L’intelligence artificielle (IA) transforme profondément l’hématologie biologique en exploitant le machine learning et le deep learning pour analyser des données complexes issues de la morphologie, de la cytométrie en flux et de la biologie moléculaire. Les algorithmes permettent aujourd’hui de classer les cellules sanguines, d’interpréter des panels de cytométrie à haut débit et d’intégrer des données génétiques avec des performances proches, voire supérieures, à celles des experts humains. En cytologie, ils favorisent la reconnaissance automatisée des cellules normales ou pathologiques, notamment dans les leucémies aiguës. En cytométrie, l’IA automatise le gating, améliore la détection de populations rares et augmente la reproductibilité. En biologie moléculaire, elle optimise l’interprétation des profils NGS et épigénomiques, soutenant la classification pronostique des hémopathies. Malgré ces avancées, des défis persistent : qualité des données, standardisation, validation clinique et explicabilité. L’avenir réside dans des modèles multimodaux intégrant simultanément données cytologiques, cytométriques, moléculaires et cliniques. Ces innovations redéfinissent le rôle du biologiste médical, désormais acteur central de la supervision, de l’interprétation et de l’éthique de l’IA en hématologie.

Artificial intelligence (AI) is reshaping laboratory hematology through machine learning and deep learning, enabling the analysis of complex, multimodal data from morphology, flow cytometry, and molecular biology. Algorithms can now classify blood cells, interpret high-dimensional cytometry panels, and integrate genetic information with human-level or superior performance. In cytology, AI supports automated identification of normal and malignant cells, particularly in acute leukemias. In flow cytometry, it automates gating, enhances detection of rare subsets, and improves reproducibility. In molecular biology, AI refines NGS and epigenomic data interpretation, advancing hematologic disease classification and prognosis. Yet, challenges remain regarding data quality, standardization, clinical validation, and model explainability. Future developments will rely on multimodal models combining cytologic, cytometric, molecular, and clinical data. These advances redefine the medical biologist’s role, emphasizing expertise, oversight, and ethical governance of AI in hematology.