A presença de Helicobacter pylori na mucosa gástrica é uma das principais causas de inflamação nesta região tecidual, podendo evoluir para neoplasias. Em 2019, infecções por este patógeno foram detectadas em cerca de um terço dos pacientes submetidos à endoscopia no sudeste do Brasil, com maior incidência na rede pública. Atualmente, o diagnóstico é realizado manualmente por patologistas, sendo um processo exaustivo e sujeito a erros. Além disso, desafios como a variação nas colorações histológicas e a escassez de bases públicas dificultam o desenvolvimento de modelos mais robustos e generalizáveis. Este trabalho propõe um modelo de classificação robusto às variações de coloração H&E e Giemsa para a detecção de H. pylori em biópsias gástricas. Foram utilizados dois conjuntos de dados públicos (um com H&E e outro com Giemsa), aplicando-se técnicas de aumento de dados, validação cruzada, redes neurais convolucionais pré-treinadas e comitê de voto simples. Também foi explorada a combinação de dados, com experimentos intra e inter-conjuntos, além da criação de um conjunto híbrido com imagens de ambas as colorações. Em um dos experimentos, o modelo treinado com imagens H&E obteve 95,5% de acurácia ao ser testado com imagens Giemsa, indicando que arquiteturas densas podem ser eficazes mesmo em cenários de classificação cross-stain com dados limitados. Como trabalhos futuros, serão exploradas técnicas de normalização de coloração e o desenvolvimento de uma arquitetura customizada com mecanismos de atenção.