Video Experimental Relacionado
Updated: Feb 22, 2026
Database-guided Flow-cytometry for Evaluation of Bone Marrow Myeloid Cell Maturation
Published on: November 3, 2018
La inteligencia artificial diferencia la mielofibrosis primaria pre-fibrótica con trombocitosis de la trombocitemia
Andrew Srisuwananukorn1, Giuseppe Gaetano Loscocco2,3, James M Dolezal4
1Division of Hematology, Department of Internal Medicine, The Ohio State University Comprehensive Cancer Center, Columbus, OH, USA. Andrew.srisuwananukorn@osumc.edu.
La inteligencia artificial ahora puede diferenciar la mielofibrosis primaria pre-fibrótica (prePMF) de la trombocitemia esencial (ET) utilizando imágenes de biopsia de médula ósea. Esta herramienta de IA ayuda en el diagnóstico de estas neoplasias mieloproliferativas (MPN) al identificar diferencias morfológicas sutiles.
Área de la Ciencia:
- Hematopatología
- Inteligencia Artificial en Medicina
- Neoplasias Mieloproliferativas
Sus antecedentes:
- La mielofibrosis primaria pre-fibrótica (prePMF) y la trombocitemia esencial (ET) son neoplasias mieloproliferativas (MPN) distintas con características clínicas superpuestas, lo que causa desafíos diagnósticos.
- La diferenciación precisa de prePMF y ET es crucial para el manejo adecuado del paciente y las estrategias de tratamiento.
Objetivo del estudio:
- Desarrollar y validar un marco de inteligencia artificial (IA) interpretable para distinguir prePMF de ET utilizando portaobjetos de biopsia de médula ósea (BMB) digitalizados.
- Investigar las características morfológicas utilizadas por el modelo de IA para diferenciar estas MPN.
Principales métodos:
- Desarrollo de un marco de IA entrenado en portaobjetos de BMB digitalizados teñidos con H&E de pacientes con MPN con trombocitosis.
- Validación del rendimiento del modelo de IA utilizando métricas AUROC y de precisión.
- Generación de imágenes sintéticas para visualizar señales morfológicas impulsadas por IA.
- Encuesta ciega de hematopatólogos que evalúan predicciones de IA en imágenes reales y sintéticas.
- Cuantificación de la celularidad medular y la adiposidad en imágenes reales y generadas.
Principales resultados:
- El modelo de IA logró un AUROC de 0.89 y una precisión del 92.3% en la distinción entre prePMF y ET.
- Los hematopatólogos mostraron una alta concordancia con la IA en imágenes reales, pero una discordancia significativa (hasta 88%) en imágenes de ET generadas por IA.
- La IA identificó señales morfológicas, como una mayor proporción de adiposidad medular en ET (42.0%) en comparación con prePMF (28.9%), distintas de los criterios diagnósticos actuales.
Conclusiones:
- La IA puede distinguir eficazmente prePMF de ET utilizando la morfología de BMB, identificando potencialmente nuevas características diagnósticas como la proporción de adiposidad.
- Las herramientas de diagnóstico asistidas por IA muestran la promesa de aumentar la evaluación histopatológica de las MPN.
- Este enfoque puede conducir a la identificación de subpoblaciones más específicas dentro de las MPN, mejorando la precisión diagnóstica.
