畳み込みニューラルネットワーク（CNNs）は医療画像解析に広く使用されていますが、テスト画像の倍率が訓練画像と異なる場合、その性能が低下する傾向があります。CNNsの倍率スケール間での汎化能力の欠如は、外部データセットでの非最適な性能を引き起こす可能性があります。本研究では、訓練段階とテスト段階で異なる倍率スケールを持つ乳癌組織病理学画像の解析における各種深層学習アーキテクチャの堅牢性を評価することを目的としています。ここでは、CNNベースのResNetやMobileNet、自己注意メカニズムに基づくビジョントランスフォーマー（Vision Transformers）やSwinトランスフォーマー（Swin Transformers）、トークンミキシングモデルであるFNet、ConvMixer、MLP-Mixer、WaveMixなどの複数の深層学習アーキテクチャの性能を探索し比較します。実験は、異なる倍率レベルの乳癌組織病理学画像を含むBreakHisデータセットを使用して行われました。結果として、WaveMixの性能は訓練データとテストデータの倍率に依存せず、安定した良好な分類精度を提供することが示されました。これらの評価は、倍率スケールの変化に対して堅牢に対応できる深層学習アーキテクチャを特定する上で重要であり、解剖構造間でのスケール変化が推論結果に影響を与えないことを保証します。