Die klinische Proteomik befasst sich mit der Untersuchung von Krankheits- bildern auf Basis von Proteinanalysen. Die dabei am h$\ddot $aufigsten verwendete Messmethode ist die Massenspektrometrie. Dabei entstehen hochdimensionale Spektren, die eine problemangepasste Vorverarbeitung sowie Algorithmik f$\ddot $ur die Erzeugung von statistischen Modellen erfordern. Im Bereich klinischer Fragestellungen sollten die dabei eingesetzten Werkzeuge leicht interpretierbar sein, um ein tieferes Verst$\ddot $andnis der klinischen Daten oder Anwendungen, wie zum Beispiel der Suche nach Krankheitsmarkern, zu gestatten. Prototypen basierte Algorithmen erweisen sich dabei als besonders g$\ddot $unstig. In diesem Beitrag werden wesentliche Erweiterungen von prototypen basierten Verfahren skizziert, die den besonderen Herausforderungen der klinischen Proteomik Rechnung tragen. Die Verfahren werden um Metrikadaptation zur besseren Approximation der Klassengrenzen, Fuzzy-Klassifikation zur Modellierung unscharfer Klassen, sowie Konzepte des aktiven Lernens zur trennbreiten basierten Optimierung der Modelle erweitert und auf klinischen Datens$\ddot $atzen getestet.