Debido a una cantidad insuficiente de anotaciones de imágenes, la inteligencia artificial en histopatología computacional generalmente se basa en el ajuste fino de redes neuronales pre-entrenadas. Si bien el ajuste fino convencional ha demostrado ser efectivo, la investigación en visión por computadora ha propuesto recientemente algoritmos mejorados, prometiendo una mayor precisión. Si bien estudios iniciales han demostrado los beneficios de estos algoritmos para la IA médica, en particular para la radiología, no hay evidencia empírica de una mayor precisión en histopatología. Por lo tanto, basándonos en la arquitectura ConvNeXt, nuestro estudio realiza una comparación sistemática de nueve técnicas de adaptación de tareas, a saber, DELTA, L-SP, MARS-PGM, Bi-Tuning, BSS, MultiTune, SpotTune, Co-Tuning y ajuste fino convencional, en cinco tareas de clasificación histopatológica utilizando ocho conjuntos de datos. Los resultados se basan en pruebas externas y validación estadística, y revelan una imagen multifacética: algunas técnicas son más adecuadas para histopatología que otras, pero dependiendo de la tarea de clasificación, se observó una mejora relativa significativa en precisión para cinco técnicas avanzadas de adaptación de tareas sobre el método de control, es decir, el ajuste fino convencional (por ejemplo, Co-Tuning: () = 0.942, = 2.623). Además, estudiamos la precisión de clasificación para tres de los nueve métodos con respecto al tamaño del conjunto de entrenamiento (por ejemplo, Co-Tuning: () = 0.951, = 0.748). En general, nuestros resultados muestran que el rendimiento de las técnicas avanzadas de adaptación de tareas en histopatología se ve afectado por factores influyentes como la tarea específica de clasificación o el tamaño del conjunto de entrenamiento.