В данной работе представлен инновационный подход к анализу микроструктуры биологических тканей с использованием гибридной архитектуры графовых трансформеров (Hybrid Graph Transformer). Исследование направлено на решение проблемы точной количественной оценки параметров ткани, что критически важно для патоморфологии и высокоточной диагностики. Авторы предлагают метод, который объединяет возможности трансформеров по захвату глобальных зависимостей и графовых нейронных сетей для моделирования локальных пространственных структур. Использование гибридной модели позволяет значительно повысить точность предсказаний микроструктурных характеристик по сравнению с традиционными методами глубокого обучения. Результаты демонстрируют превосходство предложенного алгоритма в обработке сложных геометрических паттернов, что открывает новые возможности для автоматизированного анализа гистологических изображений. Данная технология имеет высокую практическую значимость для интеграции ИИ в процессы цифровой патологии и персонализированной медицины.