2025 Regeneron ISEF大奖-TMED转化医学科学获奖作品汇总-1

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-TMED转化医学科学2025获奖作品方便学习

TMED020 - ParkinAid：帕金森病人工智能诊断和康复

帕金森病（PD）是第二大常见神经退行性疾病。早期诊断和有效康复至关重要，但目前面对面的临床咨询和影像扫描方法耗时费力、费用昂贵且难以普及，现有的康复设备也往往无法适应患者的病情。为了克服这些局限性，我们提出了ParkinAid，这是一个集成了人工智能诊断和机器人辅助康复设备的系统，为帕金森病的诊断和康复提供了一个多模态平台。\nParkinAid利用机器学习模型，基于步态行为、手部震颤、言语模式和手部震颤传感器读数，评估总共18项帕金森病特征进行诊断。计算机视觉和自然语言处理模型用于特征提取，神经网络用于数据分析。ParkinAid基于统一帕金森病评定量表（UPDRS）标准预测帕金森病指数评分，并进行二元诊断。\n康复单元采用EPM结构构建，辅助手指运动训练，以改善僵硬和震颤症状。它集成了柔性传感器、压力传感器和加速度计，可提供关于运动功能的实时反馈。此外，康复单元利用传感器数据优化和个性化康复训练，并跟踪康复进展和效果。ParkinAid展现出高精度和高可靠性。其基于人工智能的诊断功能在晚期和早期患者数据集上均得到验证，平均准确率达到92%；康复模块在各种场景下进行了测试，能够有效辅助手部运动。ParkinAid为帕金森病患者的早期诊断和康复提供了一种经济实惠、方便易用且便携的解决方案。

TMED022 - 抑制多囊卵巢综合征中的5α-还原酶

多囊卵巢综合征（PCOS）是一种影响全球数百万女性的内分泌疾病。其特征包括月经不调、脱发、高雄激素血症、不孕、多毛症等。PCOS通常采用激素避孕药进行治疗，并根据患者的具体症状开具多种药物。本实验采用锯棕榈提取物（SPE）在体外抑制人毛囊真皮乳头细胞（HFDPC）中的5α-还原酶通路。5α-还原酶负责将过量的睾酮转化为二氢睾酮（DHT），而DHT正是引发PCOS常见临床症状的因素。我假设SPE能够降低HFDPC中DHT的生成，因为SPE作为5α-还原酶的抑制激动剂，可以阻止DHT与胞质雄激素受体的结合。实验组分别使用0.5 µL和1.0 µL的SPE以及内源性睾酮。收集对照组和实验组细胞培养基，培养两个不同时间。采用DHT ELISA法定量分析实验组和对照组培养基中的DHT含量，比较SPE处理组和非SPE处理组的DHT浓度。方差分析（ANOVA）结果表明，与非SPE对照组相比，SPE处理组细胞产生的DHT显著减少。Emax模型验证了SPE作为5α还原酶激动剂的药效学活性，并提示当细胞用1.0 µL SPE处理4小时时，SPE抑制DHT分泌的效果最佳。作为一项临床前研究，本研究证实了SPE在体外降低DHT生成方面具有良好的应用前景，有望成为治疗多囊卵巢综合征（PCOS）症状的临床药物。

TMED028 - 利用机器学习改善乳腺癌治疗

目的：接受新辅助治疗（NAT）的乳腺癌（BC）患者在手术前达到病理完全缓解（pCR）后，复发率较低。然而，pCR率仍然较低，在最近的I-SPY2临床试验中平均约为35%。本项目旨在应用机器学习方法，利用基因表达和临床数据预测pCR，从而提高总体pCR率。方法：下载了I-SPY2试验中接受10种不同药物新辅助治疗的乳腺癌患者的基因表达和临床数据。编写Python脚本来处理数据，并训练和测试支持向量机（SVM）模型，以预测每种药物的pCR。采用排列重要性法确定影响患者对新辅助治疗（NAT）反应的关键基因。\n结果：SVM模型预测pCR的准确率对所有10种药物均高于0.6，帕博利珠单抗（Pembro）和替莫唑胺（TDM1/P）的准确率分别为0.789和0.795。基于SVM预测的pCR率较临床试验提高了14%至32%。SVM模型识别出的影响帕博利珠单抗和替莫唑胺疗效的前5个基因均参与肿瘤发生或细胞生长调控。\n结论：利用基因表达和临床数据训练的SVM模型能够高精度地预测乳腺癌患者对NAT的pCR，可用于提高pCR率。这些模型有助于医生为乳腺癌患者制定个体化的NAT方案。

TMED035 - 利用人工智能驱动911计算机辅助调度

在美国，中风是第五大死因，也是导致残疾的主要原因之一。中风是一种需要争分夺秒的紧急情况，由急救医疗服务机构（EMS）处理——其中20%的机构处理了80%的服务呼叫（Krohmer & Elkins，2020）。不断增加的911呼叫量和过时的计算机辅助调度（CAD）系统进一步阻碍了响应效率。本研究旨在通过深度学习技术和梅尔频谱图分析，分析911呼叫中的语音，从而实现更快、更准确的中风预测，以降低因911 CAD延误导致的中风相关死亡率和康复费用。本研究使用TensorFlow和YAMNet迁移学习，设计并开发了基于Python的梅尔频谱图音频机器学习模型，在将呼叫分类为消防、警察、中风或非中风部门方面，准确率达到了53%，超过了目前美国人工操作员的中风预测准确率（37%），且训练数据有限。除了音频分类器之外，自然语言处理（NLP）程序还会记录911呼叫报告，并根据转录的关键词向接线员提出相关问题，供急救人员参考。本研究的持续努力旨在利用从一所顶尖医学院获得的更多与中风相关的急救呼叫数据集，提高急救呼叫中风识别的准确率。将该系统集成到现有的911计算机辅助调度系统（CAD）中，可以帮助接线员和调度员。该系统能够快速准确地识别中风病例，从而缩短响应时间，挽救无数生命并降低医疗成本。

ISEF历年获奖作品集&解析&资料免费下载⬇️