O mielograma é exame essencial na avaliação de doenças hematológicas, permitindo caracterização morfológica detalhada da medula óssea. A análise tradicional, feita por especialistas, pode ser lenta e sujeita à variabilidade interobservadora. O uso de inteligência artificial (IA), em especial deep learning e redes neurais convolucionais (CNNs), surge como recurso para automatizar e padronizar esse processo, potencialmente melhorando a acurácia e agilizando o diagnóstico. Esta revisão narrativa visa mapear a literatura recente sobre aplicações da IA na análise de imagens de mielogramas, identificando benefícios, limitações e perspectivas.

O objetivo do estudo foi identificar e descrever evidências científicas publicadas entre janeiro de 2018 e julho de 2025 sobre IA aplicada à análise de imagens de mielogramas.

As buscas foram realizadas exclusivamente em plataformas gratuitas: PubMed, SciELO, LILACS e Google Scholar. Utilizaram-se as palavras-chave: “artificial intelligence”, “machine learning”, “deep learning”, “bone marrow smear”, “myelogram”, “image analysis”, combinadas com operadores booleanos AND/OR. Foram incluídos estudos originais e revisões que empregaram IA para análise de imagens de mielograma, com resultados quantitativos de desempenho. Foram excluídos artigos sem texto completo disponível gratuitamente, estudos que aplicaram IA a outros exames hematológicos sem avaliação de mielogramas, trabalhos não relacionados à área médica, relatos de casos isolados, resumos de congresso sem dados completos e publicações duplicadas.

Ao final da análise de artigos, 15 estudos foram incluídos na síntese narrativa.Entre os trabalhos analisados, destaca-se por evidenciar que a inteligência artificial pode aliar elevada precisão à rapidez na análise de imagens de mielogramas. O sistema demonstrou concordância significativa com as avaliações de especialistas e identificou, de forma consistente, alterações displásicas. Esses achados reforçam o potencial da IA como ferramenta de apoio ao diagnóstico hematológico e como recurso para tornar o fluxo de trabalho laboratorial mais ágil e eficiente. Os estudos revisados apontam que a IA pode oferecer elevada acurácia e significativa redução no tempo de análise de mielogramas, além de uniformizar a interpretação. Entretanto, a maioria das pesquisas apresenta amostras limitadas, falta de validação externa e heterogeneidade metodológica. Barreiras adicionais incluem a necessidade de bases de dados amplas e bem anotadas, variações de qualidade de imagem entre laboratórios e desafios éticos e regulatórios quanto à proteção de dados e responsabilidade diagnóstica. Estratégias futuras como aprendizado federado, integração de dados morfológicos e genômicos e desenvolvimento de IA explicável podem facilitar a adoção clínica segura.Portanto, a IA aplicada à análise de imagens de mielogramas mostra alto potencial como ferramenta de apoio diagnóstico, com ganhos em padronização, rapidez e acurácia. Contudo, sua implementação ampla requer validação multicêntrica, protocolos padronizados e soluções para questões éticas e regulatórias. A colaboração entre centros e a criação de repositórios de imagens de acesso aberto serão fundamentais para o avanço seguro e eficaz dessa tecnologia.