Graph Neural Networks in Histopathology: Emerging Trends and Future Directions

组织病理学分析中的全幻灯片图像（WSIs）已经看到了深度学习方法的利用激增，特别是卷积神经网络（CNNs）。然而，CNNs在捕捉WSIs中固有的复杂空间依赖关系方面经常表现不佳。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作用并有效地辨别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，并探讨了为未来发展铺平道路的新兴趋势。我们首先阐明了GNNs的基础知识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GNNs和高阶GNNs。通过对这些趋势的深入探讨，我们提供了有关GNNs在组织病理学分析中不断发展的洞见。基于我们的发现，我们提出了未来的方向，以推动该领域的发展。我们的分析旨在引导研究人员和实践者走向创新的方法和方法论，通过图神经网络的视角促进组织病理学分析的进步。

本论文旨在解决组织病理学中使用深度学习方法分析WSIs时，CNNs难以捕捉WSIs中的空间依赖关系的问题，提出使用GNNs进行WSIs分析的方案。

论文提出使用GNNs直接模拟WSIs中的相互作用，并有效识别WSIs中的拓扑组织结构和细胞结构的方法。

论文通过量化文献分析，发现Hierarchical GNNs、Adaptive Graph Structure Learning、Multimodal GNNs和Higher-order GNNs是当前GNNs在组织病理学中的新兴趋势。论文还介绍了实验设计、使用的数据集以及开源代码等亮点。

近期的相关研究包括《Deep learning-based computational pathology using weakly annotated slide images》、《Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases》等。