Die histopathologische Krebsdiagnostik basiert in den meisten europäischen Ländern auf der Auswertung hämatoxylin-eosin-gefärbter Gewebeschnitte durch erfahrene Pathologinnen und Pathologen. Ergänzende immunhistochemische Färbungen liefern zusätzliche diagnostische Informationen, werden jedoch aufgrund ihres technischen Aufwands, der Dauer und der Kosten nicht routinemäßig in allen Fällen eingesetzt. Daraus ergibt sich ein medizinischer Bedarf an schnellen, nicht-invasiven und markerfreien Alternativen zur klassischen Immunhistochemie.

Das Projekt STAIN-IT adressiert diesen Bedarf durch die Entwicklung einer rechnergestützten, label-freien Immunhistochemie auf Basis multimodaler optischer Bildgebung. Zum Einsatz kommen nicht-invasive Messverfahren wie kohärente Anti-Stokes-Raman-Streuung, Second-Harmonic-Generation und Zwei-Photonen-Fluoreszenz. Die so gewonnenen Bilddaten werden mithilfe tiefer neuronaler Netze, insbesondere Convolutional Neural Networks, analysiert, um immunhistochemische Färbungen rechnerisch zu approximieren.

Ein zentraler Schwerpunkt von STAIN-IT liegt auf der systematischen Analyse und Quantifizierung des nichtlinearen Verhaltens dieser Netzwerke. Durch geeignete Approximations- und Interpretationsmethoden sollen die Modelle über reine Black-Box-Ansätze hinausgehen und eine quantitative Beschreibung gewebeabhängiger Veränderungen ermöglichen.

STAIN-IT schafft damit erstmals die Grundlage für eine schnelle, markerfreie, nicht-invasive und arbeitsökonomische immunhistochemische Diagnostik, die perspektivisch in klinische Routinen integriert werden kann. Anwendungsbeispiele reichen von der intraoperativen Analyse des Proliferationsmarkers Ki-67 in Gefrierschnittuntersuchungen bis zur Nutzung von Kollagen IV als Qualitätsmarker in der Gewebezüchtung.