Graph Neural Networks in Histopathology: Emerging Trends and Future Directions

病理切片图像（WSIs）的组织病理学分析已经看到了深度学习方法的广泛应用，特别是卷积神经网络（CNNs）。然而，CNNs在捕捉WSIs固有的复杂空间依赖性方面经常表现不佳。图神经网络（GNNs）提供了一种有前途的替代方案，能够直接建模成对交互并有效地识别WSIs中的拓扑组织和细胞结构。认识到需要利用WSIs的拓扑结构的深度学习技术的紧迫性，GNNs在组织病理学中的应用经历了快速增长。在这篇综合性的综述中，我们调查了组织病理学中的GNNs，讨论了它们的应用，并探讨了铺平未来发展道路的新兴趋势。我们首先阐明了GNNs的基本原理及其在组织病理学中的潜在应用。利用定量文献分析，我们确定了四个新兴趋势：分层GNNs、自适应图结构学习、多模式GNNs和高阶GNNs。通过深入探讨这些趋势，我们提供了对GNNs在组织病理学分析中不断发展的景观的见解。基于我们的发现，我们提出了推动该领域前进的未来方向。我们的分析有助于引导研究人员和从业者采用创新的方法和方法，通过图神经网络促进组织病理学分析的进步。

本论文旨在解决深度学习在WSI组织切片图像分析中存在的局限性，探讨GNN在WSI中的应用，以及未来的发展方向。

本论文主要介绍了GNN在WSI组织切片图像分析中的应用，包括Hierarchical GNNs，Adaptive Graph Structure Learning，Multimodal GNNs，以及Higher-order GNNs等四个方面，探讨了GNN在WSI分析中的优势和不足，并提出了未来的发展方向。

本论文使用了量化文献分析的方法，提出了四个GNN在WSI分析中的未来发展方向，实验结果表明GNN在WSI分析中具有很大的潜力，值得进一步深入研究。

近期的相关研究包括《Deep Learning for Digital Pathology Image Analysis: A Comprehensive Tutorial with Selected Use Cases》、《Deep Learning-Based Histopathologic Assessment of Kidney Tissue》、《Graph Convolutional Networks for Histology Image Classification: A Study on Inter- and Intra-Dataset Variability》等。