赛事动态 - 第 4 页 - Regeneron ISEF 国际科学与工程大奖赛

2025 Regeneron ISEF大奖-TMED转化医学科学获奖作品汇总-4

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

TMED062 - 甲状腺癌转移基因注释

甲状腺癌（TC）是全球最常见的内分泌恶性肿瘤之一，2022年新增病例达821,214例，是所有癌症中增长速度最快的。尽管其发病率很高，但现有的预后生物标志物在临床应用中仍不尽如人意，尤其是在早期识别高危患者方面。值得注意的是，约30%的细针穿刺活检甲状腺组织样本仍无法确诊或诊断明确。本研究旨在通过整合湿实验室和干实验室方法，鉴定与甲状腺癌预后不良相关的差异表达基因（DEGs）。我们分析了来自乳头状甲状腺癌（PTC）、滤泡状甲状腺癌（FTC）、低分化甲状腺癌（PDTC）和未分化甲状腺癌（ATC）实验性肺转移模型的四个RNA测序数据集，以筛选与远处转移（DM）相关的候选基因。随后，我们使用TCGA-THCA数据集通过生物信息学分析验证了这些候选基因。在所有数据集中，共鉴定出105个上调基因和25个下调基因。后续分析显示，有7个基因在13%的乳头状甲状腺癌（PTC）样本中过表达，且与较差的总生存期显著相关（p < 0.001）。这7个基因的特征被认为可作为一种新型预后生物标志物，用于远处转移（DM）的风险分层，并有望通过对肿瘤活检样本进行基因表达谱分析，将其整合到临床工作流程中，以识别高危患者，从而提高诊断的精确度，并实现更早、更有针对性的干预，最终改善生存预后。这最终可能减轻甲状腺癌的经济和医疗负担。

TMED063T - 新型多传感器肺健康分析仪

根据近期趋势，肺部疾病影响着全球超过5亿人，每年导致超过1000万人死亡。为了早期发现肺部疾病，本项目旨在设计并测试一种价格低廉、无创的设备，该设备能够利用新型多传感器和生物标志物分析技术，在疾病发展阶段进行检测。该设备结合了三种先进的气体传感技术：挥发性有机化合物（VOC）、氮氧化物（NOx）和流速（这些技术均已被研究证实与呼吸系统疾病相关），并连接到用于数据处理的树莓派。为了进一步节省空间和成本，我们为该设备定制了一块PCB电路板。所有组件都被安装在一个定制的3D打印外壳中。为了测试该设备，我们让两组患者（一组临床诊断为哮喘，另一组未被诊断）对着设备的吹嘴吹气。设备随后输出诊断结果，并与临床诊断结果进行比较。在测试阶段，该设备在18名患者的样本中对哮喘的检测准确率达到了100%。通过构建混淆矩阵，计算得出该设备的真阳性率和真阴性率均为100%，表明其准确率已达到最高水平。本研究表明，所研制的新型设备在肺部疾病检测方面具有极高的准确率，为现有检测方法提供了一种经济实惠的替代方案。该研究成果可通过大规模生产和分发至偏远及资源匮乏地区而推广至全球。

TMED064 - 猫爪草和肠道微生物群修复帕金森病

背景：帕金森病（PD）是一种神经退行性疾病，由α-突触核蛋白（AS）聚集导致的多巴胺能神经元退化引起。肠道菌群失调已被认为是导致AS聚集的可能机制之一。秀丽隐杆线虫（CE）是一种优秀的PD动物模型。转基因NL5901 CE的肌肉细胞中存在AS突变，导致AS聚集并损害线虫的运动能力。先前的实验表明，枯草芽孢杆菌（BS）和钩藤（UT）对CE NL5901具有抗AS聚集作用。假设：与未接受BS培养和UT治疗的对照组相比，接受BS培养和UT治疗的CE NL5901在运动能力改善和AS聚集减少方面将有更显著的效果。方法：将120条线虫（60条野生型和60条NL5901品系）分为12组，每组10条。这些组分别接受BS、EC、BS/EC联合处理，以及UT处理（暴露组与未暴露组）。分别于第0、1、3和6天测量线虫的运动能力。在处理后第6天测量AS聚集情况。结果：在第6天，与其它组相比，接受BS、UT或两者联合处理的CE NL5901品系线虫的运动能力更强，AS聚集水平更低。UT和BS联合处理组的抗AS聚集效果最佳。结论：BS和UT联合处理可增强CE NL5901品系线虫的运动能力并降低AS聚集水平。应用：这项研究增进了我们对 BS（恢复微生物群失调）和 UT 在 PD 动物模型中 AS 抗聚集作用的了解，这可能有助于寻找 PD 患者的神经保护药物。

TMED066T - 用于伤口愈合的草药纳米颗粒

慢性伤口是一个重要的健康问题，尤其是在老年人和糖尿病等患者中。若不及时治疗，慢性伤口可能导致感染、组织坏死甚至截肢。传统敷料仅提供物理保护，往往缺乏水分控制或抗菌等治疗功能。本研究提出了一种创新方法，将泰国传统草药与纳米技术相结合。研究人员在以组织再生能力著称的模式生物——日本杜氏木虱（Dugesia japonica）上测试了姜黄（Curcuma longa）、积雪草（Centella asiatica）和芦荟（Aloe barbadensis）的疗效。结果表明，姜黄，尤其是其活性成分姜黄素，由于其抗炎、抗氧化和抗菌特性，疗效最为显著。研究人员将姜黄素合成氧化锌纳米颗粒（Cur-ZnONPs），平均粒径为86.61 ± 6.03 nm，并以0.25–0.50 mg/mL的浓度进行应用，显著促进了组织再生。为了改善药物递送，纳米颗粒被包裹在壳聚糖-海藻酸盐水凝胶中，从而实现可控释放和稳定性。这种环保系统融合了古老的草药智慧和现代科学，为先进的伤口护理提供了一种可持续的解决方案。

ISEF历年获奖作品集&解析&资料免费下载⬇️

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

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⬇️

相关文章：

2025 Regeneron ISEF大奖-TMED转化医学科学获奖作品汇总-3

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

TMED050 - 胰腺手术助手

2024年，美国癌症协会（ACS）报告称，胰腺癌的死亡率高达78%。胰腺癌的5年生存率仅为13%。ACS指出，目前已知唯一有效的“治愈”胰腺癌的方法是手术。胰腺癌手术的并发症发生率约为40%（Ho, Choon-Kiat, NIH）。本研究旨在辅助术前规划和手术操作。为此，我们训练了U-Net模型，用于从CT扫描图像中分割胰腺、肝脏、肝血管及其各自的肿瘤，并将其集成到浏览器应用程序中。虚拟现实（VR）头显搭载了混合现实（MR）应用程序，该程序利用YOLO系统向外科医生提示胰腺附近的9个重要器官。每个分割任务训练了三个U-Net模型（共9个模型），并训练了三个YOLO系统。在胰腺分割任务中，nnU-Net模型的验证Dice系数最高，为0.9576。在肝血管识别任务中，nnU-Net 的系数最高，为 0.9641。在肝脏识别任务中，2D Attention U-Net 的系数最高，为 0.9823。在器官检测任务中，YOLOv8 模型的平均精度均值 (mAP) 最高，为 89%。随后进行了 1200 次试验，以验证所有模型在未见过的图像上的性能。性能最佳的三个 U-Net 模型被成功转化为一个浏览器应用程序，用户可以上传 CT 扫描图像，供模型分割相应的器官和肿瘤。此外，还使用 YOLOv8 成功开发了一个 MR 应用程序，可以实时检测胰腺手术中涉及的九个主要器官。该应用程序经当地外科医生评估其实用性后，外科医生表示它可以将并发症发生率降低 10% 至 30%。

TMED051——新型小分子c-MYC抑制剂，用于癌症治疗

癌症仍然是全球最严峻的健康挑战之一，其中c-MYC原癌基因与超过50%的癌症病例相关，尤其是在实体瘤中。c-MYC失调会促进肿瘤生长并抑制免疫反应，使其成为癌症治疗的关键靶点。本研究探索了旨在通过靶向c-MYC的内部核糖体进入位点（IRES）来抑制c-MYC mRNA翻译的小分子疗法，IRES促进非依赖帽结构的翻译。这种此前未被探索的方法能够选择性地阻断依赖c-MYC失调生长的癌细胞中的c-MYC翻译，同时不影响同样依赖c-MYC的正常细胞。研究人员利用高通量筛选方法，构建了一个全功能片段（FFF）文库，以鉴定具有特定结合特性的片段。该文库是使用PocketVec构建的，PocketVec是一款药物设计软件，能够识别RNA结合口袋并选择靶向这些口袋的片段。将含有重氮丙烯和炔基的化合物与c-MYC mRNA孵育，并利用紫外光激活重氮丙烯交联以实现选择性结合。随后通过点击化学连接TAMRA荧光团，从而实现对结合相互作用的荧光检测。采用琼脂糖凝胶电泳和生物成像评估结合强度。结果支持了特定功能基团增强结合亲和力的假设，剂量反应分析鉴定出几个潜在的活性化合物。这些发现表明，小分子可以通过IRES干扰c-MYC的表达，为抑制肿瘤生长和克服传统蛋白质靶向疗法的局限性提供了一种新的策略。未来的研究将着重于优化这些化合物并评估其在生物系统中的疗效。

TMED055——用于类风湿性关节炎治疗的CRAC通道抑制剂

类风湿性关节炎 (RA) 是一种自身免疫性关节病，全球有超过 1800 万人受其影响，导致剧烈的关节疼痛和肿胀。目前的治疗方法（例如甲氨蝶呤、阿达木单抗）伴有严重的副作用，包括肝毒性和骨坏死。为了探索替代治疗方案，我们进行了一项文献综述，结果表明钙释放激活钙 (CRAC) 通道亚基 ORAI1 的失调在 RA 的发病中起着关键作用。在 RA 中，CRAC 通道的过度激活导致过量的钙离子流入 T 细胞，从而触发促炎信号通路。具体而言，ORAI1 的 E106（谷氨酸）氨基酸残基对于 CRAC 通道的钙离子选择性至关重要。植物次生代谢产物因其与蛋白质靶点的协同进化以及良好的生物相容性而备受关注，有望成为毒性更低的治疗候选药物。本研究旨在利用计算方法筛选对E106位点具有高亲和力且脱靶效应最小的植物代谢物。首先，利用同源建模构建了ORAI1亚基及其活性位点。随后，结合新型人工智能模型NeoScreen和Schrödinger GLIDE软件，进行了虚拟筛选和分子对接。化合物的评估指标包括药代动力学（如Lipinski规则、极化率）、毒性（如细胞毒性、致突变性）以及整体结合亲和力。先导化合物1-去没食子酰白花青素（单宁衍生的代谢物）表现出最高的亲和力和良好的毒性。后续步骤包括对先导化合物进行优化和非临床试验。靶向E106残基的药物研发有望为类风湿性关节炎（RA）及其他多种涉及CRAC通道功能障碍的自身免疫性疾病提供一种更安全的治疗策略。

TMED061 - 用于糖尿病性黄斑水肿的FDM 3D打印PCL-地塞米松植入物

糖尿病性黄斑水肿 (DME) 是导致视力障碍的主要原因之一，影响高达 30% 的糖尿病患者。它是由血管渗漏引起的视网膜液体积聚所致，通常采用持续释放皮质类固醇进行治疗。虽然 Ozurdex 可生物降解的地塞米松植入剂能够提供缓释作用，但通常需要重复注射，这增加了并发症的风险和高昂的费用。本研究旨在利用熔融沉积成型 (FDM) 3D 打印 (3DP) 技术制造基于聚己内酯 (PCL) 的可生物降解地塞米松植入剂，作为一种经济有效的替代方案，减少重复注射的需求。圆柱形植入剂在 Tinkercad 中设计，导出为 STL 文件，并使用 FDM 打印机进行打印。药物的掺入是通过将 PCL 长丝（因其良好的生物相容性和缓慢降解性而被选中）浸泡在过饱和的地塞米松-乙醇溶液中，然后进行控制干燥来实现的。采用电子卡尺测量尺寸精度，并使用扫描电子显微镜 (SEM) 分析表面形貌。将植入物浸入 37°C 的 PBS 缓冲液中，使用紫外-可见分光光度计在 243 nm 处测量吸光度，以评估体外药物释放。通过校准曲线将吸光度与药物浓度关联起来。结果表明，该植入物制造精度高，尺寸偏差小于 2.5%，SEM 图像证实其表面光滑，表明挤出均匀。体外药物释放测试表明存在初始药物释放阶段，并提示通过进一步优化可实现延长药物释放。成本分析表明，与传统植入物相比，该植入物具有显著的经济优势。本研究证实，采用熔融沉积成型 (FDM) 3D 打印技术制备的 PCL-地塞米松植入物是一种可扩展、经济高效的方法，有望为糖尿病性黄斑水肿 (DME) 的治疗提供一种更安全的替代方案。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：

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

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⬇️

相关文章：

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

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⬇️

相关文章：

2025 Regeneron ISEF大奖-TECA科技艺术获奖作品汇总

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-TECA科技艺术2025获奖作品方便学习

TECA006 - SmartStrings：人工智能驱动的小提琴教学系统

演奏小提琴可以提升认知功能、创造力和大脑发育。然而，由于费用高昂且资源有限，尤其是在服务欠缺的地区，获得私人课程的机会十分有限。虽然存在一些在线工具，但往往缺乏个性化反馈和实时姿势纠正，导致练习习惯不良和技术缺陷。为了应对这些挑战，我开发了一款新颖的低成本小提琴学习网络应用程序。该程序能够分析演奏，将音乐分解为波形和关键音乐元素，并根据精心设计的评分标准进行评估，从而提供个性化反馈。我还构建了一个3D地标追踪系统，用于即时评估姿势，并提供视觉和触觉反馈。首先，我设计了一个混合深度神经网络，该网络基于数千个经过清理的自录小提琴音频数据文件进行训练，并利用波形处理技术进行增强，同时通过图形分析、零填充和独热编码进行丰富。我应用短时傅里叶变换进行数学建模，通过梅尔频谱图提取音频特征，在歌曲和音符预测方面分别达到了99%和87%的准确率。接下来，我将声音分解为音高、力度、节奏、音色和时间特征等音乐元素。我使用色谱图、波形图、动态时间规整、欧氏距离、余弦相似度和代价矩阵进行比较分析。姿势纠正、练习建议和LLM总结的技术评估结果将通过电子邮件发送。最后，我将Arduino UNO与训练准确率达99%的分类模型相结合，以提升系统性能，从而实现精准的触觉纠正。该系统通过个性化练习计划、反馈和姿势纠正，弥合了可及性和课程质量之间的差距。

TECA012 - BrainSync：重建视觉感知

全球数千万人，包括闭锁综合征、晚期肌萎缩侧索硬化症（ALS）和昏迷患者，因运动麻痹而无法交流。BrainSync 引入了一种新型多模态方法，将大规模 7 特斯拉功能磁共振成像 (fMRI) 信号与高密度脑电图 (EEG) 数据相结合，利用包含 46,080 个高密度 64 通道记录的专有 EEG 数据集以及同步 fMRI 采集数据，为人类或艺术家重建自然视觉刺激。该系统采用先进的生成模型来解码纹状皮层 (V1) 和纹前皮层 (V2) 的神经活动模式。定制的扩散先验架构结合基于 CLIP 的潜在空间映射，实现了 0.682 PixCorr、0.778 SSIM 和 0.687 的动态时间相关性 (DTC) 分数重建保真度，比以往方法提高了 183.7%。其双流流程通过Transformer架构将实时脑电图（EEG，512 Hz）与高空间分辨率功能磁共振成像（fMRI，0.8mm³体素）融合，实现精确的神经对齐，同时将运营成本降低330倍（从使用EEG的100万美元降至3000美元）。BrainSync能够实时可视化内部生成的图像，将思想或视觉转化为动态艺术。通过捕捉复杂的认知过程和不同层次的意识，该系统使艺术家能够记录人类体验的流动性。双向跨模态注意力机制和对抗训练技术将现实世界表达的准确率提高了267%，使BrainSync成为一种变革性的工具，它融合了神经科学和艺术表达，重新定义了艺术构思和交流。这一突破标志着技术领域的一个关键时刻：艺术融合、医疗应用以及拓展未来探索的创造潜力。

TECA016T - eiBraille：基于人工智能的系统化触觉读写

盲文读写能力不足仍然是视障人士实现平等的一大障碍。在全球范围内，超过70%的视障人士面临就业歧视——这并非因为他们的残疾，而是因为系统性障碍限制了他们接受盲文教育的机会。教师严重短缺（仅有10%的教师可用）、教学媒体陈旧以及高昂的费用（6000美元以上）使得盲文教育难以普及。因此，全球只有不到7%的盲童入学，而能够掌握盲文读写能力的盲童更是不足10%。eiBraille推出了一款低成本的盲文显示器和人工智能学习平台，旨在弥合全球读写能力差距。第一阶段运用STEAM（科学、技术、工程、艺术和数学）原则，专注于开发一款采用专利可伸缩针机构的盲文显示器，在保持5万次循环100%触发率的同时，将生产成本降低了40倍以上，降至100美元。该系统结合了物联网集成的盲文解码算法，通过随机数据集验证，实现了96%的实时传输准确率。在第二阶段，我们增强了基于经过微调且与课程相符的LLaMA 3.1模型的AI驱动的虚拟盲文教师。在针对视障学习者的试验中，该系统实现了比传统方法快9倍的自主学习速度，将盲文掌握时间从3年缩短至6个月。一个充满活力的平台赋能家长和教师，支持孩子的进步，将每一个里程碑都转化为成长的庆祝时刻。通过在泰国开展推广和支持俱乐部活动，eiBraille扩大了STEAM（科学、技术、工程、艺术和数学）和创意学习的普及范围。eiBraille通过降低40倍的成本、提高9倍的学习速度以及增强人工智能，正在变革盲文读写能力——使所有语言的视障人士都能使用辅助技术，从而改变全球各地人们的生活，并推动构建一个包容、零歧视的社会。

TECA018 - 实时聚焦式手语翻译系统

手语是聋哑人士和听力障碍人士的主要沟通方式，但对于非手语人士来说，他们要么缺乏掌握手语的实际经验，要么对学习手语感到文化上的自满，因为手语在生活中的应用有限。这给聋哑人士带来了挑战，迫使他们依赖工具并做出牺牲来适应普通人群。随着远程办公的兴起以及人工智能在教育和各个领域的日益普及，我们可以利用技术进步，特别是计算机视觉领域的进步，为聋哑人士消除沟通障碍。为了实现实际应用，系统必须能够实时运行且无明显延迟。本项目旨在构建一个实时、可扩展的美国手语 (ASL) 识别系统，该系统能够以超过 30 FPS 的速度识别和翻译大词汇量手语单词和句子级别的手语。该系统集成了 MediaPipe 的手势关键点追踪技术、混合静态-动态融合方法以及 MobileViT 等轻量级 Transformer 架构，利用多尺度注意力机制计算静态空间特征和时间动态特征，从而确保高精度和低延迟。该系统的主要功能包括手语到文本/语音的转换、手动（手势）和非手动（面部表情、身体姿势）标记的多模态融合，以及通过文本显示或语音合成提供的实时反馈。这些功能弥合了手语使用者和非手语使用者之间的差距，不仅增强了聋人和听力障碍群体的可及性和包容性，也为未来辅助技术融入日常交流奠定了基础。

TECA020 - VerifyMe

OpenAI 的 ChatGPT 模糊了人类与 AI 撰写的文本之间的界限，对学术界验证作者身份的能力提出了挑战。现有的 AI 检测系统无法识别改写的内容或模仿的写作风格，并且会错误地对人类作品进行分类。随着我们不断优化以达到拟人化写作的效果，检测生成的文本已变得越来越遥不可及。\n\n我假设，专注于验证个人作者身份的文体计量学方法会更有效。这项研究经历了两次迭代：BTYSTE 的初始版本（2024 年 1 月）和 EUCYS 的增强系统（2024 年 9 月）。\n\nVerifyMe 分析的是写作风格，而不是“检测 AI”。该系统通过测量作者写作的 112 个不同方面来捕捉作者独特的“风格指纹”，从而创建一个简洁的风格数字表示。当提交新的文本时，VerifyMe 会创建相同的风格指纹，并使用基于 Transformer 编码器的 Siamese 神经网络将其与给定作者的个人资料进行比较。该系统基于 BAWE 和经过筛选的古腾堡计划样本（共计 2,034 位作者）的联合语料库进行训练。\n\n在对未见过的作者进行测试时，VerifyMe 在 BAWE 和古腾堡计划样本之间的人机验证中分别达到了 85% 和 92% 的准确率。在 GPT-4o 的模仿尝试中，传统检测器的准确率仅为 0-2%，而 VerifyMe 则保持了 96% 的准确率。该系统的性能比商用 AI 检测器高出 1.89 倍至 17.84 倍。BAWE 样本的马修斯相关系数达到 0.776，古腾堡样本的马修斯相关系数达到 0.829，ROC 曲线下面积分别为 0.956 和 0.972。这些结果表明，在后 ChatGPT 时代，专注于验证作者而非检测 AI，可以为作者身份验证提供更可靠的解决方案。

TECA021T - 基于深度学习的唐卡泰图生成

现代科技的应用对于保护和振兴侗族民歌（Don ca tai tu）至关重要。侗族民歌是联合国教科文组织认定的人类非物质文化遗产，其影响力正日益被当代音乐流派的兴起所掩盖。然而，目前的努力主要局限于有限的受众，而年轻一代对这种传统艺术形式大多缺乏兴趣。为了应对这一挑战，我们开发了一个用于自动音乐生成的深度学习框架，使用户能够使用自然语言提示创作融入侗族民歌风格精髓的音乐作品。我们精心策划了一个专门的数据集，收集了来自多个在线来源、经验丰富的音乐家和文化专家的录音。这些数据经过精心筛选和处理，以确保训练集的纯净和高质量。此外，我们还推出了DcttGen，这是一个统一的框架，可以根据文本输入生成高保真、长篇的乐曲。它通过以下方式实现这一目标：(1) 使用音乐标记器从原始音频波形中高效提取基本音乐特征，(2) 使用自回归变换器保持所生成音乐的长期结构一致性，以及 (3) 使用整流流变换器从低采样率表示合成高保真音频输出。此外，我们重新设计了针对 Don ca tai tu 音乐的 Chain-of-Thought 提示技术，增强了所得作品的连贯性和创造性。通过这种组合，与其他基线相比，DcttGen 可以创作出高质量、结构良好的音乐作品。实验结果表明，DcttGen 在各种客观指标上都赶上甚至超过了最近的方法。通过这项工作，我们引入了一种新颖的人工智能驱动方法来保护和振兴 Don ca tai tu。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：

2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-4

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-SOFT系统软件2025获奖作品方便学习

SOFT047 - 灰斑病深度学习检测系统

由玉米尾孢菌（Cercospora zeae-maydis）和玉米尾孢菌（Cercospora zeina）引起的灰叶斑病（GLS）对玉米生产构成重大挑战，每年造成数十亿美元的经济损失。传统的灰叶斑病严重程度评估方法存在诸多局限性，例如劳动密集、主观性强以及经常出现误差。本研究探索了深度学习在灰叶斑病严重程度自动化评估中的应用，重点比较了基于YOLOv8计算机视觉模型和U-Net卷积神经网络（CNN）的多模型检测框架与人类专家在准确性和一致性方面的性能。首先利用YOLOv8模型提取叶片区域和病害类型，然后利用U-Net CNN模型分割灰叶斑病病斑并计算严重程度百分比。模型训练使用了PlantVillage和Corn Disease & Severity数据集，这些数据集包含感染各种病害的玉米叶片。模型生成的GLS严重程度评估结果显示出很强的相关性，并且一致性甚至高于专家的人工评估，这使其成为一种可靠的自动化病害评估工具。第三个LLM模型被整合用于田间应用，该模型基于前两个模型的数据，并结合来自多个叶片和植株的综合病害评分，提供量身定制的管理策略。索引和时间序列算法可用于预测产量影响。未来的研究将着重于将机器学习方法与田间和温室应用相结合，并探索其在其他植物病害中的应用。

SOFT049 - 新型基于 RL 的噪声自适应 QC 优化

由于现代量子硬件固有的噪声和易出错特性，优化量子电路（QC）布局是量子计算领域的一项根本性挑战。现代工业优化工具通常忽略器件的校准波动，导致次优解和执行过程中错误率的增加。为了解决这个问题，本项目提出了首个基于强化学习（RL）的算法，该算法能够适应量子器件的校准偏移和硬件约束。该算法在一个基于在线学习的环境中进行训练，该环境使用基于真实校准数据（例如“ibm_torino”）构建的自定义噪声，持续更新量子比特错误率、相干时间和连接性约束，并在每个时间步动态更新这些噪声。利用自定义奖励函数，该算法能够优化量子电路，使其满足相干性和连接性约束，降低电路的整体深度，并保持较高的状态保真度。利用蒙特卡罗验证，所开发的算法在优化质量控制电路时，实现了深度降低 49.34% (p = 0.0004) 和保真度提升 50.30% (p = 0.0021)。与标准优化工具（Qiskit Optimizer Level 3、PassManager、Tket、PyZX）进行基准测试时，该算法在随机电路上的性能平均比每种工具高出 79.03% (p < 0.0001，样本量 = 30)。本项目成功实现了：1) 一种新型的质量控制优化工具，该工具能够考虑校准偏移，并且比现有算法的成本效益高 125-300 倍；2) 一个基于在线学习的、用于未来算法开发的真实环境。本项目最终发现并解决了该领域专家忽略的一个问题，取得了突破性成果，并朝着更具容错性的计算方法迈进了一步。

SOFT052T - 共同手语

患有肌萎缩侧索硬化症 (ALS) 或瘫痪等疾病的人士，由于言语和行动受限，在沟通方面常常面临巨大障碍。这些挑战亟需创新解决方案，以帮助他们恢复与他人有效互动的能力。本项目提出了一种名为“CO-sign Language”（协同手语）的革命性沟通系统，旨在帮助言语和行动受限或完全丧失能力的人士。该系统完全基于眼动模式开发了一种全新的语言，并训练了一个人工智能模型，能够实时将这些模式转换为语音。为了防止误判，提高准确性，我们还创建了第二个模型，该模型能够区分有意和无意的眼动。此外，系统还添加了自动完成和自动纠错等功能，以实现更快捷的沟通，预测用户即将输入的内容，并在用户眼动时提供完整的单词建议。目前，我们正在开发第三个模型，用于根据上下文构建完整的句子。为了方便用户使用，我们构建了一个可穿戴原型，其外形类似智能眼镜，内置摄像头、树莓派开发板和扬声器，并配备了增强现实显示功能。我们对15名聋人、15名听力正常人士和1名晚期肌萎缩侧索硬化症（ALS）患者进行了CO-sign Language测试，以评估其每分钟字数（WPM）、实际使用准确率和用户体验。该系统达到了每分钟20个字的字数，准确率高达98.8%。此外，用户对该系统表示满意，认为其易于使用。CO-sign Language是辅助技术的一大进步，它仅通过视觉就能为人们提供表达能力。

SOFT057 - 使用新颖的 C^2-LSTM 架构的 HM-Detect

心脏杂音是由湍流血流产生的异常声音信号，与特定的心脏结构性疾病密切相关。目前的杂音分析方法仅关注杂音的检测，而忽略了杂音特征（例如时间）对于心脏疾病诊断的重要性。为了应对这一挑战，我开发了HM-Detect，这是一种全新的方法，它不仅能够检测心脏杂音，还能通过信号处理和机器学习技术准确地表征其特征（时间、位置等）。该方法融合了多项关键创新。首先，它使用一组新的组合声音特征——滤波器组能量和频谱子带质心——来分析心音。这些特征及其统计矩被用作构建机器学习模型的输入，该模型能够捕捉心音的时变特性。受基频心音和杂音中多种频率模式的启发，我们开发了一种突破性的“多模态”长短期记忆（C²-LSTM）神经网络架构，用于检测和分类杂音特征。最后，C²-LSTM 使用两个记忆通道，有效抑制了不同频率模式信号中出现的不必要的相互依赖性。HM-Detect 方法在临床验证的 CirCor DigiScope 数据集上进行了验证，性能准确率达到约 90%，F1 分数为 0.91，测试准确率为 87%。此外，C²-LSTM 架构已被推广到具有 n 个记忆通道，并相应地称为 Cⁿ-LSTM。Cⁿ-LSTM 为处理任意数量独立频率模式的信号奠定了基础框架。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：

2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-3

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-SOFT系统软件2025获奖作品方便学习

SOFT039 - EnAct：AI引导，视障人士触及

对于视障人士而言，独立生活需要他们完成日常的取物任务，例如抓取苹果食用。然而，由于缺乏精确的空间感知能力，即使是简单的伸手取物动作也可能导致物品意外倾倒、弄脏环境，甚至造成安全隐患。尽管现有的辅助技术能够描述场景，但在指导实际操作方面往往信息不足，因此大多数视障人士仍然需要依赖他人的帮助来完成这些任务，从而限制了他们的独立性。本项目基于多智能体视觉语言模型（VLM）开发了一种安全感知型可操作引导系统。该系统在VLM的基础上增加了3D动作智能，能够提供实时动作引导/纠正，从而有效地指导视障人士完成取物任务。在运动前的高级路径规划方面，多智能体VLM架构使各个智能体能够分别执行用户查询推理、空间推理、安全评估和路径规划。该系统利用YOLO8-World和Depth Pro，实现动态低级动作引导，实时进行3D触及状态检测、碰撞规避和方向引导，直至用户到达目标。这项研究弥合了基于视觉线性模型（VLM）的通用场景描述和3D空间动作智能方面的知识鸿沟。它使视障用户能够按照系统提供的可执行引导与环境互动，从而完成烹饪、清洁等活动，以现有辅助技术无法企及的方式提高视障人士的独立性和生活质量。

SOFT040 - DISTRACT：用于更安全驾驶的实时视觉模型

分心驾驶已成为日益严重的公共安全危机，其在交通事故和死亡人数中所占比例持续上升。尽管分心驾驶分类（DDC）系统取得了进展，但现有方法仍局限于检测分心状态，而无法对驾驶员的注意力随时间的变化进行建模或量化，这是阻碍自适应安全系统发展的关键限制。为此，本研究提出了DISTRACT模型。该综合模型结合了先进的计算机视觉技术和人类注意力动态，能够实时量化驾驶员的注意力。DISTRACT模型包含三个关键组件。首先，它采用混合卷积神经网络（CNN）-视觉变换器（ViT）图像分类模型，能够以极高的准确率对九种不同的驾驶员状态进行分类，F1分数高达95.51%。其次，这些分类结果被转换为概率，并使用简单移动平均（SMA）进行平滑处理，以识别正常驾驶和分心驾驶之间的转换。时间序列分析表明，该模型在估计分心持续时间方面的平均误差仅为10.78%。最后，严重性量化函数将分心持续时间转化为 0-1 的严重性评分。该函数源自经验碰撞风险数据，反映了分心时间越长，碰撞风险呈指数级增长的趋势。将 DISTRACT 模型的严重性评分集成到高级驾驶辅助系统 (ADAS) 中，可使车辆安全系统主动适应驾驶员的注意力水平，而非被动应对紧急情况，这标志着智能驾驶员监控领域的新范式。通过将 DISTRACT 模型从概念转化为现实，我们可以开创智能自适应车辆安全系统，从而挽救无数生命。

SOFT044T - HandNBrain：认知提升游戏

认知能力下降和精细运动技能衰退是衰老过程中常见的现象，会导致生活质量下降和痴呆风险增加。本研究介绍了一款名为 HandNBrain 的交互式手势识别游戏，旨在刺激老年人的认知和精细运动功能。与通常只关注单一领域的传统干预措施不同，HandNBrain 整合了实时虚拟物体操作任务，能够激活与记忆、注意力、感知和运动协调相关的多个脑区。该系统包含三款游戏——“寻找苹果”、“蜜蜂还是蚊子”和“跳跃大师”——每款游戏都针对不同的认知领域，例如问题解决、感知处理和注意力，同时需要精确的手部动作。评估方法包括专家访谈、系统延迟测试和用户直接试用。专家指出该系统符合认知康复原则，并强调了其在提升注意力、记忆力和反应速度方面的潜力。延迟测试证实了该平台的响应速度，确保了流畅的用户交互体验。未来的工作将着重于通过移动平台进行更广泛的部署，并整合全身交互功能，以提高系统的可及性和预防痴呆的有效性。这些发现凸显了游戏化干预在早期痴呆症预防策略中的潜力。

SOFT046 - AssemblyComplete：带 RL 的组合构造

机器人和自主系统领域的一个关键目标是教会机器人适应现实世界的协作任务，尤其是在自动装配方面。机器人理解未完成装配的原始意图并在无需人工指导的情况下补全缺失部分的能力非常宝贵，但也极具挑战性。本文介绍了一种三维组合装配补全方法，并使用组合单元原语（例如乐高积木）进行了演示。组合装配的挑战性在于其可能的组合方式以及复杂的物理约束（例如，避免积木碰撞、结构稳定性、库存限制等）。为了应对这些挑战，我们提出了一种两部分组成的深度强化学习（DRL）框架，该框架旨在教会机器人理解未完成装配的目标，并学习一种用于完成装配的构建策略。机器人通过查询一个稳定的对象库来辅助装配推理并指导学习。除了机器人策略之外，我们还开发了一个动作掩码，用于排除违反面向对象构建物理约束的无效动作。我们通过多种装配场景验证了所提出的框架的可行性和鲁棒性，在这些场景中，机器人能够满足实际装配的要求，无论是在解决方案质量还是运行时间方面。此外，结果表明，所提出的框架能够有效地推断和组装未见过和独特的物体类型的不完整结构。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：

2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-2

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-SOFT系统软件2025获奖作品方便学习

SOFT021T - LiDRNet：轻量级惯性导航

由于全球导航卫星系统 (GNSS) 信号在建筑物内的穿透性差，精确的室内定位仍然是一项重大挑战，这使得传统的基于 GNSS 的方法无效。替代方案通常存在局限性，阻碍了它们在受限平台上的实用性。我们提出了一种轻量级且强大的行人航位推算 (PDR) 深度学习方法，称为 LiDRNet。\n\n我们的方法利用中性常微分方程 (Neural ODE) 技术，并将其应用于现有的 ResNet 和 LSTM 架构。然后，我们在航向无关坐标系下进行操作，并对速度损失应用反向传播，以提高模型的有效性。最后，我们使用 Neural-ODE 主干网络根据原始惯性测量单元 (IMU) 数据预测运动轨迹，从而显著减少参数数量。\n\n将 LiDRNet 与 SOTA 深度学习方法进行基准测试，结果表明 LiDRNet 在性能方面有显著提升，在达到相当精度的同时，参数数量减少了 7 倍。我们的研究结果还表明，LiDRNet 的平均轨迹误差 (ATE) 在实际应用中处于可接受范围内，每行驶 250 米的平均误差小于 4 米。\n\nLiDRNet 非常适合部署在资源受限的边缘设备（例如智能手机或物联网平台）上，以实现准确、稳健且实时的航位推算。无需外部基础设施或大量计算资源即可实现精确的室内定位，这使得我们的方法能够显著增强导航性能，从而有可能改善室内环境（例如洞穴系统或茂密森林）中的导航辅助、资产追踪和应急响应。

SOFT031T - 利用可解释人工智能进行野火预测

最近发生的事件再次证明了山火问题的严重性和紧迫性。在我们的山火预测方法中，我们并非专注于单一模型，而是将研究方向拓展到不同的机器学习子领域：深度学习和集成学习。我们使用从美国宇航局 (NASA) 公共网站获取的数据集来训练模型。我们进行了变量缩放和目标变换等必要的预处理步骤。之后，我们构建了配对图、散点图和相关矩阵，以理解变量之间的潜在关系。之后，我们将数据拆分为测试集和训练集。我们使用了两种不同类型的模型：随机森林回归器和 TabNet 回归器。在将数据拟合到模型之前，我们进行了超参数调优。对于随机森林，我们采用了 5 折网格搜索交叉验证 (CV)。对于 TabNet，我们采用了不同的方法。首先将数据重塑为可以输入到 TabNet 的格式。然后，我们不再使用网格搜索交叉验证，而是使用 5 折 K 折交叉验证 (CV)。完成交叉检验 (CV) 后，将数据集拟合到两个调整后的模型中。对于每个模型，较低的 MSE 和 MAE 值证明了它们在预测 FRP 方面的精度和准确度。两种情况下的 r^2 得分均大于 60，证实了预测值与实际 FRP 值之间的关系，这再次验证了我们模型的有效性。然而，需要指出的是，TabNet 的结果更好，误差更低，r^2 值更高。对这两个模型进行了 SHAP 分析，结果显示对这两个模型影响最大的参数都是“亮度”和“bright_t31”，但第三大差异是：TabNet 的“纬度”和随机森林的“置信度”。

SOFT033 - 基于柯尔莫哥洛夫复杂度的隐写恶意软件检测

基于 PDF 的隐写恶意软件是一种日益严重的网络安全威胁，它将恶意代码隐藏在 PDF 文档的树状结构中，利用嵌入式 JavaScript、元数据和操作等特性，同时保持文件外观的合法性。由于干净文档和受感染文档之间存在外部相似性，传统的检测方法（包括启发式检测和基于特征码的检测）无法识别隐写恶意软件。\n\n本项目提出了一种利用柯尔莫哥洛夫复杂度检测基于 PDF 的隐写恶意软件的新方法。柯尔莫哥洛夫复杂度衡量描述一个对象所需的最短程序长度，它对于区分良性 JavaScript（频繁重复）和恶意 JavaScript（随机性更强、更集中）非常有用。\n\n然而，由于停机问题，柯尔莫哥洛夫复杂度无法直接计算。本项目通过压缩对象并将其与解压缩脚本连接形成自解压归档文件来间接计算柯尔莫哥洛夫复杂度，该代码的总大小作为其柯尔莫哥洛夫复杂度的上限。通过计算 PDF 内部树状结构中关键组件的复杂度，并将其与已知干净文档的基线进行比较，即可通过检测与预期值的偏差来识别恶意修改。\n\n初步测试中，对整个 PDF 进行整体分析时，真阳性率达到 100%，但假阳性率高达 86.2%。改进分析方法，转而分析特定的 PDF 组件（例如 JavaScript 或打开操作），有助于将重点转移到可疑更改上，并忽略文件大小或文本内容等良性变化，从而将真阳性率提高到 97.8%，假阳性率降低到 3.7%。

SOFT038 - 用于客观击剑裁判的计算机视觉

佩剑是一项瞬息万变的运动，60%的得分中，双方击剑运动员的击中时间仅相隔几毫秒。在这种情况下，得分的判定完全取决于裁判根据“优先权”规则的判断。然而，如此快速而复杂的攻防转换使得精准判罚异常困难，引入了固有的主观性和认知偏差，最终影响了这项运动的真实性。为了解决这个问题，我们开发了一套计算机视觉系统，该系统利用自动取景摄像头分析高速视频，判断哪位运动员先伸出手臂——这是判断优先权的关键因素。该系统采用YOLOv8-Pose模型，追踪肩部和肘部的位置，自动识别击剑运动员在初始敬礼动作中的手臂。它计算肘部和肩部的角度，并对其进行动态分析，以检测符合国际击剑联合会（FIE）规定的完全伸展动作，同时记录每次检测的时间戳并确定优先权。系统输出的信息包括交互式慢动作回放、角度/伸展信息以及判罚结果。先进的滤波技术能够有效降低噪音，例如观众的干扰；同时，误报率降低机制确保分析中仅考虑有意发起的进攻动作，而非准备动作或防守动作。该系统在100个击剑得分点上进行了现场测试，在识别首次进攻动作方面达到了90%的准确率，比专业裁判在同一数据集上的判罚准确率高出15%。这项研究证明了计算机辅助裁判在动态运动中的可行性，为更加一致、数据驱动和公平的决策铺平了道路，并有望重新定义竞技击剑。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：

2025 Regeneron ISEF大奖-SOFT系统软件获奖作品汇总-1

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-SOFT系统软件2025获奖作品方便学习

SOFT007——一种新型自适应对抗防御技术

社会运行对人工智能 (AI) 图像识别模型的日益依赖，使其更容易受到对抗性攻击带来的安全风险。这些攻击会操纵输入数据，欺骗 AI 模型错误分类图像，从而导致诸如自动驾驶汽车闯红灯等危险后果。目前的攻击检测方法（例如自编码器）是二元分类器，这限制了其对攻击进行分类和缓解的能力。因此，现有的防御方法虽然对特定类型的攻击有效，但却无法适应其他类型的攻击。为了解决这一局限性，我们开发了一种新型的一体化流水线 SplitSafe，它能够根据每张图像中识别出的攻击类型调整其防御策略。我们创建了一种独特的攻击分类方法，该方法利用一个五元攻击分类器，该分类器基于被攻击图像和原始图像像素之间的差异进行训练，从而突出不同攻击产生的不同噪声。我们设计了五种针对特定攻击的防御模型，供 SplitSafe 使用，以对被攻击图像进行分类并缓解攻击。与基于自编码器的攻击分类器相比，SplitSafe 的攻击分类准确率显著更高（95% vs. 69%，配对 t(14)=44.2，p=2.33 ×10^−26）。在攻击缓解方面，SplitSafe 对受攻击图像的下游图像分类准确率也显著高于非攻击相关的对照流程（85% vs. 74%，McNemar χ²(3599)= 308，p= 2.93×10^−52）。两个流程均采用了预训练的 EfficientNetV2 图像分类器，以确保基线分类准确率尽可能具有竞争力。将 SplitSafe 集成到现有的图像识别模型中，将增强实际系统抵御对抗性攻击的能力。

SOFT008 - Gate OS：通过静态分析确保 Rust Exokernel 的安全

传统操作系统使用多层抽象来简化开发，但限制了定制和优化。Gate OS 是一个基于 Rust 的外内核，它最大限度地减少了抽象开销，使应用程序能够直接管理硬件，同时确保稳定性和安全性。本项目探索了外内核架构、静态代码分析和形式化验证在进程隔离和管理方面的可行性，旨在减少对内存管理单元 (MMU) 的依赖，从而提高性能和跨 RISC-V 和 ARM Cortex-M 等架构的兼容性。\n\nGate OS 使用 Rust 开发，以利用其固有的代码不变性。该系统实现了对系统调用的静态分析，以确保符合安全策略，并使用借用检查器来强制执行线程边界，而无需 MMU。在 x86-64 UEFI 硬件上进行的基准测试测量了 I/O 性能和网络吞吐量，并通过集成部分 POSIX 和 xv6 系统调用支持测试了兼容性。\n\n基准测试表明，与传统内核架构相比，Gate OS 的性能有所提升，尤其是在高吞吐量网络和快速存储方面。静态分析成功地强制执行了编译时边界，确保应用程序和内核运行时的安全，同时防止对资源的未经授权访问。\n\nGate OS 展示了如何通过在编译时而非运行时强制执行安全性，利用编程语言特性和新型架构来创建安全、高性能的操作系统。它无需虚拟化和过度权限分离，为嵌入式系统和网络设备提供了一种极具前景的替代方案。

SOFT013 - 完整性：广义人工图像检测

如今，人工智能图像生成模型能够大规模地创建和增强照片。近期报告预测，到2027年，人工智能辅助的虚假信息将超越战争和自然灾害，成为全球经济安全面临的最大威胁。人工智能生成图像检测器的发展一直难以跟上图像质量的提升，使得未经训练的人难以识别人工智能生成的内容。现有的检测器在测试未知生成器时会失效，而且资源消耗巨大，严重依赖机器学习，并容易受到攻击。我开发了Integrity，这是一款不使用机器学习的软件工具，它通过分析噪声模式中的统计偏差来检测任何模型生成的图像，寻找的是图像真实性的指标，而不是人工痕迹。我将一个包含高分辨率真实图像的原始数据集与来自多个模型的合成图像配对，并运行Integrity的算法。经验表明，真实图像的得分符合一个与人工智能内容不符的阈值。该算法在自定义数据集上实现了平均 98.6% 的分类准确率，显著降低了计算成本，性能比其他检测器提升了 23% 以上。Integrity 还能识别被篡改的真实图像中的小区域，内置了用于检测潜在攻击的保护机制，并采用一种新颖的统计方法，在局部层面上检测人工智能生成的图像内容，是一款综合性工具。Integrity 在准确性、速度、安全性和效率方面均优于基于机器学习的检测器，并有望实现全球覆盖，使更多人能够比以往任何时候都更容易地获得图像认证服务。

SOFT015 - PSID.DB：新增已删除文件聚焦痕迹

如今计算机无处不在，数字痕迹往往会留下，有助于重现过往事件。在法律诉讼中，计算机取证数据对于判定被告有罪或无罪至关重要。然而，已知的数据往往无法捕捉到驱动器上所有先前文件的信息。本研究旨在通过研究、分析和脚本开发，从 Apple Spotlight 取证数据中识别、分析并提取更全面的历史文件信息。\n\n之前的 Spotlight 研究和工具已经识别并映射了 Store.db 数据（Atwal 等人，2019）。\n\n本研究发现了一个新的数据 PSID.DB，其中可能包含有关先前文件和文件夹的信息。通过分析先前的研究、十六进制模式、压缩、编码、加密以及常见的数据时间戳格式，对 PSID 的专有结构进行了解读。基于这张映射图，我开发了一个用于解析 PSID 的 Python 脚本。\n\n为了评估 PSID 的价值以及影响恢复的因素，我进行了模拟典型用户存储驱动器活动的测试，并将 PSID 恢复结果与 (a) 已知文件记录和 (b) Store.db 恢复结果进行了比较。结果表明，只要存在 PSID，其恢复效果就能达到或超过 Store.db。在某些测试中，PSID 恢复了所有先前的文件记录，而在另一些测试中，它恢复的记录数量是 Store.db 的五倍。存储驱动器文件系统被发现是影响 PSID 恢复的关键因素。\n\n这项研究绘制了 PSID 工件的映射图，证明在某些情况下，它可以提供比之前研究过的 Spotlight 工件更完整的历史文件列表，并开发了一个供取证人员解析 PSID 的脚本。

ISEF历年获奖作品集&解析&资料免费下载⬇️

相关文章：