Выявление бластных клеток на автоматическом анализаторе клеток крови Mindray MC-80

Введение. Выявление бластных клеток в периферической крови имеет ключевое значение для диагностики, мониторинга и оценки эффективности терапии гематологических заболеваний. Внедрение цифровой морфологии может повысить стандартизацию лабораторного процесса, однако результаты автоматической преклассификации требуют оценки сопоставимости с экспертной морфологической оценкой. Цель: оценить сопоставимость результатов автоматической преклассификации и подсчета бластных клеток на анализаторе цифровой морфологии Mindray MC-80 с результатами экспертной морфологической верификации цифровых изображений мазков периферической крови. Материалы и методы: в исследование включены 205 пациентов с различной гематологической патологией и наличием бластов в периферической крови. Количество бластных клеток оценивали на Mindray MC-80 и методом экспертной верификации врачом-морфологом. Для статистического анализа использовали корреляцию Спирмена, регрессию Пассинга–Баблока и анализ Бланда–Альтмана. Результаты: при экспертной морфологической верификации бласты выявлены во всех мазках, при автоматическом подсчете — в 94% случаев. Между методами выявлена статистически значимая корреляция высокой силы: r=0,806; p<0,0001. Mindray MC-80 статистически значимо завышал количество бластов по сравнению с экспертной верификацией. По данным регрессионной модели, построенной на графике Бланда—Альтмана, среднее различие между результатами автоматической преклассификации Mindray MC-80 и экспертной верификации составило 2,1 клетки (95% ДИ среднего различия 1,2–3,0) при среднем количестве бластных клеток 0,5 на 200 лейкоцитов и увеличивалось до 5,5 клеток (95% ДИ среднего различия 3,3–7,7) при среднем количестве бластных клеток 29,5 на 200 лейкоцитов. Регрессионные пределы согласия, рассчитанные как 95% предсказательный интервал для индивидуальных различий, составили от −5,4 до +9,6 клеток и от −2,2 до +13,2 клеток для указанных уровней соответственно. Заключение: Mindray MC-80 может использоваться для предварительной цифровой преклассификации и скринингового выявления бластов, однако автоматический подсчет требует обязательной экспертной верификации врачом-морфологом.

1. Khoury JD, Solary E, Abla O, et al. The 5th edition of the World Health Organization Classification of Haematolymphoid Tumours: Myeloid and Histiocytic/Dendritic Neoplasms. Leukemia. 2022;36(7):1703–19. doi:10.1038/s41375-022-01613-1.

2. Palmer L, Briggs C, McFadden S, et al. ICSH recommendations for the standardization of nomenclature and grading of peripheral blood cell morphological features. Int J Lab Hematology. 2015;37(3):287–303. doi:10.1111/ijlh.12327.

3. Fuentes-Arderiu X, Dot-Bach D. Measurement uncertainty in manual differential leukocyte counting. Clinical Chemistry and Laboratory Medicine. 2009;47(1). doi:10.1515/CCLM.2009.014.

4. Matek C, Krappe S, Münzenmayer C, et al. Highly accurate differentiation of bone marrow cell morphologies using deep neural networks on a large image data set. Blood. 2021;138(20):1917–27. doi:10.1182/blood.2020010568.

5. Kratz A, Lee S, Zini G, et al. Digital morphology analyzers in hematology: ICSH review and recommendations. Int J Lab Hematology. 2019;41(4):437–47. doi:10.1111/ijlh.13042.

6. Fan BE, Yong BSJ, Li R, et al. From microscope to micropixels: A rapid review of artificial intelligence for the peripheral blood film. Blood Reviews. 2024;64:101144. doi:10.1016/j.blre.2023.101144.

7. Kim H, Hur M, d’Onofrio G, Zini G. Real-World Application of Digital Morphology Analyzers: Practical Issues and Challenges in Clinical Laboratories. Diagnostics. 2025;15(6):677. doi:10.3390/diagnostics15060677.

8. El Alaoui Y, Elomri A, Qaraqe M, et al. A Review of Artificial Intelligence Applications in Hematology Management: Current Practices and Future Prospects. J Med Internet Res. 2022;24(7):e36490. doi:10.2196/36490.

9. Shen D, Wu G, Suk HI. Deep Learning in Medical Image Analysis. Annu Rev Biomed Eng. 2017;19(1):221–48. doi:10.1146/annurev-bioeng-071516-044442.

10. Ye X, Fang L, Chen Y, et al. Performance comparison of two automated digital morphology analyzers for leukocyte differential in patients with malignant hematological diseases: Mindray MC -80 and Sysmex DI- 60. Int J Lab Hematology. 2024;46(3):457–65. doi:10.1111/ijlh.14227.

11. Zhao Y, Diao Y, Zheng J, et al. Performance evaluation of the digital morphology analyser Sysmex DI-60 for white blood cell differentials in abnormal samples. Sci Rep. 2024;14(1):14344. doi:10.1038/s41598-024-65427-0.

12. Asghar R, Kumar S, Shaukat A, Hynds P. Classification of white blood cells (leucocytes) from blood smear imagery using machine and deep learning models: A global scoping review. Rajaraman S, editor. PLoS ONE. 2024;19(6):e0292026. doi:10.1371/journal.pone.0292026.

13. Deltadahl S, Gilbey J, Van Laer C, et al. Deep generative classification of blood cell morphology. Nat Mach Intell. 2025;7(11):1791–803. doi:10.1038/s42256-025-01122-7.

14. Xu W, Jiang H, Zhang J, et al. Evaluating AI in leukocyte classification: performance of the AI system against 15 morphology experts. npj Digit Med. 2026; 9(1):460. doi:10.1038/s41746-026-02601-w.

15. Khongjaroensakun N, Chaothai N, Chamchomdao L, et al. White blood cell differentials performance of a new automated digital cell morphology analyzer: Mindray MC-80. Int J Lab Hematol. 2023;45(5):691–9. doi:10.1111/ijlh.14119 PubMed PMID: 37338111.

16. Merino A, Laguna J, Rodríguez-García M, et al. Performance of the new MC-80 automated digital cell morphology analyser in detection of normal and abnormal blood cells: Comparison with the CellaVision DM9600. Int J Lab Hematol. 2024; 46(1):72–82. doi:10.1111/ijlh.14178 PubMed PMID: 37746889.

17. Zini G, Barbagallo O, Scavone F, Béné MC. Digital morphology in hematology diagnosis and education: The experience of the European LeukemiaNet WP10. Int J Lab Hematol. 2022; 44 Suppl 1:37–44. doi:10.1111/ijlh.13908 PubMed PMID: 36074713.