Evaluación integral del rendimiento del BMIA-12A, un sistema para la cuantificación de células de médula ósea en muestras normales y con malignidades hematológicas

Por qué importa contar las células de la médula ósea

Cuando los médicos diagnostican cánceres de la sangre como la leucemia o el mieloma múltiple, examinan con detalle frotis de médula ósea al microscopio y cuentan miles de células manualmente. Este trabajo lento y meticuloso condiciona decisiones que cambian la vida respecto al diagnóstico, el tratamiento y el pronóstico. El artículo presenta y evalúa de forma rigurosa un nuevo sistema de inteligencia artificial, BMIA‑12A, diseñado para automatizar gran parte de ese recuento—con el potencial de ofrecer resultados más rápidos, consistentes y menos dependientes del experto que lea la lámina.

Un nuevo asistente digital para el microscopio

El sistema BMIA‑12A trabaja con imágenes digitalizadas de frotis de médula ósea y utiliza algoritmos de aprendizaje profundo para reconocer y clasificar células en 16 tipos principales, incluidos los tempranos “blastos” que ayudan a definir las leucemias y las células plasmáticas, centrales en el mieloma múltiple. En este estudio, los investigadores analizaron 298 frotis de médula ósea procedentes de 149 personas, incluyendo muestras normales, trastornos de células plasmáticas y varias formas de leucemia aguda. Para cada frotis compararon tres enfoques: recuentos totalmente automatizados por IA, recuentos de IA revisados y corregidos por especialistas, y el recuento manual tradicional con microscopio óptico. También examinaron dos técnicas comunes de preparación de láminas, llamadas frotis por extensión (wedge) y por compresión (squash), para ver cómo la calidad de la lámina influye en el rendimiento de la IA.

Qué tan bien reconoce el sistema las células normales

En médula ósea de personas sin malignidad, el sistema de IA rindió de forma notable. Clasificó correctamente alrededor del 95% de casi 38.000 células tanto en preparaciones por extensión como por compresión, con 14 de los 16 tipos celulares mostrando recall por encima del 90%. Las láminas por extensión—donde la muestra se extiende de forma homogénea sobre el vidrio—ofrecieron una precisión ligeramente mejor para células diagnósticas clave como las plasmáticas, los blastos y los raros basófilos. La mayoría de los errores de la IA ocurrieron entre tipos celulares muy semejantes, como etapas contiguas de maduración de leucocitos o linfocitos reactivos que se parecen a blastos. Cuando los investigadores compararon la frecuencia de aparición de cada tipo celular en muestras enteras, los resultados de la IA revisada por expertos coincidieron de cerca, mientras que los recuentos manuales tradicionales mostraron una variabilidad notablemente mayor, reflejando la subjetividad y el muestreo limitado del recuento humano.

Qué ocurre en el mieloma y la leucemia

El rendimiento del sistema en estados de enfermedad fue más heterogéneo. En los trastornos de células plasmáticas, la IA fue muy precisa identificando células plasmáticas pero pasó por alto aproximadamente una cuarta parte de ellas, especialmente en el mieloma múltiple, donde la médula está repleta de plasmocitos anómalos que difieren en morfología de los ejemplos de libro usados para el entrenamiento. Como resultado, la IA tendió a subestimar los porcentajes de células plasmáticas frente a los recuentos manuales y los digitales corregidos por expertos, particularmente cuando la carga tumoral era alta. Un patrón similar apareció en las leucemias agudas: la IA detectó blastos bastante bien en general, especialmente en láminas por extensión, pero con frecuencia asignó blastos atípicos a categorías similares como monocitos o células mieloides tempranas. Los recuentos manuales produjeron consistentemente porcentajes de blastos más altos que los resultados automatizados o los revisados por expertos, con las mayores discrepancias en ciertos subtipos genéticos como LMA con mutación NPM1 y LLA de células B con la fusión BCR::ABL1, donde la morfología blastica es especialmente inusual.

Por qué importan la preparación de la lámina y la genética

El estudio mostró que tanto la forma de preparar el frotis como la genética subyacente de la enfermedad influyen en el rendimiento de la IA. Los frotis por compresión, donde los fragmentos medulares se comprimen suavemente entre porta y cubre, introdujeron distorsiones que difuminaron detalles nucleares finos, aumentando la confusión entre etapas de maduración adyacentes y entre blastos y otras células jóvenes. Las láminas por extensión conservaron mejor la estructura, ofreciendo mayor recall y precisión; por eso los autores las recomiendan como formato estándar para el análisis asistido por IA. En el plano biológico, los blastos de ciertos subtipos genéticos a menudo presentan formas nucleares distintivas, a veces distorsionadas, u otras características atípicas. Dado que los sistemas de IA actuales suelen entrenarse principalmente con células normales, estas variantes neoplásicas pueden forzarse a la "categoría normal más cercana", lo que lleva a una subestimación sistemática de la carga de enfermedad justamente en los pacientes para los que los umbrales diagnósticos son más críticos.

Cómo cambia esto el laboratorio hoy

En conjunto, los hallazgos sugieren que BMIA‑12A ya es lo bastante fiable como para servir de potente herramienta de cribado y clasificación, especialmente para muestras de médula ósea normales y recuentos diferenciales de rutina. Puede examinar con rapidez decenas de miles de células por lámina y ofrece resultados estables y reproducibles que se alinean bien con la revisión experta. Sin embargo, las discrepancias claras y a veces amplias con los recuentos manuales en leucemias y cánceres de células plasmáticas muestran que los especialistas humanos siguen siendo esenciales para la interpretación final, particularmente cerca de los puntos de corte diagnósticos y en subtipos genéticos de alto riesgo. Los autores sostienen que los laboratorios que adopten estas herramientas de IA deben validarlas cuidadosamente según sus propios métodos de preparación de láminas y establecer flujos de trabajo en los que la IA proporcione una base objetiva que los expertos refinen, en lugar de reemplazar el juicio experto.

Cita: Kim, H.N., Lee, J.H., Jung, Y. et al. Comprehensive performance assessment of the BMIA-12 a system for bone marrow cell quantification in normal and hematological malignancy samples. Sci Rep 16, 8798 (2026). https://doi.org/10.1038/s41598-026-39443-1

Palabras clave: inteligencia artificial en hematología, citología de médula ósea, diagnóstico de leucemia, mieloma múltiple, microscopía digital