Надёжное сравнение моделей глубокого обучения для гистопатологии полости рта затруднено морфологическим перекрытием между диагностическими классами и существенными различиями в разделении данных, оптимизации и валидации между опубликованными работами. Для решения этой проблемы исследователи провели крупное контролируемое сравнение, оценив предсказательную способность, стабильность обучения, статистическую неопределённость и вычислительную эффективность в единой схеме.

31 архитектура из девяти семейств моделей оценивалась на трёхклассовых датасетах ORCHID и P-NDB-UFES с использованием общего протокола обучения, выбора контрольных точек и тестирования. ORCHID был переразделён на уровне пациент/группа гистологических препаратов, тогда как предопределённое тестовое подмножество P-NDB-UFES из 627 патчей сохранили неизменным из-за отсутствия полной информации о происхождении от пациента. Ведущие модели повторяли с пятью различными random seeds. Неопределённость ORCHID оценивали методом cluster-aware resampling по 14 независимым тестовым группам. Оценка включала macro-F1, AUROC, AUPRC, MCC, классоспецифичные ошибки, число параметров, GFLOPs, эффективность GPU-прохода и качественный анализ Grad-CAM.

MobileViTv2–150 достигла наивысшего первичного macro-F1 на ORCHID (0.9428), тогда как DeiT III-Base/16 лидировала на P-NDB-UFES (0.9037). При усреднении по пяти seeds наивысший средний macro-F1 переместился к Swin-Large на ORCHID (0.9348 ± 0.0110) и DeiT III-Small/16 на P-NDB-UFES (0.9031 ± 0.0091). Cluster-aware доверительные интервалы для ORCHID перекрывались между ведущими моделями, а несколько компактных или промежуточных по масштабу сетей соответствовали существенно более крупным архитектурам при меньших вычислительных требованиях. Остаточные ошибки концентрировались на морфологически сложных границах классов и включали неверные классификации с высокой уверенностью.

Ни одна архитектура не доминировала последовательно на обеих диагностических задачах. Выбор модели должен акцентировать сбалансированную по классам производительность, стабильность при повторных запусках, учитывающую независимость оценку неопределённости, вычислительную стоимость и клинически значимые паттерны ошибок, а не одномоментный рейтинг.