2025 Regeneron ISEF大奖-TMED转化医学科学获奖作品汇总-2

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

TMED036 - 用于阿尔茨海默病的多模态人工智能注意力方法

阿尔茨海默病（AD）早期诊断仍然十分困难。目前的诊断方法常常会遗漏一些细微的早期症状，从而延误干预。本研究开发了一种新型的多模态深度学习（DL）框架，并结合人工智能注意力机制，旨在提高AD的早期检测率。该模型使用了来自阿尔茨海默病神经影像学计划（ADNI）的磁共振成像（MRI）、载脂蛋白E（APOE）生物标志物和临床数据。该多模态框架通过筛选数据并交叉引用关联性，模拟临床医生的最佳实践来检测AD。首先，该方法采用深度学习框架而非目前传统的机器学习（ML）方法来持续提取每种模态的特征。利用卷积神经网络（CNN）从MRI中提取空间特征。多层感知器方法处理遗传和临床数据集。然后，将自注意力机制和交叉注意力机制应用于这些特征集，以捕捉模态内和模态间的关系，从而增强模型识别AD相关细微模式的能力。该模型实现了97.9%的AD检测准确率，优于现有的缺乏注意力机制的多模态和单模态模型。统计分析发现，采用深度学习方法时，MRI脑结构完整性（BSI）指标和APOE基因型特征具有较高的预测统计Shapley值（排名前七），而传统机器学习方法的Shapley值则显著较低（排名后六）。这项研究表明，多模态方法在AD早期检测方面优于单模态方法，证明了注意力机制的有效性，并揭示了BSI指标和APOE基因型在AD检测中的重要性。

TMED042 - OncoNote：早期泛癌预后预测

癌症是全球第二大死因，影响着2000万人，每年造成超过970万人死亡。早期预测临床结果对于患者风险分层和治疗管理至关重要，然而，目前的癌症分期系统无法有效区分不同类型的癌症，一致性低至52%。因此，我的项目提出了OncoNote：首个低成本、非侵入式的计算框架，利用非结构化的自由文本临床叙述，在初诊时预测泛癌患者的生存率和复发率。首先，我训练了一个无监督的FastText模型，通过去除噪声、分割句子和合成临床术语，处理来自56339名患者的约230万份临床叙述。该模型通过学习来自686家机构的稳健且具有医学意义的词表示，生成了一个文档级嵌入数据集，并使用该数据集训练了一个Cox比例风险神经网络。该模型能够自适应地评估与预后相关的临床文本，并为每位患者预测风险评分。经过大量实验，其生存预测和复发预测模型在32种癌症类型中分别取得了0.72和0.77的显著一致性，超越了所有现有的临床技术。OncoNote为临床医生提供了首个可应用于任何电子健康记录的泛癌、基于文本的数字生物标志物，通过避免患者接受过度积极的治疗，从而改善临床疗效。最终，该平台将成为一个可扩展、经济实惠且全面的解决方案，使临床医生能够更早地制定稳健的靶向治疗方案，从源头上预防不良临床事件的发生，并挽救数百万人的生命。

TMED043 - 通过泪液检测神经退行性疾病

全球约有5500万人患有阿尔茨海默病等神经退行性疾病，预计每20年人数就会翻一番。标准的检测方法，例如脑脊液采集和神经影像学技术，通常需要专门的设施和痛苦的操作，这些操作成本高昂，使得许多人无法获得早期发现和治疗。本研究旨在通过开发一种比色侧流分析方法来检测泪液中的tau蛋白，以突破这些限制。tau蛋白与阿尔茨海默病等疾病的病理过程有关，是神经退行性疾病的关键生物标志物。为了识别这些蛋白质的存在，我们通过本体聚合而非抗体合成了分子印迹聚合物(MIP)。合成过程包括以1:4:20的实验比例进行精确的模板蛋白、功能单体和交联剂反应，然后进行紫外聚合和模板去除。随后，这些MIP被整合到硝酸纤维素膜中，制成横流试纸条，用于通过ImageJ分析的二辛可宁酸(BCA)比色反应检测纳摩尔范围内的蛋白质浓度。该方法克服了基于抗体的检测系统的局限性，提供了更高的稳定性和相当的特异性，使该检测方法可用作初步筛选技术。此外，该检测方法比淀粉样蛋白PET扫描的成本效益高96%，无需训练有素的技术人员或先进的设备，并且是非侵入性的，使其成为数百万农村和服务欠缺社区痴呆症患者的潜在实用替代方案。

TMED045 - 患者特异性推注装置制造

放射治疗是癌症治疗的基石，每年服务超过1000万新患者，需要精准的剂量输送。定制的组织样材料——覆盖于皮肤表面的剂量补偿器（bolus）——对于优化放射剂量至关重要。然而，传统的剂量补偿器制作方法常常会因空气间隙而导致高达30%的剂量输送误差，尤其是在复杂的解剖区域，这可能导致肿瘤复发和组织损伤。虽然3D打印等先进解决方案提供了替代方案，但其高昂的成本和漫长的生产周期限制了其广泛应用。本研究开发了一种新型的多阶段计算工具，用于将三维解剖结构展开为二维轮廓。首先，使用自编码器深度学习模型简化患者特异性的复杂三维网格。然后，快速行进法（Fast Marching Method）精确地将测地线距离映射到三维曲面上，并在变换过程中保持关键的固有距离。最后，使用谱网格展平算法（Spectral Mesh Flattening algorithm）将距离映射后的曲面变换为二维轮廓。该工具使用400多个基于几何图元生成的3D模型进行验证，以确保其数学精度，并进一步使用模拟放射治疗环境的医学模型进行测试。该工具能够为包括鼻子、耳朵和下巴在内的复杂解剖区域生成精确的2D轮廓。几何模型的DICE系数为0.89±0.06，实验室验证结果显示其解剖结构符合性良好，Hausdorff距离小于1.3毫米，最大限度地减少了导致剂量输送误差的空气间隙。与3D打印方法相比，该工具的制造时间缩短了80%，成本更低，能够快速、个性化且便捷地制造剂量补偿器，从而改善全球癌症患者的放射治疗效果。

ISEF历年获奖作品集&解析&资料免费下载⬇️