딥러닝 모델은 계산 병리 (CPath) 분야에서 유망하지만, 도메인 변화로 인해 새로운 데이터에 적용 시 성능 저하가 발생한다. 본 연구는 CPath 분야에서 도메인 일반화 (DG) 알고리즘의 효과를 30개의 DG 알고리즘에 대해 7,560회 교차 검증을 통해 평가했다. 다양한 난이도의 3가지 CPath 과제에 대해, modality-specific 기법과 사전 훈련된 기반 모델과 같은 최신 기술을 통합한 통일되고 견고한 플랫폼을 사용했다. 교차 검증 실험을 통해 다양한 DG 전략의 상대적 성능에 대한 통찰력을 얻었다. 특히, 자체 지도 학습과 염색 증강이 다른 방법보다 우수했으며, 사전 훈련 모델과 데이터 증강의 잠재력을 강조했다. 또한, 향후 연구를 위한 새로운 범암 종양 감지 데이터 세트 (HISTOPANTUM)를 도입했다.
