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>Otomatik slayt yapım ve boyama ünitesi</td></tr><tr><td>Barcode scanner for Sysmex SP-50</td><td>Datalogic Gryphon</td><td>S/N: G21M20996</td><td>Barkod tarayıcı</td></tr><tr><td>CellaVision DC-1</td><td>CellaVision AB, Lund, Sweden</td><td>PM-10895-15</td><td>Otomatik dijital morfoloji analizörü</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>Periferik kan ve kemik iliği smearları için panoptik boyama bileşeni</td></tr><tr><td>Immersion Oil (CellaVision Immersion Oil 50 mL)</td><td>CellaVision AB, Lund, Sweden</td><td>XU-10319</td><td>Daldırma yağı</td></tr><tr><td>May-Gr&uuml;nwald for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750105X2500</td><td>Periferik kan ve kemik iliği smearları için panoptik boyama bileşeni</td></tr><tr><td>Morphogo Bone Marrow Analyzer</td><td>Hangzhou ZhiWei Information Technology Co. Ltd., Hangzhou, China</td><td>N/A</td><td>Otomatik dijital kemik iliği morfoloji analizörü</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>Kemik iliği inceleme yazılımı</td></tr><tr><td>pH 7.0 Buffer Solution for SP Automated Systems</td><td>RAL Diagnostics, Martillac, France</td><td>750505X5000</td><td>Tampon çözeltisi</td></tr><tr><td>QR scanner for CellaVision DC-1</td><td>Datalogic Gryphon</td><td>GD 4500</td><td>QR tarayıcı</td></tr><tr><td>RAL Cleaning solution</td><td>RAL Diagnostics, Martillac, France</td><td>750725X5000</td><td>Temizlik çözeltisi</td></tr><tr><td>S-Monovette K3 EDTA tube</td><td>Sarstedt</td><td>05.1167.001</td><td>SP-50 için tüp</td></tr><tr><td>SP-Rinse Solution</td><td>RAL Diagnostics, Martillac, France</td><td>37000305</td><td>Durulama çözeltisi</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>Periferik kan ve kemik iliği smearları için slaytlar</td></tr><tr><td>SP Slides</td><td>Sysmex Corporation, Kobe, Japan</td><td>ZE 001906</td><td>QC için slaytlar</td></tr><tr><td>SP Spreader glass</td><td>Sysmex Corporation, Kobe, Japan</td><td>95102918</td><td>Smear yaymak için cam</td></tr><tr><td>Tube rack for Sysmex SP-50</td><td>Sysmex Corporation, Kobe, Japan</td><td>AU330213</td><td>Tüp rafı</td></tr></tbody></table>

otomatik dijital Çevresel kan ve kemik iliği sitomorfolojisi İçin İş akışı, kritik hücresel yanlış sınıflandırmalar dikkate alınarak

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

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

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

Tıp

Bu videoda, iliak omurgadan kemik iliği aspire etme tekniği ve biyopsi için smear hazırlığı anlatılmaktadır. Örnekte, akut miyeloid lösemi (AML) hastasından kemik iliği aspirasyonu gerçekleştiriyoruz ve önemli bir prognostik biyobelirteç olan ölçülebilir rezidüel hastalığı (MRD) kontrol etmek için hücreleri inceliyoruz.

Kemik İliği Aspirasyonu: Hücre Morfolojisini İncelemek İçin Kemik İliği Elde Etme Yöntemi

Kemik iliğindeki histolojik verileri kantitatif olarak analiz etmek için bir strateji sunulmuştur. Doku kesitlerindeki floresan etiketli hücrelerin konfokal mikroskobu, otomatik olarak analiz edilen 2 boyutlu görüntülerle sonuçlanır. Farklı hücre tiplerinin birlikte lokalizasyon analizleri, simüle edilmiş görüntülerden elde edilen verilerle karşılaştırılarak hücresel etkileşimler hakkında nicel bilgiler verilir.

Hematopoetik Hücre Otomatik Ölçümü - undekalsifiye Kemik histolojik Görüntüler stromal hücre etkileşimleri

En küçük veya ölçülebilir rezidüel hastalığı (MRD) tespiti risk değerlendirme rafine ve Relaps Akut Miyeloid Lösemi (AML) içinde tahmin için önemli bir prognostik biyomarker olduğunu. Bu sõnõrlar ve önerileri ile tutarlı ve doğru kimlik ve MRD, tespiti için en iyi yöntemler yardımcı etkili AML tedavi karar verme.

Örnek ve işlem kemik iliği ölçülebilir artık hastalık ve akut Myeloid lösemi lösemik kök hücre ölçmek için kapsamlı iletişim kuralı

MDS tanı morfolojik ölçüt veya bilgilendirici sitogenetik yokluğunda zordur. MFC MDS tanı sürecinin rafine yardımcı olabilir. Klinik uygulamalar için faydalı olmak için MFC analiz parametreleri üzerinde yeterli özgüllük ve duyarlılık ile esas almalıdır ve veri arasında farklı operatör tekrarlanabilir olmalıdır.

Veritabanı güdümlü akışı-sitometresi kemik iliği Myeloid hücre olgunlaşma değerlendirilmesi için

Hematopoetik kök hücre transplantasyonu (HKHT) genetiği hematopoetik hücrelerin kötü huylu potansiyelini değerlendirmek için nasıl kullanılacağını açıklar. HKHT çeşitli malign hematopoetik hücrelerin vivo içinde değerlendirmek için hem de Roman terapiler değerlendirmek için büyük bir kohort myelodisplastik sendrom (MDS) veya lösemi ile farelerin üreten yararlıdır.

Hematopoetik kök hücre transplantasyonu myelodisplastik sendromu kökeni değerlendirmek için kullanımı

Burada, fare veya insan yüksek boyutlu kitle sitometri için izole taze kemik iliği (BM) işlemek için bir protokol sunuyoruz (zaman-of-Flight ile sitometri, CyTOF) nötrofil-köklü hücrelerin analizi.

Nötrofil kütle sitometri analizi için tüm kemik Iliği hazırlanması-Lineage hücreler

Burada, murin kemik iliği hücrelerinin fenotip hemopoietik kök ve progenitör hücrelere izolasyonu ve boyanması ile destekleyici niş endotel ve mezenkimal kök hücrelere yönelik basit bir protokol tanımlanmıştır. Endosteal ve santral kemik iliği bölgelerinde bulunan hücreleri zenginleştirmek için bir yöntem de dahil edilmiştir.

Murin Kemik İliği Hematopoetik Kök ve Progenitör Hücrelerin ve Stromal Niş Hücrelerin Akış Sitometri Analizi

Tek hücreli/tek çekirdekli transkriptomiklerin ve multi-omiklerin başarısı büyük ölçüde hücrelerin/çekirdeklerin kalitesine bağlıdır. Bu nedenle, hücrelerin/çekirdeklerin dokudan izole edilmesi ve saflaştırılması yüksek düzeyde standartlaştırılmalıdır. Bu protokol, aşağı akış tek çekirdekli multiom testi için beyin ve kemik iliğinden çekirdeklerin hazırlanmasını açıklar.

Tek Çekirdekli Multiom Tahlilleri için Yüksek Kaliteli Beyin ve Kemik İliği Çekirdeği Hazırlığı

Burada, farelere ksenogreftlenmiş ve kemik iliği aspiratlarından elde edilen akut insan miyeloid lösemi hücrelerinde mTORC1, JAK/STAT5 ve MAPK yollarının aşağı akışındaki sinyalleri analiz etmek için fosfoflow sitometri tabanlı bir yöntem açıklanmaktadır. p-STAT5, p-4EBP1, p-RPS6 ve p-ERK1/2 seviyeleri, yüksek duyarlılığa sahip yeni nesil spektral akış sitometresi kullanılarak eş zamanlı olarak ölçülür.

Akut Miyeloid Lösemi Hasta Kaynaklı Ksenotransplantların Hücre İçi Fosfoflow Sitometrisi

Bu protokol, hasta kemik iliği ve periferik kan mononükleer hücrelerinden türetilen insan hematopoietik kök ve progenitor hücrelerinin farklılaşmasını sağlamak için bir prosedürü açıklar. Test, eritroid ve miyeloid soy bağlılığını destekleyen yarı katı bir kültür ortamı kullanır ve preklinik ilaç karakterizasyonu için tekrarlanabilir koloni sınıflandırması için standart metrikler içerir.

Koloni Oluşturan Birim Testi Hastadan Kaynaklanan Kemik Iliği ve Çevresel Kan Mononükleer Hücreler İçin Uyarlanmış

Moravian-Silesian Hospital Havirov.  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 üzerinded...

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

Daha fazla video keşfet