Uitgebreide prestatiebeoordeling van de BMIA-12, een systeem voor kwantificatie van beenmergcellen in normale en hematologische maligniteitsmonsters

Waarom het tellen van beenmergcellen belangrijk is

Wanneer artsen bloedkankers zoals leukemie of multipel myeloom diagnosticeren, bekijken ze beenmerguitstrijkjes nauwkeurig onder de microscoop en tellen ze duizenden cellen met de hand. Dit langzame, nauwgezette werk beïnvloedt beslissingen over diagnose, behandeling en prognose die iemands leven kunnen veranderen. Het artikel introduceert en test rigoureus een nieuw systeem voor kunstmatige intelligentie, BMIA-12A, dat is ontworpen om een groot deel van dit tellen te automatiseren—waardoor uitslagen mogelijk sneller, consistenter en minder afhankelijk van de individuele deskundige die het preparaat beoordeelt worden.

Een nieuwe digitale hulp bij de microscoop

Het BMIA-12A-systeem gebruikt gedigitaliseerde afbeeldingen van beenmerguitstrijkjes en maakt gebruik van deep-learningalgoritmen om cellen te herkennen en in 16 hoofdtypen te categoriseren, waaronder vroege “blast”-cellen die helpen bij het definiëren van leukemieën en plasmacellen die centraal staan bij multipel myeloom. In deze studie analyseerden onderzoekers 298 beenmerguitstrijkjes van 149 personen, variërend van normale monsters tot plasmacelstoornissen en verschillende vormen van acute leukemie. Voor elk uitstrijkje vergeleken ze drie benaderingen: volledig geautomatiseerde AI-tellingen, AI-tellingen nagekeken en gecorrigeerd door specialisten, en traditionele handmatige telling met de lichtmicroscoop. Ze onderzochten ook twee veelvoorkomende preparatiemethoden, wedge- en squash-uitstrijkjes, om te zien hoe de kwaliteit van het preparaat de AI-prestaties beïnvloedt.

Hoe goed het systeem normale cellen herkent

In beenmerg van personen zonder maligniteit presteerde het AI-systeem indrukwekkend. Het classificeerde correct ongeveer 95% van bijna 38.000 cellen in zowel wedge- als squash-preparaten, waarbij 14 van de 16 celtypen een recall boven 90% toonden. Wedge-preparaten—waarbij het monster gelijkmatig over het glas wordt uitgesmeerd—gaven iets betere precisie voor diagnostisch belangrijke cellen zoals plasmacellen, blasten en zeldzame basofielen. De meeste fouten van de AI deden zich voor tussen celtypen die er erg op lijken, zoals opeenvolgende stadia van wittebloedcelrijping of reactieve lymfocyten die op blasten lijken. Wanneer onderzoekers vergeleken hoe vaak elk celtype over hele monsters voorkwam, kwamen AI- en door deskundigen nagekeken resultaten goed overeen, terwijl traditionele handmatige tellingen merkbaar variabeler waren, wat de subjectiviteit en beperkte bemonstering van menselijke tellingen weerspiegelt.

Wat er gebeurt bij myeloom en leukemie

De prestaties van het systeem in ziektetoestanden waren gemengder. Bij plasmacelstoornissen was de AI zeer precies in het identificeren van plasmacellen, maar miste ze ongeveer een kwart, vooral bij multipel myeloom waar het beenmerg vol zit met abnormale plasmacellen die in vorm afwijken van de voorbeeldcellen die voor training zijn gebruikt. Als gevolg daarvan had de AI de neiging plasmacelpercentages te onderschatten vergeleken met handmatige en door experts gecorrigeerde tellingen, met name wanneer de tumorbelasting hoog was. Een vergelijkbaar patroon trad op bij acute leukemieën: de AI was over het algemeen goed in het vinden van blasten, vooral op wedge-uitstrijkjes, maar zij noteerde vaak atypische blasten als gelijkende categorieën zoals monocyten of vroege myeloïde cellen. Handmatige tellingen gaven consequent hogere blastpercentages dan zowel geautomatiseerde als door experts nagekeken digitale resultaten, met de grootste verschillen bij bepaalde genetische subtypen zoals AML met NPM1-mutatie en B-cel ALL met de BCR::ABL1-fusie, waarbij de blastmorfologie bijzonder ongewone kenmerken vertoont.

Waarom preparatie en genetica ertoe doen

De studie toonde aan dat zowel de wijze waarop het uitstrijkje is gemaakt als de onderliggende genetica van de ziekte de AI-prestaties beïnvloeden. Bij squash-uitstrijkjes, waarbij beenmergfragmenten zacht tussen objectglaasjes worden gecomprimeerd, ontstonden vervormingen die fijne kernmerken verdoezelden, wat verwarring vergrootte tussen aangrenzende rijpingsstadia en tussen blasten en andere jonge cellen. Wedge-uitstrijkjes bewaarden de structuur beter en gaven hogere recall en precisie, zodat de auteurs ze aanbevelen als de standaard voor AI-ondersteunde analyse. Biologisch gezien hebben blasten van specifieke genetische subtypes vaak kenmerkende, soms vervormde kernvormen of andere atypische kenmerken. Omdat huidige AI-systemen doorgaans vooral op normale cellen zijn getraind, kunnen deze neoplastische varianten in de "dichtstbijzijnde" normale categorie worden gedwongen, wat leidt tot systematische onderschatting van de ziektelast bij juist die patiënten waarvoor nauwkeurige drempels het belangrijkst zijn.

Wat dit vandaag de dag in het laboratorium verandert

Samengevat suggereren de bevindingen dat BMIA-12A al betrouwbaar genoeg is om te dienen als een krachtig screenings- en triagetool, vooral voor normale beenmergmonsters en routinematige differentiële tellingen. Het kan snel tienduizenden cellen per preparaat analyseren en levert stabiele, reproduceerbare resultaten die goed overeenkomen met deskundige beoordeling. De duidelijke en soms grote discrepanties met handmatige tellingen bij leukemieën en plasmacelkankers maken echter duidelijk dat menselijke specialisten essentieel blijven voor de eindinterpretatie, met name rond diagnostische drempels en bij genetisch bepaalde hoogrisicosubtypen. De auteurs betogen dat laboratoria die dergelijke AI-hulpmiddelen invoeren, ze zorgvuldig moeten valideren voor hun eigen preparatiemethoden en workflows moeten opzetten waarin de AI een objectieve basis levert die deskundigen verfijnen, in plaats van een vervanging voor deskundig oordeel.

Bronvermelding: 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

Trefwoorden: kunstmatige intelligentie in hematologie, beenmergcytologie, leukemiediagnose, multipel myeloom, digitale microscopie