2025 Regeneron ISEF大奖-TMED转化医学科学获奖作品汇总-5

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

TMED068 - 克服前列腺癌的多西他赛耐药性

获得性耐药是癌症治疗中最大的障碍之一，会导致癌症复发和进展的风险增加。为了克服耐药性并改善治疗效果，联合治疗（即同时使用多种治疗药物）在目前的癌症治疗方案中得到广泛应用。本研究采用新型药物奥巴托克拉（Obatoclax，一种BCL-2（B细胞淋巴瘤2蛋白）抑制剂）联合25 nM多西他赛，以评估其对前列腺癌细胞凋亡通路的影响。首先，使用PC3紫杉醇耐药（TR）和DU145 TR前列腺癌细胞的细胞活力检测，确定了4 nM的奥巴托克拉治疗浓度。然后，使用奥巴托克拉（4 nM）和多西他赛（25 nM）联合治疗，通过蛋白质印迹和克隆形成实验检测细胞凋亡及其分子效应。结果表明，癌细胞克隆形成显著减少，PARP（聚ADP核糖聚合酶）浓度大幅降低，而C-PARP（裂解型PARP）浓度大幅升高。这些结果提示，该疗法对TR前列腺癌细胞具有强烈的凋亡作用，可能显著提高化疗疗效和改善患者预后。目前的研究包括利用Western Blot法评估其他凋亡指标，例如BCL-2、BAX（BCL-2相关X蛋白）和BCL-2 XL（BCL-2超大蛋白）。

TMED069 - 用于早期中风检测的泪液测试

中风是导致发病率和长期残疾的主要原因。及时准确的检测至关重要，因为缺血性中风 (IS)（由血栓阻塞脑循环引起）和出血性中风 (HS)（由血管破裂引起）所需的治疗方法截然不同。目前的诊断工具严重依赖于对身体症状的评估，而这些症状具有定性、主观性和不可靠性。作为金标准的院内神经影像学检查耗时长、成本高，且在院前环境中难以进行，常常导致治疗延误，超过有效治疗的4.5小时窗口期。为了满足这一尚未满足的需求，研究人员探索了泪液作为一种非侵入性、富含生物标志物的生物体液，用于中风检测。利用我最近开发的一种新型毛细血管内泪液蛋白质组学技术，对IS、HS和健康对照者 (HC) 的泪液样本（每组10例）进行了液相色谱串联质谱 (LC-MS/MS) 分析。 MaxQuant 和 Perseus 分析鉴定了 1,293 种蛋白质，其中 IS vs. HC、HS vs. HC 和 HS vs. IS 中分别有 55、89 和 48 种差异表达蛋白质 (DEP)。进一步研究 DEP 揭示了一个由白细胞介素 6 (IL6)、硫氧还蛋白 (TXN2) 和纤维蛋白原 (FIB) 组成的生物标志物组，在独立队列（每组 n=5）中实现了 90% 的准确度、90% 的灵敏度和 100% 的特异性。IS 和 HS 中 IL6 和 TXN2 均升高，而 FIB 可以区分 IS（升高）和 HS（降低）。基于这些发现，我开发了 QuanTear，这是一款一流的、基于纳米针的可穿戴隐形眼镜生物传感器，能够使用模拟纳米比色检测来量化 IL6、TXN2 和 FIB。 QuanTear 提供了一种价格实惠（<50 美元）、无创的院前中风检测和监测解决方案，可通过早期干预挽救生命。

TMED071T - 多模型人工智能口腔癌早期诊断系统

口腔癌每年影响全球超过 30 万人，死亡率约为 47%。早期诊断可显著提高生存率，最高可达 56%，但由于成本、可及性和现有诊断方法的准确性有限，只有不到 33% 的病例能够得到早期诊断。口腔癌的早期征兆是口腔内的异常病变，这可以通过口内图像捕捉到。这些图像价格实惠且易于获取，但背景噪音过大，导致诊断困难。\n\n为了解决这个问题，我们开发了 OralScan，这是一个四阶段、多模态计算机视觉流程，旨在改进口腔癌诊断。该流程基于超过 6,000 张口内图像的数据集进行训练，能够将口腔和可疑病变进行分割，F1 分数分别高达 97% 和 93%。在分类阶段，我们的模型会将患者年龄、性别和生活习惯等风险因素纳入最终诊断，并使用全连接层进行处理。该流程的多模态分类器能够以 91% 的 F1 值将病变识别为恶性或良性，并以 84% 的 F1 值进一步将癌症分类为早期或晚期。\n\n我们开发了一款跨平台移动应用程序，确保价格实惠且易于使用。为了提高模型准确性，我们设计了一个可 3D 打印的对准底盘，可连接到手机上，确保患者拍摄光线充足、构图正确的口内图像。通过整合多模态数据，我们的流程实现了前所未有的分割和分类准确性。OralScan 价格实惠，使其成为全球需要紧急口腔护理的人士可轻松获取的诊断工具。

TMED072 - 用于脑肿瘤诊断的优化机器学习模型

脑肿瘤每年影响数千人，仅在美国每年就确诊约95,000例原发性脑肿瘤病例。据估计，全球每年约有4000万患者受到诊断成像错误的影响，3%至5%的错误率导致795,000人死亡或永久性残疾。由于类内变异性高而类间相似性高，脑肿瘤分类仍然十分复杂。为了解决这个问题，本研究开发并比较了三种优化的深度学习架构——EfficientNet卷积神经网络（b5模型）、Vision Transformer（ViTs）（Swin Transformer模型）和混合Transformer——用于对来自4,479张MRI图像数据集的15种脑肿瘤类型进行分类。本研究对先前基线研究中的EfficientNet模型进行了优化和重新评估。引入ViTs是因为它能够对长程空间依赖性进行建模。此外，本研究还实现了混合Transformer，它将卷积特征提取与基于Transformer的全局注意力机制相结合。所有架构均采用优化框架进行增强，该框架融合了随机加权平均、MixUp/CutMix 数据增强、软目标交叉熵损失、学习率调度器（余弦退火）、梯度裁剪和 AdamW 优化。在基于 Transformer 的模型中，一个模型的验证准确率高达 99.00%，表明诊断错误率有望从 5% 降低至 0.05%。为确保临床应用性，本研究应用了可解释人工智能 (XAI) 方法来可视化肿瘤定位并模拟决策路径。此外，还对模型进行了推理时间和计算效率的优化，以最大限度地提高部署准备度。本研究提出了一种可解释的、最先进的基于 MRI 的脑肿瘤诊断模型，具有强大的临床应用潜力。

ISEF历年获奖作品集&解析&资料免费下载⬇️