Avaliação abrangente do desempenho do BMIA-12, um sistema para quantificação de células da medula óssea em amostras normais e com neoplasias hematológicas

Por que contar células da medula óssea importa

Quando os médicos diagnosticam cânceres do sangue, como leucemia ou mieloma múltiplo, eles examinam esfregaços da medula óssea ao microscópio e contam milhares de células manualmente. Esse trabalho lento e minucioso influencia decisões que mudam vidas sobre diagnóstico, tratamento e prognóstico. O artigo apresenta e testa rigorosamente um novo sistema de inteligência artificial, BMIA‑12A, projetado para automatizar grande parte dessa contagem — potencialmente entregando resultados mais rápidos, mais consistentes e menos dependentes do especialista individual que lê a lâmina.

Um novo assistente digital para o microscópio

O sistema BMIA‑12A processa imagens digitalizadas de esfregaços da medula óssea e usa algoritmos de deep learning para reconhecer e categorizar células em 16 tipos principais, incluindo células “blásticas” precoces que ajudam a definir leucemias e plasmócitos que são centrais no mieloma múltiplo. Neste estudo, os pesquisadores analisaram 298 esfregaços de medula óssea de 149 pessoas, abrangendo amostras normais, distúrbios de células plasmáticas e várias formas de leucemia aguda. Para cada esfregaço, compararam três abordagens: contagens totalmente automatizadas pela IA, contagens da IA revisadas e corrigidas por especialistas e a contagem manual tradicional ao microscópio óptico. Também examinaram duas técnicas comuns de preparo de lâminas, chamadas esfregaço em cunha (wedge) e em esmagamento (squash), para avaliar como a qualidade da lâmina influencia o desempenho da IA.

Como o sistema reconhece células normais

Na medula de pessoas sem malignidade, o sistema de IA teve desempenho impressionante. Ele classificou corretamente cerca de 95% de quase 38.000 células em preparações tanto em cunha quanto em esmagamento, com 14 dos 16 tipos celulares apresentando recall acima de 90%. Lâminas em cunha — onde a amostra é espalhada suavemente sobre o vidro — mostraram precisão ligeiramente melhor para células diagnósticas-chave, como plasmócitos, blastos e raros basófilos. A maioria dos erros da IA ocorreu entre tipos celulares que se parecem muito, como estágios vizinhos de maturação dos leucócitos ou linfócitos reativos que assemelham-se a blastos. Quando os pesquisadores compararam com que frequência cada tipo celular aparecia ao longo de amostras inteiras, os resultados da IA e das contagens revistas por especialistas bateram perto, enquanto as contagens manuais tradicionais foram visivelmente mais variáveis, refletindo a subjetividade e a amostragem limitada da contagem humana.

O que acontece no mieloma e na leucemia

O desempenho do sistema em estados de doença foi mais misto. Em distúrbios de células plasmáticas, a IA foi muito precisa ao identificar plasmócitos, mas deixou de detectar cerca de um quarto deles, especialmente no mieloma múltiplo, onde a medula está repleta de plasmócitos anormais que diferem na forma dos exemplos de livro-texto usados no treinamento. Como resultado, a IA tende a subestimar as porcentagens de plasmócitos em comparação com as contagens manuais e as contagens digitais revistas por especialistas, particularmente quando a carga tumoral é alta. Um padrão semelhante apareceu nas leucemias agudas: a IA foi bastante boa em reconhecer blastos no geral, especialmente em lâminas em cunha, mas frequentemente atribuiu blastos atípicos a categorias parecidas, como monócitos ou células mieloides precoces. As contagens manuais produziram consistentemente porcentagens de blastos mais altas do que os resultados automatizados ou digitais revisados por especialistas, com as maiores discrepâncias observadas em certos subtipos genéticos, como LMA com mutação NPM1 e LLA B‑celular com fusão BCR::ABL1, onde a morfologia dos blastos é especialmente incomum.

Por que o preparo da lâmina e a genética importam

O estudo mostrou que tanto o modo como o esfregaço é feito quanto a genética subjacente da doença influenciam o desempenho da IA. Esfregaços em esmagamento, onde fragmentos da medula são gentilmente comprimidos entre lâminas, introduziram distorções que borraram detalhes nucleares finos, aumentando a confusão entre estádios de maturação adjacentes e entre blastos e outras células jovens. Esfregaços em cunha preservaram melhor a estrutura, gerando maior recall e precisão, de modo que os autores os recomendam como formato padrão para análise assistida por IA. No lado biológico, blastos de subtipos genéticos específicos frequentemente apresentam formas nucleares distintivas, por vezes distorcidas, ou outras características atípicas. Como os sistemas de IA atuais costumam ser treinados principalmente em células normais, essas variantes neoplásicas podem ser forçadas para a “categoria normal mais próxima”, levando a uma subestimação sistemática da carga da doença justamente nos pacientes para os quais limiares precisos são mais importantes.

Como isso muda o trabalho do laboratório hoje

Em conjunto, os achados sugerem que o BMIA‑12A já é confiável o suficiente para servir como uma ferramenta poderosa de triagem e priorização, especialmente para amostras normais de medula óssea e contagens diferenciais de rotina. Ele pode examinar rapidamente dezenas de milhares de células por lâmina e fornece resultados estáveis e reproduzíveis que se alinham bem com a revisão de especialistas. No entanto, as discrepâncias claras e às vezes grandes com as contagens manuais em leucemias e neoplasias de células plasmáticas mostram que especialistas humanos continuam essenciais para a interpretação final, particularmente perto de pontos de corte diagnósticos e em subtipos genéticos de alto risco. Os autores defendem que os laboratórios que adotarem tais ferramentas de IA devem validá‑las cuidadosamente para seus próprios métodos de preparo de lâminas e construir fluxos de trabalho em que a IA ofereça uma linha de base objetiva que os especialistas refinem, em vez de substituir o juízo do especialista.

Citação: 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

Palavras-chave: inteligência artificial em hematologia, citologia da medula óssea, diagnóstico de leucemia, mieloma múltiplo, microscopia digital