Das Infrarot-Molekulare Fingerprinting (IMF) von Blutplasma gilt als vielversprechende, minimalinvasive Methode zur Tumordetektion. Die diagnostische Aussagekraft kann jedoch durch Begleiterkrankungen beeinträchtigt werden, da diese die spektralen Signale überlagern können. Ziel des Projekts "Cancer site specificity and comorbidity dependence in infrared molecular fingerprinting" (CASCADE-IR) ist es, systematisch zu untersuchen, welche klinischen Bedingungen die Anwendbarkeit von IMF beeinflussen, um die Methode für die in vitro-Diagnostik weiterzuentwickeln. Geplant ist die Analyse eines umfangreichen, bereits bestehenden Datensatzes mit über 5.000 Personen, der IMF-Daten und medizinische Routinedaten kombiniert. Im Fokus steht die Bewertung der Tumorerkennungsleistung bei Personen mit oder ohne häufige Komorbiditäten wie z. B. COPD, chronischer Niereninsuffizienz oder Typ-II-Diabetes. Zudem soll die Eignung von IMF zur Stratifizierung von Tumorsubtypen untersucht werden. Für das Training der Klassifizierungsmodelle werden Open-Source-Tools für maschinelles Lernen (ML) eingesetzt. Der Datensatz umfasst Fälle von Lungen-, Brust- und Prostatakrebs sowie entsprechende Kontrollpersonen. Dadurch kann untersucht werden, ob die erkannten spektralen Muster tumorspezifisch oder phänotypübergreifend einsetzbar sind – eine bislang unbeantwortete, jedoch für die klinische Anwendung zentrale Fragestellung. Die entwickelten ML-Modelle und der Analysecode werden in Form einer Python-Library dokumentiert, um Wiederverwendbarkeit und Erweiterbarkeit zu gewährleisten. So kann die Modellleistung auf neue Daten geprüft und das Verfahren auf andere spektroskopische Techniken sowie auf Datensätze anderer Forschungsgruppen übertragen werden. Das Projekt unterstützt die Ziele des Förderprogramms, indem es vorhandene Daten systematisch nutzt, um eine präzise, minimalinvasive Tumordiagnostik voranzutreiben und robuste Analysepipelines für zukünftige klinische Anwendungen zu entwickeln.