Normal ve hematolojik malignite örneklerinde kemik iliği hücrelerinin sayımı için BMIA-12A sisteminin kapsamlı performans değerlendirmesi

Kemik İliği Hücrelerini Saymanın Önemi

Hekimler lösemi veya multipl miyelom gibi kan kanserlerini teşhis ederken kemik iliği yaymalarını mikroskop altında dikkatle inceler ve binlerce hücreyi elle sayar. Bu yavaş ve zahmetli çalışma teşhis, tedavi ve prognoz hakkında hayatı değiştiren kararlara etki eder. Çalışma, sayımı büyük ölçüde otomatikleştirmeyi amaçlayan yeni bir yapay zeka sistemi BMIA-12A’yı tanıtıyor ve titizlikle test ediyor—bu sayede sonuçlar daha hızlı, daha tutarlı ve slaytı okuyan uzmana daha az bağımlı hale gelebilir.

Mikroskop İçin Yeni Bir Dijital Yardımcı

BMIA-12A sistemi, kemik iliği yaymalarının dijital görüntülerini alır ve derin öğrenme algoritmaları kullanarak hücreleri 16 ana tipe ayırıp tanır; bunların arasında lösemileri tanımlamada önemli olan erken “blast” hücreleri ve multipl miyelomda merkezî rol oynayan plazma hücreleri bulunur. Bu çalışmada araştırmacılar normal örnekleri, plazma hücre bozukluklarını ve birkaç akut lösemi formunu içeren 149 kişiden 298 kemik iliği yaymasını analiz etti. Her yayma için üç yaklaşımı karşılaştırdılar: tamamen otomatik AI sayımları, uzmanlarca gözden geçirilip düzeltilmiş AI sayımları ve geleneksel ışık mikroskobu ile yapılan manuel sayımlar. Ayrıca slayt kalitesinin AI performansını nasıl etkilediğini görmek için kama (wedge) ve ezme (squash) olmak üzere iki yayma hazırlama tekniğini de incelediler.

Sistemin Normal Hücreleri Tanıma Başarısı

Hastalığı olmayan kişilerin kemik iliğinde AI sistemi etkileyici performans gösterdi. Hem kama hem de ezme hazırlamalarda yaklaşık 38.000’e yakın hücrenin yaklaşık %95’ini doğru sınıflandırdı ve 16 hücre tipinden 14’ünde geri çağırma (recall) %90’ın üzerindeydi. Örneğin örneklerin cam yüzeye düzgün yayıldığı kama kaydırmaları, plazma hücreleri, blastlar ve nadir bazofiller gibi tanısal önemi olan hücrelerde biraz daha iyi kesinlik (precision) sağladı. AI’nin hatalarının çoğu, beyaz kan hücresinin olgunlaşmasındaki bitişik aşamalar gibi çok benzer görünen hücre tipleri arasında veya reaktif lenfositlerin blastlara benzemesi gibi karışıklıklardan kaynaklandı. Araştırmacılar her hücre tipinin bütün örneklerde ne sıklıkta göründüğünü karşılaştırdıklarında, AI ile uzman düzeltmeli sonuçlar yakın eşleşme gösterirken geleneksel manuel sayımlar belirgin şekilde daha değişken çıktı; bu da insan sayımının öznelliğini ve sınırlı örneklemeyi yansıtıyor.

Miyelom ve Lösemide Ne Oluyor

Hastalıklı durumlarda sistemin performansı daha karışıktı. Plazma hücresi bozukluklarında AI plazma hücrelerini tanımlamada çok yüksek kesinliğe sahipti fakat yaklaşık dörtte birini kaçırdı; bu özellikle iliğin anormal plazma hücreleriyle dolu olduğu multipl miyelom vakalarında belirgindi çünkü bu hücreler eğitilmiş olan ders kitabı örneklerinden farklı şekillere sahipti. Sonuç olarak, AI özellikle tümör yükü yüksek olduğunda plazma hücresi yüzdelerini manuel ve uzman düzeltmeli sayımlara kıyasla genellikle düşük tahmin etme eğilimindeydi. Akut lösemilerde benzer bir desen görüldü: AI genel olarak blastları tespit etmekte oldukça iyiydi, özellikle kama slaytlarda, ancak sıklıkla atipik blastları monositler veya erken miyeloid hücreler gibi benzer kategorilere atıyordu. Manuel sayımlar, otomatik ya da uzman gözden geçirilmiş dijital sonuçlara kıyasla tutarlı biçimde daha yüksek blast yüzdeleri verdi; en büyük farklar özellikle NPM1 mutasyonlu AML ve BCR::ABL1 füzyonlu B-hücre ALL gibi bazı genetik alt tiplerde görüldü; bu alt tiplerde blast morfolojisi özellikle sıra dışıdır.

Slayt Hazırlama ve Genetik Neden Önemli

Çalışma, yaymanın nasıl yapıldığı ve hastalığın altında yatan genetiğin her ikisinin de AI performansını şekillendirdiğini gösterdi. Marrow fragmanlarının slaytlar arasında nazikçe sıkıştırıldığı ezme yaymalar, ince nükleer ayrıntıları bulanıklaştıran bozunmalara yol açarak bitişik olgunlaşma aşamaları ve blastlar ile diğer genç hücreler arasındaki karışıklığı artırdı. Kama yaymaları yapıyı daha iyi korudu ve daha yüksek geri çağırma ve kesinlik sağladı; bu yüzden yazarlar bunları AI destekli analiz için standart format olarak öneriyor. Biyolojik açıdan belirli genetik alt tiplerden gelen blastlar sıklıkla karakteristik, bazen bozulmuş nükleer şekillere veya diğer atipik özelliklere sahiptir. Mevcut AI sistemleri genellikle ağırlıklı olarak normal hücreler üzerinde eğitildiği için bu neoplastik varyantlar “en yakın” normal kategoriye zorlanabilir; bu da özellikle doğru eşiklerin en çok önemli olduğu hastalarda hastalık yükünün sistematik olarak düşük tahmin edilmesine yol açar.

Bugün Laboratuvarı Nasıl Değiştirir

Genel olarak bulgular BMIA-12A’nın özellikle normal kemik iliği örnekleri ve rutin diferansiyel sayımlar için güçlü bir tarama ve yönlendirme aracı olarak zaten yeterince güvenilir olduğunu öne sürüyor. Bir slaytta on binlerce hücreyi hızla inceleyebilir ve uzman değerlendirmesiyle iyi uyum gösteren stabil, tekrarlanabilir sonuçlar sunar. Ancak lösemiler ve plazma hücreli kanserlerde manuel sayımlarla olan açık ve bazen büyük tutarsızlıklar, son yorum için insan uzmanların özellikle tanısal eşiklere yakın ve genetik olarak tanımlanmış yüksek risk alt tiplerinde hâlâ gerekli olduğunu gösteriyor. Yazarlar, bu tür AI araçlarını benimseyen laboratuvarların kendi slayt hazırlama yöntemleri için bunları dikkatle doğrulaması ve AI’nın uzmanların yerini almak yerine uzmanların düzeltip geliştireceği nesnel bir temel sağladığı iş akışları kurması gerektiğini savunuyor.

Atıf: 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

Anahtar kelimeler: hematolojide yapay zeka, kemik iliği sitolojisi, lösemi teşhisi, multipl miyelom, dijital mikroskopi