etmektedir. Bir yandan, ADM muazzam eğitim potansiyeli sunar; öte yandan, daha az deneyimli operatörlerin yeteneklerini fazla tahmin etme riskini taşır.

ADM sistemlerinin umut vadeden tanı potansiyeline rağmen, birkaç kritik sınırlama ve uygulama zorlukları kabul edilmelidir. Temel bir endişe, eğitim verilerindeki önyargı ile ilgilidir: mevcut çalışmada değerlendirilenler dahil olmak üzere ticari olarak mevcut olan çoğu ADM platformu, ağırlıklı olarak belirli coğrafi bölgelerden, boyama protokollerinden ve hasta popülasyonlarından türetilen veri setleri kullanılarak geliştirilmiştir; bu da genellenebilmelerini daha etnik ve klinik açıdan çeşitli gruplara veya farklı hazırlık teknikleri kullanan laboratuvarlara sınırlayabilir. Aynı derecede önemli olan ise yapay zeka karar vermede şeffaflık meselesidir. Mevcut ADM sistemleri büyük ölçüde kara kutu modelleri olarak çalışır ve bu da klinisyenlerin bireysel hücre atamalarını eleştirmek için eleştirel değerlendirme yeteneğini engeller. Bu, doğrudan klinik sorumluluk sorusuyla bağlantılıdır; çünkü yapay zeka destekli tanı için düzenleyici çerçeveler gelişmeye devam etmektedir. ADM'nin standart tanı iş akışlarına pratik entegrasyonu, yüksek kaliteli slayt dijitalleştirme altyapısı, personel eğitimi, yerel referans standartlarına göre doğrulama ve sistem performansını zamanla izlemek için kalite kontrol protokollerinin oluşturulması gibi önemli organizasyonel ve teknik engeller yaratmaktadır. Böylece, ADM'nin PB ve BM değerlendirmesindeki tam potansiyelinin uzman odaklı geliştirilmesi ve keşfi, rutin laboratuvar uygulamalarında destekleyici bir araç olarak faydasını artırmaya devam edecektir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Automated Hematology Slide Preparation Unit SP-50	Sysmex Corporation, Kobe, Japan	N/A	Otomatik slayt yapım ve boyama ünitesi
Barcode scanner for Sysmex SP-50	Datalogic Gryphon	S/N: G21M20996	Barkod tarayıcı
CellaVision DC-1	CellaVision AB, Lund, Sweden	PM-10895-15	Otomatik dijital morfoloji analizörü
CellaVision DM Software	CellaVision AB, Lund, Sweden	Version 7.1.1 build 8
Giemsa Solution for SP Automated Systems	RAL Diagnostics, Martillac, France	750305X1000	Periferik kan ve kemik iliği smearları için panoptik boyama bileşeni
Immersion Oil (CellaVision Immersion Oil 50 mL)	CellaVision AB, Lund, Sweden	XU-10319	Daldırma yağı
May-Grünwald for SP Automated Systems	RAL Diagnostics, Martillac, France	750105X2500	Periferik kan ve kemik iliği smearları için panoptik boyama bileşeni
Morphogo Bone Marrow Analyzer	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	N/A	Otomatik dijital kemik iliği morfoloji analizörü
Morphogo Review Software	Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China	Version 1.0.6	Kemik iliği inceleme yazılımı
pH 7.0 Buffer Solution for SP Automated Systems	RAL Diagnostics, Martillac, France	750505X5000	Tampon çözeltisi
QR scanner for CellaVision DC-1	Datalogic Gryphon	GD 4500	QR tarayıcı
RAL Cleaning solution	RAL Diagnostics, Martillac, France	750725X5000	Temizlik çözeltisi
S-Monovette K3 EDTA tube	Sarstedt	05.1167.001	SP-50 için tüp
SP-Rinse Solution	RAL Diagnostics, Martillac, France	37000305	Durulama çözeltisi
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	Periferik kan ve kemik iliği smearları için slaytlar
SP Slides	Sysmex Corporation, Kobe, Japan	ZE 001906	QC için slaytlar
SP Spreader glass	Sysmex Corporation, Kobe, Japan	95102918	Smear yaymak için cam
Tube rack for Sysmex SP-50	Sysmex Corporation, Kobe, Japan	AU330213	Tüp rafı