细胞图变换器用于细胞核分类
内容提要
该文综述图神经网络与图Transformer在生物医学图像及单细胞分析中的应用，涵盖GTNs、GCNs、HyperGT、CGC-Net、GTNet等模型，用于节点分类、肿瘤分类、点云分割、细胞类型注释、数据整合及细胞病理报告生成，并指出图神经网络将成为单细胞分析核心工具。
延伸解读
图Transformer在细胞核分类中的技术脉络
文章梳理了从GTNs、GCNs到HyperGT、CGC-Net、GTNet等多种图神经网络与图Transformer模型。这些模型分别针对节点分类、肿瘤分类、点云分割等任务，展示了图方法在生物医学图像分析中的多样性。其中，GTNs能生成新图结构，HyperGT处理超图数据，GTNet结合局部与全局特征，体现了技术演进。
单细胞分析中的图神经网络应用
文章指出，图神经网络在单细胞数据分析中已用于细胞类型注释、数据整合与插补、基因调控网络重建和聚类等任务。通过揭示基因与细胞间的深层连接，图方法有望成为单细胞分析的核心工具。这反映了图模型在整合多组学数据和理解细胞异质性方面的潜力。
细胞病理报告生成的自动化探索
GNNFormer是首个显式模拟细胞结构信息的细胞病理报告生成方法，结合了图神经网络与Transformer。在NMI-WSI数据集上，它优于其他基线，展示了图方法在医学报告自动生成中的可行性。这为提升病理工作流程效率提供了新思路。
Q&A
GTNs 图转换器网络的主要功能是什么？
GTNs 能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。
图卷积网络在肿瘤分类中是如何应用的？
使用图卷积网络对组织切片图像中细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征来实现肿瘤分类，准确率与 Inception-v3 相当。
HyperGT 超图学习框架有什么特点？
HyperGT 利用基于 Transformer 的神经网络结构处理超图结构化数据，通过全球节点和超边之间的关联以及局部连接性，实现全面的超图表示学习，在超图节点分类任务中性能出色。
CGC-Net 如何用于大肠癌分级？
CGC-Net 将大肠癌组织学图像转化为图形，并采用 Adaptive GraphSage 技术融合不同层级的特征，有效超越基于补丁的方法，实现新型 CRC 分级。
GTNet 网络可以处理哪些任务？
GTNet 是一个 3D 点云网络，可以用于形状分类、部分分割和语义分割任务。
图神经网络在单细胞分析中的主要应用目标有哪些？
包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。
GNNFormer 是什么？它有什么优势？
GNNFormer 是一种结合图神经网络和 Transformer 的图形框架，用于自动生成细胞病理报告，是第一个显式模拟细胞结构信息的方法，在 NMI-WSI 数据集上优于其他最先进的基线。
