GRASP: 图结构金字塔式全切片图像表示
内容提要
本文综述了多种基于深度学习的全切片图像分析方法，用于癌症诊断与亚型分类。方法包括图神经网络、DenseNet、图卷积网络、异构图框架及注意力机制等，在肺癌、肾癌、前列腺癌等任务中提升了准确率与可解释性，部分模型性能优于传统方法或与病理学家相当。
延伸解读
从图结构到金字塔：方法演进脉络
文章梳理了多种基于深度学习的全切片图像分析方法，从早期结合图神经网络与DenseNet的肺癌亚型分类，到引入图注意力与样条卷积的肾癌、前列腺癌分级，再到异构图框架与鲁棒学习。这些方法逐步从单一图卷积转向多尺度、层次化建模，如HIGT通过金字塔层次间的双向交互提升性能，反映了该领域对WSI多尺度特性认识的深化。
弱监督与可解释性的平衡
多项工作致力于在仅使用幻灯片级别标签的弱监督设定下提升性能与可解释性。例如CHARM池化操作符在非小细胞肺癌和淋巴结转移任务中优于其他弱监督算法，CLAM则强调高吞吐量与可解释性。MUSTANG在无幻灯片级标签下取得0.89/0.92的F1/AUC，优于CLAM。这些进展表明，减少标注依赖的同时保持模型决策透明是当前研究的重要方向。
性能对比与临床潜力
文章提到，部分模型在特定任务上性能优于传统方法或与病理学家相当。例如，一种多例、领域对抗和多尺度学习框架在196个病例中测试，准确性媲美标准病理学家；基于异构图的框架在多种任务上显著优于现有方法。这些结果提示深度学习方法在癌症诊断与亚型分类中具备临床辅助潜力，但实际部署仍需进一步验证。
Q&A
GRASP 方法在肺癌亚型分类中取得了怎样的性能？
GRASP 方法基于图神经网络和 DenseNet，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，在 The Cancer Genome Atlas 数据集上达到了 88.8% 的准确率和 0.89 的 AUC。
有哪些深度学习方法用于肾癌和前列腺癌的分级诊断？
一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，使方法可解释性更好。
异构图框架如何利用细胞核关系进行 WSI 分析？
该框架将 WSI 建模为具有“核型”属性和语义相似性属性的异构图，采用新的异构图边属性转换器 (HEAT) 和基于伪标签的语义一致汇聚机制来获得图层特征，并采用因果驱动的方法解决现有关联定位方法的局限性。
如何解决全切片图像中的扰动问题以提高前列腺癌诊断准确率？
提出了一种新颖的鲁棒学习方法，通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著改善。
CHARM 池化操作符在癌症诊断中有何优势？
CHARM 是一种新的深度学习池化操作符，旨在提高癌症诊断的准确性和可解释性，实验证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。
MUSTANG 模型在仅具备患者级别标签的任务中表现如何？
MUSTANG 是一个多标引注意力自注意图的无监督吉帕像素多图像分类任务的端到端学习流水线，仅具备患者级别标签，利用稀疏的 k 最近邻图和欧几里得距离进行操作限制，取得了 0.89/0.92 的 F1 得分/曲线下面积，优于广泛使用的 CLAM 模型。
