Technological advancements have opened up the possibility of digitizing the pathological landscape, enabling deep learning-based methods to analyze digitized tissue samples, i.e., whole slide images (WSIs). Attention has recently shifted toward modeling WSIs as graphs since graph representations can capture dynamic relationships. This thesis investigates different graph construction techniques in conjunction with graph-based deep learning to classify WSIs as breast cancer histological grade 1 versus histological grade 3. To that extent, multiple graph representation techniques and two graph convolutional networks, GCN and GraphSAGE, were utilized. Finally, by evaluating the proposed models on an external test set originating from a separate cohort, it is clear that both models have the capacity for binary histological grading, yielding AUC scores of 0.791 (95% CI 0.756 − 0.825) and 0.838 (95% CI 0.808 − 0.869) for the GCN and GraphSAGE models. Modeling WSIs as graphs is an exciting and emerging field; however, further work is needed to evaluate alternative graph representation techniques and graph convolutional networks. / Teknologiska framsteg har öppnat upp möjligheten att digitalisera det patologiska landskapet, och möjliggjort djupinlärningsbaserade metoder att analysera digitala vävnadsprover; whole slide images (WSIs). Uppmärksamhet har skiftats mot modellering av WSIs som grafer, då grafrepresentationer är dynamiska. Den här uppsatsen undersöker diverse tekniker för grafkonstruktion tillsammans med grafbaserad djupinlärning för att klassificera WSIs som histologisk gradering 1 kontra histologisk gradering 3. För detta ändamål användes flertalet olika grafrepresentationer samt två distinkta grafbaserade faltningsnätverk, GCN och GraphSAGE. Slutligen, genom att evaluera de föreslagna modellerna på ett externt test set, härstammande från en separat kohort, så är det tydligt att båda modellerna har kapacitet för binär histologisk gradering, med AUC-värden på 0.791 (95% CI 0.756 − 0.825) samt 0.838 (95% CI 0.808 − 0.869) för GCN och GraphSAGE. Att modellera WSIs som grafer är ett spännande och framväxande område. Det behövs emellertid mer forskning för att evaluera alternativa tekniker för grafrepresentationer samt grafbaserade faltningsnätverk.