E173–91
无创近红外测血糖：多少信号是葡萄糖，多少是温度和水
框架在组织仿体中，当葡萄糖浓度固定、只改变温度（±3 °C）或含水量（±2%）时，850/1450/1550 nm 三波长的反射信号变化，相当于多少 mg/dL 的表观血糖变化？
你自己的那一点一个混杂预算（confound budget），用仿体做，不碰任何血液。 近红外无创血糖是几十年来反复失败的方向，失败的核心原因就是：水的吸收峰与葡萄糖峰重叠，而温度会同时改变水的吸收系数与散射系数。你搭一个三波长反射装置（LED + 光电二极管，成本约 ¥200），用明胶/琼脂 + Intralipid 组织仿体（散射系数可控、配方在光学仿体文献里是标准的），做三因素受控扫描：葡萄糖浓度、温度、含水量。输出一张换算表：1 °C 温度漂移 ≈ 多少 mg/dL 表观血糖。 若这个数字大于 15 mg/dL（FDA 允许的等效偏差），那么任何未做温度控制的无创血糖装置，其等效性检验都不成立。
擦过ISEF 2025 ENBM080（Grand Award + Special Award）「Noninvasive Glucometer Using AI and Spectroscopy」，摘要原文：「Glucose peak absorption spectra were identified at 850nm and 1550nm. To improve accuracy, 1450nm, which is absorbed solely by water, was novelly used to isolate glucose absorption from glucose and water's overlapping spectra in blood.（…）The machine learning model generated an R squared value of 0.905 and mean absolute percent error of 3.9%（…）A paired two one-sided T-test (TOST) evaluated the equivalence between the means of the model's predictions and the FDA-approved glucometer, while allowing for the FDA-accepted 15 mg/dL difference（…）the prototype produces results statistically equivalent to an FDA-approved glucometer (P<.001).」它用 1450 nm 通道显式校正了水的干扰（这是一个很好的设计），并做了 TOST 等效性检验。摘要中未提及温度作为独立混杂变量的控制或量化。 而 1450 nm 校正的是含水量，不是温度——温度改变的是水的吸收峰位置与形状，一个固定波长的比值校正无法消除它。这正是它没问的那个问题。
文献前作：未核查（NIR 无创血糖的失败史、以及温度对水吸收谱的影响，在生物医学光学里有大量文献（Arnold、Heise 等人），必查——这会决定你的表述是「验证一个已知机制的量级」还是「发现」）。
⚠️ 合规设计说明： 本课题完全不采血、不接触人体。若你想在手指上验证，就需要指尖采血比对——人血（即使是自己的）会触发 Form 6A + Form 6B，且自体测试的判定需向 SRC 确认。仿体路线绕开全部这些问题，且科学上更干净（因为仿体里葡萄糖浓度是已知真值，而人体里不是）。
约束最可能死在仿体的光学性质与真实组织不匹配，评委会问「你的结论能外推到皮肤吗」。最便宜的规避方式： 用文献中已标定的仿体配方（Intralipid 的散射系数有公开数据），并明确把结论限定为「相对灵敏度比值」而非绝对值——比值对仿体–组织差异远不如绝对值敏感。这个限定必须写进你的结论表述，否则会被驳。
表格： 无人、无生物材料 → Form 1/1A/1B/2A + Form 3。展台禁液体：仿体（含水的凝胶）不能带上展台。
E275–93
电子鼻的准确率里，有多少是「今天」而不是「这个样本」
框架金属氧化物半导体（MOS）气体传感器阵列在 8 周内的基线漂移有多大？当训练/测试按采集日切分（session-disjoint）而不是随机切分时，同一个分类器的准确率掉多少？湿度从 40% 升到 95%（呼气条件）会让分类边界移动多远？
你自己的那一点三层拆解，全部用标准气体做，不碰任何人的呼气。
1. 漂移层： 固定标准挥发物（乙醇、丙酮、氨、异戊二烯——都是呼气 VOC 研究中的常见标志物），每天测同一浓度，连续 8 周，量化基线与灵敏度漂移。
2. 划分层： 用这批数据训练分类器，对比「随机划分」与「按日划分」的准确率。这是关键——如果按日划分后准确率从 95% 掉到 60%，说明原来的高准确率主要在识别「哪一天测的」。
3. 湿度层： 在恒温箱里做湿度梯度，量化每个传感器通道的湿–响应交叉灵敏度。
擦过本地语料里电子鼻/呼气 VOC 类获奖项目密度极高，四个直接锚点：
- ISEF 2026 ENBM046（Grand Award + Special Award）「OLAF: Breath Test for Cancer」：「OLAF uses an array of 10 gas sensors called an electronic nose to record these cancer-related VOC levels. Correction factors were applied for both temperature and humidity.（…）The entire system was built for $416, with the XGBoost（…）having the highest accuracy of 91.25%. OLAF was trialed on a group of clinically diagnosed participants with and without cancer and was successfully able to identify all cancers / non-cancer cases correctly.」它做了温湿度修正（这一点比多数同类项目规范），但摘要中未报告长期漂移或按采集日划分的验证。
- ISEF 2025 ENBM032（Grand Award）「VADAM」：MOS 传感器 + LSTM/XGBoost 集成，「The AI model successfully distinguished cancerous from non-cancerous cases with 98.8% accuracy.」
- ISEF 2025 ENBM065（Special Award）「GastroSense」：聚苯胺/铂纳米粒子/氧化锡三通道测氨、氢、甲烷，「the sensor showed a sensitivity of 75% and a specificity of 90%」。
- ISEF 2026 BMED058T（Grand Award）：EoE 的呼气 VOC + GC-qTOF，明确写「we have moderate cohort size」并把目标定位为「establish preliminary trends rather than to fully prove it」——这是本地语料里表述最诚实的一个，值得学习。
四个项目都没有报告传感器漂移或按会话划分的验证。
文献前作：未核查（MOS 传感器漂移与漂移补偿算法在化学传感器领域是核心话题，有专门的公开数据集（如 UCI 的 Gas Sensor Array Drift Dataset）与大量论文，必查——这个数据集本身也可以直接用来做你的第二层分析，成本为零）。
⚠️ 合规设计说明： 不采集任何人的呼气。 采集他人呼气 = 人类受试者 + 体液，触发 Form 4/IRB + Form 6A/6B，且你不得向他们反馈任何结果。标准气体路线完全绕开这一切，而且科学上更严格（浓度是已知真值）。
约束最可能死在时间——8 周漂移测量占掉净窗口的一半。最便宜的规避方式： 并行推进：漂移测量在后台自动记录（Arduino + SD 卡，每天定时采样），同时用公开的 UCI 漂移数据集先把分析流程跑通。这样你在第 1 周就有可展示的结果，第 8 周只是补上自己的数据。
次要约束： 挥发物必须查 SDS。丙酮、乙醇一般无碍，但任何 SDS 上标注致癌/致畸/生殖毒性的必须在受监管机构或限制进入通风橱内操作。
表格： 无人 → Form 1/1A/1B/2A + Form 3（化学品 + 装置）。展台禁化学品与液体：所有标准气体、样品瓶都不能带。
E379–89
生物阻抗辨识组织的 96%，是在辨识组织还是在辨识那几块肉
框架当生物阻抗组织分类器的训练集与测试集按样本块（specimen）切分，而不是按测量次数随机切分时，准确率掉多少？组织脱水随时间的漂移，在多长时间内会让分类边界失效？
你自己的那一点两个正交的有效性探针，材料成本不到 ¥100。
1. 样本块泄漏： 肌肉、脂肪、骨三类组织，每类取 6 块来源独立的样本（不同部位、不同购买批次），每块重复测量多次。对比「随机划分」与「留一样本块」的交叉验证准确率。若差距很大，说明分类器学的是「这块肉的个体特征」而非「组织类型」。
2. 脱水漂移： 同一块组织在室温下暴露，每 15 分钟测一次阻抗谱，连续 4 小时，画出阻抗随时间的轨迹，并计算「在多久之后，肌肉的阻抗落入了脂肪的初始分布区间」。
擦过两个跨年度的直接锚点，构成一条清晰的证据链（这是本条 h=5 的原因）。
- ISEF 2025 ENBM048（Grand Award）「Enabling a Softer Touch for Robotic Surgery」，摘要原文：「Tissue samples—muscle, fat, and bone—were subjected to controlled forces from 0N to 10N（…）Impedance was recorded across five frequencies (10 Hz–100 kHz) under forward, reverse, and super-hydrated conditions.（…）Bone showed negligible changes due to its low fluid content, while super-hydrated conditions caused impedance patterns to be indistinguishable between muscle and fat due to homogenized ionic concentrations.（…）The system's code enables real-time display of tissue type at 86.5% accuracy」
- ISEF 2026 ENBM038（Grand Award + Special Award）「A Softer and Smarter Touch for Robotic Surgery」：「Operating at 5 MHz within the β-dispersion range, BLADE achieves improved signal quality（…）Experimental results show a tissue classification accuracy of 96.17%, representing an 11.18% improvement over prior α-dispersion-based models.」
注意这条证据链的力量：2025 那个项目自己就发现了「超水合状态下肌肉与脂肪无法区分」——也就是说，含水状态是决定性的混杂变量。而 2026 的后续项目把准确率提到 96.17%，摘要中未报告样本块级的划分方式，也未报告含水状态随时间的漂移。 你要问的正是：那 11.18% 的提升，有多少来自更好的物理（5 MHz β 色散），有多少来自更宽松的数据划分？
文献前作：未核查（生物阻抗谱的组织依赖性与温度/水分依赖性在生物阻抗领域是基础知识（Gabriel 等人的介电性质数据库是标准参考），必查）。
约束可行性极好，这是本文件最省钱的一条。 组织从肉铺/超市购买（规则明确豁免：「来自食品店、餐馆或分装厂的……新鲜/冷冻肉类及肉副产品的非培养采集与研究」无需 SRC 事前批准）。阻抗测量可用 AD5933 模块（约 ¥100）或声卡法。最可能死在测量重复性——电极接触压力对阻抗影响巨大。最便宜的规避方式： 用弹簧或配重固定接触压力，并在每轮测量前用标准电阻箱校准整个系统，把系统漂移与生物学漂移分开。这一步是整条课题的地基。
表格： 食品店来源的非培养肉类组织 → 豁免 SRC 事前批准，但须在研究计划与 Form 3 中标明来源；Form 1/1A/1B/2A。不涉及人。 展台禁活体/液体/锐器：组织样本与电极都不能带。
E471–89
声悬浮不是微重力：那 50% 的溶解速率变化是谁造成的
框架在声悬浮装置中测得的药物溶解速率变化，有多少可归因于「模拟微重力」，多少归因于声流（acoustic streaming）、蒸发冷却、液滴形变与表面积变化？在固定悬浮状态下改变声功率，溶解速率如何变化？
你自己的那一点一次归因拆解，针对一个概念性错误。 声悬浮平衡的是重力，但它是靠强声辐射压力做到的——液滴内部会产生剧烈的声致流动（Rayleigh streaming），其对流强度通常远高于静止烧杯中的自然对流。同时液滴表面暴露在高速声场中，蒸发速率大幅提升，蒸发冷却会改变温度。因此「声悬浮 ≈ 微重力」这个类比在传质问题上恰恰是最不成立的地方——微重力的核心特征是对流被抑制，而声悬浮的核心特征是对流被增强。
你的设计：
1. 声功率扫描： 在能维持悬浮的最小功率到最大功率之间取 5 档，测同一药物的溶解速率。如果溶解速率强烈依赖声功率，那它就不是重力效应。
2. 蒸发对照： 用高精度天平或图像法测同期蒸发量，量化浓缩效应对表观溶解率的贡献。
3. 温度对照： 用红外测温或热电偶测液滴温度随声功率的变化。
4. 形状对照： 从高速/慢门图像提取液滴形变（声悬浮液滴呈扁球形），算实际表面积，看 Noyes-Whitney 方程里的面积项被低估了多少。
擦过ISEF 2026 ENBM031（Grand Award）「Medicine Dissolution in Microgravity」，摘要原文：「This project investigates medication dissolution in microgravity using an acoustic levitator. Medicine and water were placed at the acoustic node for controlled time intervals to measure dissolution rates. Because retained moisture made direct weighing unreliable, differential weighing was used, with controlled microwave heating to evaporate the remaining water before determining final mass. The methodology was validated through ground trials（…）Experimental results showed that microgravity significantly altered dissolution behavior. Using the Noyes-Whitney equation to model these effects, Ibuprofen's dissolution rate decreased by 50%, while Aspirin's rate decreased by 29%.」它把声悬浮直接等同于微重力并据此解释 50%/29% 的溶解率下降，摘要中未报告声功率、声流、蒸发或液滴形变的对照。 摘要中还提到「retained moisture made direct weighing unreliable」——这本身就是蒸发/含水量在干扰测量的直接证据。
文献前作：未核查（声悬浮中的 Rayleigh streaming、含药液滴的蒸发动力学，在声学与药剂学交叉领域有专门文献，必查。声悬浮作为「无容器处理」平台的真实优势是避免容器壁成核，而不是模拟微重力——这一点必须查证后准确表述）。
约束可行性不错： TinyLev 类超声悬浮器套件约 ¥150–400，或自制（40 kHz 换能器阵列 + 驱动板）。最可能死在测量精度——液滴质量在毫克级，差重法误差大。最便宜的规避方式： 改用图像法测溶解（悬浮固体颗粒在液滴中的投影面积随时间变化），用显微镜头 + 定时拍照，完全绕开称重；并用一个已知溶解速率的标准物质（如蔗糖）标定整套装置。
次要约束： 高声压有听力风险（40 kHz 超声本身超出听阈，但其次谐波与装置噪声可能有害）。必须做 Form 3 风险评估并佩戴护耳。
表格： 无人无生物 → Form 1/1A/1B/2A + Form 3（超声装置 + 药物）。用非处方药（布洛芬、阿司匹林）不涉及 DEA 管制物质，但须查 SDS。 展台禁液体：悬浮实验只能用视频。
E565–83
丙酮蒸汽抛光把表面磨光了，也把通道磨大了
框架FDM 打印的微流控母模经丙酮蒸汽抛光后，通道尺寸变化了多少？把这个尺寸变化代入剪切应力计算，其影响与表面粗糙度改善的影响相比，孰大孰小？
你自己的那一点一次量纲直觉的检验。 矩形通道内壁面剪切应力 τ ∝ Q/(w·h²)，对高度 h 是二次依赖。丙酮蒸汽会溶胀 ABS/PLA 表面，典型溶胀量可达数十微米——在一个百微米级通道里，这是 10–30% 的高度变化，对应剪切应力 20–70% 的变化。而表面粗糙度从 7.11 µm 降到 0.620 µm，其对层流剪切应力的影响是二阶小量。 换句话说：抛光工艺对流场的主要影响很可能不是它宣称的那个。
你的设计：(1) 打印一批标称尺寸相同的通道，测抛光前后的截面尺寸（光学显微镜 + 截面切片，或树脂灌注后测量）；(2) 用实测尺寸重算剪切应力，与用标称尺寸算的对比；(3) 用染料流动实验或压降测量独立验证实际水力直径（Hagen-Poiseuille 压降法是最直接的，只需压力计或水柱高度）；(4) 报告一张「抛光时间 vs 尺寸偏差 vs 剪切应力偏差」的曲线。
擦过ISEF 2025 ENBM044（Special Award）「OpenChip: Democratizing Organ-on-a-Chip Innovation」，摘要原文：「Standard Fused Deposition Modeling (FDM) 3D printing was combined with a controlled acetone vapor smoothing process to produce high-fidelity master molds. The process was iteratively optimized through adjustments to printing parameters, surface finishing techniques, exposure environment, and vapor exposure time.（…）Surface roughness was reduced from 7.11 µm (as-printed) to 0.620 µm (processed), and COMSOL Multiphysics simulations confirmed uniform shear stress profiles consistent with physiological conditions. This methodology reduced the marginal cost of OOC fabrication to $0.60 per chip」它报告了粗糙度改善并用 COMSOL 仿真「确认」剪切应力符合生理条件——但仿真用的是设计几何，不是抛光后的实际几何。摘要中未报告抛光引起的尺寸变化。 这就是它没问的问题：仿真验证的是设计，不是产品。
文献前作：未核查（丙酮蒸汽抛光的尺寸精度影响、FDM 微流控的保真度，在增材制造文献中有研究，必查）。
约束可行性很好（需要一台 FDM 打印机、丙酮、显微镜或卡尺、PDMS 或环氧树脂）。最可能死在尺寸测量精度——测微米级通道需要显微镜与标定尺。最便宜的规避方式： 用压降法代替直接测量：给定流量测压降，反算水力直径。这个方法对整条通道积分，比单点截面测量更稳健，而且只需要一支注射泵（或恒定水头）和一根测压水柱。这一步应该在开题前跑通。
次要约束： 丙酮 SDS 必查——丙酮是易燃液体，且高浓度蒸汽有健康风险；蒸汽抛光必须在通风良好处进行。若 SDS 标注生殖毒性等，2027 规则要求在受监管机构或限制进入通风橱内操作。
表格： 无人无生物 → Form 1/1A/1B/2A + Form 3（易燃化学品 + 装置）。展台禁液体/化学品：芯片可以带（干燥、无液），丙酮和流动实验不行。
E674–92
在同一批数据上调阈值再报告准确率，能虚高多少
框架当一个分类器的判决阈值由同一份评估数据上的 Youden's J 指数确定时，报告出的准确率相对于嵌套交叉验证（阈值只在训练折上确定）高出多少？这个乐观偏倚随样本量与类别不平衡如何变化？
你自己的那一点一次乐观偏倚的定量测绘，用公开的可穿戴运动数据做，零受试者。 阈值选择是模型训练的一部分；在测试集上选阈值等于用测试集训练。你的设计：(1) 用公开的震颤/步态/加速度数据集（PhysioNet 上有多个帕金森与运动障碍的可穿戴数据集）；(2) 复现「随机森林 + 在评估集上按 Youden's J 选阈值」的流程，记录准确率；(3) 换成嵌套 CV（外层评估、内层选阈值），记录准确率；(4) 报告两者差值随 n 与不平衡度的变化曲面。交付物：一张「给定 n 与阳性率，非嵌套阈值选择会虚高多少个百分点」的查表。
擦过ISEF 2026 ENBM083（Grand Award + Special Award）「TremorPause」，摘要原文：「To evaluate motion, an Arduino-BLE glove collected IMU data from 60 participants. A Fast Fourier Transform pipeline distilled 2.3 million raw angular velocity data points into 24,000 feature vectors. To isolate tremors from voluntary motion, a Random Forest AI was augmented with a Sigmoid-weighting function, centered at Youden's J-Index, improving classification accuracy from 28.3% to 96.7% (p<0.001, AUC=0.89).」从 28.3% 提升到 96.7% 是 68 个百分点的跃升，来源是一个「以 Youden's J 为中心的 Sigmoid 加权函数」。摘要中未说明 Youden's J 是在训练折还是在评估数据上计算的，也未报告嵌套交叉验证。 另注：AUC = 0.89 与准确率 96.7% 并存本身值得推敲——AUC 0.89 是一个中等的判别力，通常不支持 96.7% 的准确率（除非类别极度不平衡，而那又会让准确率本身失去意义）。这个内部不一致是你课题最有力的切入点，但你必须先核实完整的评估协议，不能只凭摘要断言。
⚠️ 合规提醒（这是一个重要的教学案例）： 该项目招募 60 名参与者，且 App「向用户提供无需临床医生的 0–100% 严重程度评分」。在 2027 规则下，向受试者返回研究数据或提供任何诊断/医学信息一律禁止，医生监督的豁免口子已被删除。你不能照抄这个形态。 本课题完全使用公开去标识化数据集，不招募任何人，不部署任何面向用户的评分服务。
文献前作：未核查（嵌套交叉验证的必要性有 Varma & Simon 2006、Cawley & Talbot 2010 等经典论文，必查——你的新颖性只能落在「针对可穿戴生理信号任务的具体量化」上）。
约束可行性极高（公开数据 + 一台笔记本）。最可能死在新颖性被文献占据。最便宜的规避方式： 把交付物做成一个自动审计工具：输入某个已发表流程的描述（样本量、阳性率、是否嵌套），输出「该报告准确率的预期虚高幅度」，并在若干公开数据集上实证标定。工具比结论更难被抢跑。
表格： 公开去标识化数据 → IRB 豁免第 2 类，不需要 Form 4。Form 1/1A/1B/2A。
E774–92
脑机接口的「每分钟 65 词」，换成比特每秒还剩多少
框架当一个 BCI 系统通过「意图选择」而非「逐字拼写」输出消息时，用 Wolpaw 信息传输率（bits/min）而不是 WPM 来度量，它相对于拼写器的优势是多少倍？这个倍数如何随可选意图集合的大小 N 变化？
你自己的那一点一次度量口径的信息论重构。 WPM（每分钟词数）度量的是输出文本的长度，不是传递的信息量。若系统是在 N 个预设意图中选一个，那么一次成功选择传递的信息上限是 log₂(N) 比特，无论那个意图对应的句子有多长。「我爱你」如果是 8 个候选之一，只传了 3 比特；而逐字拼写「I love you」传了约 10 个字符 × log₂(27) ≈ 47 比特。 两者的 WPM 可以差 20 倍，而信息率可能反过来。
你的设计：(1) 用消费级 EEG（OpenBCI / Muse，约 ¥1,500–3,000）只在自己身上采集数据；(2) 实现两种范式——P300/SSVEP 拼写器与 N 选一的意图选择；(3) 对每种范式在多个 N 值下测量准确率与选择时间，计算 Wolpaw ITR；(4) 画出「WPM 优势倍数」与「ITR 优势倍数」随 N 的两条曲线，量化两者何时分道扬镳；(5) 给出一个可复用的换算公式。
擦过ISEF 2026 ENBM074（Grand Award）「A Voice for the Voiceless」，摘要原文：「I discovered a new paradigm for brain-machine communication: resolving intent directly, instead of spelling messages out letter by letter. I validated this using $1,800 of consumer electroencephalography hardware and compared it against conventional decoding across 111 randomized, counterbalanced trials（…）My system surpassed the field's 30-year ceiling of 15 WPM, achieving 65 WPM versus 3 WPM on a conventional speller — a 20-fold improvement — with 23-fold lower time-per-message (10.7s vs 242.2s, q<0.001) and 43-fold intent-amplification (Cohen's d=2.9, q<0.001), a new metric quantifying meaning conveyed per brain signal.（…）The Six Laws of Intent Resolution I derived from information theory formalize this for any bandwidth-limited interface」它以 WPM 为主要度量声称 20 倍提升，并声称从信息论推导出六条定律。摘要中未报告 Wolpaw ITR 或 bits/s，也未说明意图集合的大小 N——而这正是信息论度量所必需的参数。
你必须注意的诚实之处： 该项目自称「从信息论推导」，且提出了「intent-amplification」这个新度量。在你读到它的完整方法之前，不能断言它没有做信息论度量。 你的课题应该表述为：「在 WPM 与 ITR 之间建立换算关系，并给出意图型 BCI 的公平比较基准」——这是建设性的，即使原项目已经部分做过，你的贡献（可复用基准）仍然成立。
文献前作：未核查（Wolpaw ITR 是 BCI 领域的标准度量，有 Wolpaw 2002 的奠基论文；BCI 性能度量的争议也有专门综述，必查）。
⚠️ 合规设计说明： 只在自己身上采集 EEG，属 IRB 豁免第 1 类（学生本人是唯一测试者，且不构成健康安全危害）。绝对不要扩展到同学——那一刻变成人类受试者研究，需 Form 4 + IRB 事前批准。消费级 EEG 为无源（被动记录），不涉及电刺激，风险很低，但仍需 Form 3。
约束最可能死在自己一个人的数据说服力不足（n=1）。最便宜的规避方式： 把主结论定位为度量学结论（WPM 与 ITR 的解析换算关系 + 参数敏感性），这部分是数学推导，不依赖样本量；EEG 实验只用来验证换算公式在真实系统上成立。这个定位让 n=1 从缺陷变成充分。
表格： 自体测试 → IRB 豁免第 1 类；Form 3（电子装置风险评估）；Form 1/1A/1B/2A。展台：EEG 头戴设备可以带（无液体、无锐器、不通电展示）。
E871–89
水凝胶吸水均匀，细胞就分布均匀吗
框架3D 打印支架的「水凝胶溶胀均匀性」，能预测实际的细胞尺度颗粒分布均匀性吗？两者的空间相关系数是多少？在什么孔形下二者发生背离？
你自己的那一点代理指标的有效性检验——这是所有「代理读数」类课题的通用模板，而这里有一个特别干净的实例。 水凝胶溶胀由毛细作用与宏观孔隙率主导；细胞（或细胞尺寸的颗粒，10–20 µm）的分布由沉降、孔喉尺寸、流动路径决定。这两个物理过程的主导因素不同，因此「溶胀均匀 ⇒ 播种均匀」不是自动成立的。
你的设计：(1) 打印原研究使用的那套孔形（六边形、立方、以及若干不对称形）；(2) 同一批支架上并行做两件事——测溶胀均匀性（ImageJ 分析，复现原方法），与测荧光微球（10–20 µm，模拟细胞尺寸）的空间分布均匀性（荧光显微 + 分区计数）；(3) 计算两个指标在支架间的秩相关；(4) 加一个物理解释层：用孔喉尺寸与颗粒直径之比预测背离发生的阈值。
擦过ISEF 2026 ENBM017（Grand Award）「3D Printed Biodegradable Skin Scaffolds」，摘要原文：「7 skin scaffold samples were manufactured, using a kobra anycubic 3D printer, with varying pore shapes to assess their ability to support uniform hydrogel seeding and swelling as a proxy for cell regeneration.（…）Using the ImageJ platform to assess the uniformity of the scaffolds in each stage, results suggest that scaffolds with high symmetrical pore shapes, such as hexagonal and cubic pores, exhibit the most uniform hydrogel distribution and controlled swelling intake. A scale was then used to measure water intake（…）to track probable nutrient diffusion.」它明确把「水凝胶溶胀均匀性」当作细胞再生的代理指标（原文用词就是 proxy），把吸水量当作营养扩散的代理，摘要中未报告任何对这两个代理有效性的验证。 这是本文件里最直接、最没有争议的一个「未被检验的前提」。
文献前作：未核查（组织工程支架的细胞播种效率与孔结构的关系有大量文献，必查——很可能已有直接研究，这会把你的贡献压缩为「在低成本 FDM 支架上的验证」，那仍然成立但必须准确表述）。
约束可行性极高（F=9）： FDM 打印机 + 明胶/海藻酸盐水凝胶 + 荧光微球（¥200–500）+ 一台带荧光的显微镜（若没有，可用彩色微球 + 普通显微镜，牺牲对比度但可行）。不涉及细胞、不涉及人、不涉及生物制剂。最可能死在「意义不足」——评委可能觉得只是验证一个方法细节。最便宜的规避方式： 把结论落成一个设计判据：「孔喉尺寸 / 颗粒直径 < X 时，溶胀均匀性不再预测播种均匀性」——这是一个可以被支架设计者直接使用的数字。
表格： 无人无生物（微球是聚苯乙烯，不是细胞）→ Form 1/1A/1B/2A + Form 3。展台禁液体：溶胀实验只能用照片。
E965–83
DAPI 看不见细胞核，不等于 DNA 被去干净了
框架用 DAPI 荧光判定「脱细胞完成」的样品，其定量残余双链 DNA 含量是多少 ng/mg 干重？与公认判据（<50 ng dsDNA/mg 干重、无 >200 bp 片段）相比，DAPI 阴性的样品有多大比例实际不达标？
你自己的那一点判定标准的一致性检验。 DAPI 结合的是双链 DNA 的小沟，需要足够长的连续片段与足够高的局部浓度才能产生可见荧光。碎片化的、分散的残余 DNA 在 DAPI 下完全不可见，但它仍然存在，且是脱细胞支架引发免疫排斥的主要原因。 组织工程界的公认判据（常被称为 Crapo 判据）是定量的，不是荧光成像的。
你的设计：(1) 用商店购买的组织（鱼皮、鸡皮、猪肉——规则明确豁免非培养的食品来源肉类）做常规 SDS/Triton 脱细胞，取不同处理时长的一系列样品；(2) 每个样品同时做 DAPI 成像与定量 dsDNA 测定（PicoGreen 或更便宜的：DNA 提取 + 微量分光光度计/凝胶电泳定量）；(3) 找出「DAPI 首次判阴」的那个时间点，报告该点的定量 DNA 残余量；(4) 用凝胶电泳看片段长度分布。交付物：一张「DAPI 阴性对应的真实 DNA 残余范围」的对照表，以及最短达标处理时长。
擦过ISEF 2026 ENBM057（Grand Award）「scCO2 Decellularization for ECM Preparation」，摘要原文：「engineered human dermis tissue was processed under varied parameters. Four variables were evaluated: co-solvent, treatment duration, flow mode, and number of cycles. Decellularization effectiveness was assessed using DAPI fluorescence imaging for nuclear removal, and ECM structural preservation was examined using scanning electron microscopy (SEM).（…）This study identified an optimized scCO2 protocol using a 70% ethanol pre-soak and two 30-minute scCO2 treatment cycles under continuous slow-flow conditions. It achieved effective nuclear removal and preserved native collagen microstructure. The process required about 2.5 hours, compared to conventional methods that often require around 3 days.」它以 DAPI 成像作为脱细胞有效性的唯一判据，并据此声称 2.5 小时可替代 3 天的常规流程。摘要中未报告定量 dsDNA 残余。 而「大幅缩短处理时间」这个核心卖点，恰恰最需要定量 DNA 判据来支撑。
文献前作：未核查（脱细胞判据（Crapo, Gilbert & Badylak 2011）是这个领域的标准引文，必查——查到之后你的表述会更准确，也更有力）。
⚠️ 合规提醒： 原研究用的是「engineered human dermis tissue」（工程化人皮肤组织）——人源组织触发 Form 6A + Form 6B，须 SRC 事前批准。 本课题刻意改用食品店来源的动物组织，该来源明确豁免 SRC 事前批准（但须在研究计划与 Form 3 中标明来源）。这个替换让合规负担从「重」降到「轻」，且不影响科学问题。
约束最可能死在定量 DNA 测定的设备。 PicoGreen 需要荧光板读仪。最便宜的规避方式： 用凝胶电泳 + 已知浓度 DNA 标准品做半定量（凝胶成像 + ImageJ 灰度定量），精度够分辨一个数量级——而 DAPI 阴性与 Crapo 判据的差距通常就在数量级尺度上，所以半定量足够回答这个问题。这个降级必须在开题前用标准品验证动态范围。
次要约束： SDS（十二烷基硫酸钠）与 Triton X-100 需查 SDS 安全数据表。Triton X-100 在部分司法辖区被列为内分泌干扰物，若 SDS 标注生殖毒性，2027 规则要求在受监管机构或限制进入通风橱内操作——这一点必须提前查清。
表格： 食品店来源非培养动物组织 → 豁免 SRC 事前批准，须在 Form 3 中标明来源；Form 1/1A/1B/2A。若改用人源或需培养的组织则触发 Form 6A + 6B。展台禁液体/化学品/组织。
E1062–80
空载时的 89.7% 应变，带上负载还剩多少；循环一万次后还剩多少
框架HASEL 静电液压执行器的应变–负载–频率三维工作包络长什么样？在生理相关的负载与频率下，其应变相对空载值衰减多少？循环疲劳到应变下降 10% 需要多少个周期？
你自己的那一点两条从未被报告的性能曲线，而它们恰恰是决定这类器件能否成为植入物的关键。 软执行器论文普遍报告空载最大应变与空载最大频率，但这两个数字在带负载时会同时下降，而且它们互相耦合（高频时液压再分配来不及完成）。同时，介电液的击穿–自愈循环虽然被宣传为优点，但每次自愈都会累积损伤。
你的设计：(1) 自制 HASEL 执行器（BOPP 薄膜 + 植物油/硅油 + 导电电极，材料成本 <¥100）；(2) 用配重或弹簧施加已知负载，激光测距或视频追踪测应变，扫出应变(负载, 频率) 的等高线图；(3) 循环寿命测试：在固定工况下连续驱动，每 1000 周期测一次应变，记录到 −10% 所需周期数与击穿事件计数；(4) 报告「厂商/论文常报的空载指标」与「生理工况下的实际指标」的比值。
擦过两个跨年度锚点。
- ISEF 2025 ENBM042（Grand Award）「AI-Driven HASEL Actuators for Cardiac Assist」：「With a fast actuation frequency of 2 Hz and no blood contact, the device achieves a strain of 32.9% and a maximum energy output of 5.49 N*mm.（…）The ML model achieves a correlation of 91%」
- ISEF 2026 ENBM059（Grand Award）「Self-Sensing, Shape-Morphing HASEL Ventilators」：「The ventilator produces strains of 89.7% and achieves frequencies of 7.5 Hz, providing sufficient assistance.（…）A soft, piezoresistive sensor is designed and integrated for closed-loop, predictive control via machine learning while preserving the system's compliance and demonstrating minimal hysteresis due to a fluidic reset mechanism.」
两个项目都报告了峰值应变与峰值频率，摘要中都未报告负载依赖的工作包络，也都未报告循环疲劳寿命。 而 ENBM059 的应用场景是膈肌辅助——一个必须每天工作两万次以上的器件。「能做到 89.7% 应变」与「能连续工作」之间隔着一条从未被测量的曲线。
文献前作：未核查（HASEL 的疲劳与自愈机理在 Keplinger 组的原始论文中有讨论，介电弹性体执行器的寿命有专门文献，必查）。
⚠️ 合规红线（这是本条最重要的约束）： HASEL 需要数千伏到上万伏驱动电压。规则按档：
- < 10 kV： 可在家或学校，无需 SRC 事前批准，需 Form 3。
- 10–25 kV： 可在家或学校，但必须 SRC 事前批准 + 金属腔体 + 只能通过摄像头观察 + 禁止直接目视 + 必须配剂量计或辐射巡测仪。
- > 25 kV： 必须在有持牌辐射项目的机构，经 RSO 事前批准。
你必须把设计电压压在 10 kV 以下。 这需要更薄的介电膜或更小的执行器——这是一个真实的工程约束，会直接影响你能达到的应变。开题前必须确认这一点，否则整个课题会在 SRC 环节卡住。
约束最可能死在高压电源与安全。 便携高压模块便宜但危险；必须有绝缘壳体、限流电阻、放电棒、紧急断电。必须在受训成人监督下操作，且 Form 3 必须写得非常具体。次要约束： 循环寿命测试需要长时间自动运行——这在 3–4 个月窗口里要早启动，且需要看门狗保护（自动断电）。
表格： Form 1/1A/1B/2A + Form 3（危险装置：高压）；若超过 10 kV 则需 SRC 事前批准（记录于 Form 1B）。展台：未拆电的高压装置不可通电，执行器可以带（干燥无油版本），演示只能用视频。
E1167–85
用聚苯乙烯微球标定的分选效率，换成会变形的细胞还剩多少
框架惯性微流控分选装置用刚性聚苯乙烯微球标定的分选效率，换成等尺寸但可变形的软颗粒后，效率变化多少？变形能力（用杨氏模量表征）对分选位置的影响，相对于尺寸的影响，权重是多少？
你自己的那一点一次「模型颗粒有效性」的直接检验。 惯性聚焦的平衡位置由剪切梯度升力与壁面升力决定，而可变形颗粒还多一个「变形诱导升力」（deformability-induced lift），它会把软颗粒推向通道中心。真实的循环肿瘤细胞（CTC）比白细胞更软；红细胞更是极度可变形。因此用刚性微球标定出来的分选窗口，用在真实血液上可能整体偏移。
你的设计：(1) 制备一系列等尺寸、不同刚度的软颗粒——海藻酸钙或聚丙烯酰胺微凝胶球，通过交联剂浓度调节模量（模量可用微压缩或 AFM 标定，若无 AFM 可用已发表的配方–模量对应关系并注明这是引用值）；(2) 在同一芯片上分别跑刚性微球与软颗粒，用荧光或明场追踪测量出口分布；(3) 量化「等尺寸下，模量每降低一个数量级，聚焦位置移动多少」；(4) 报告一个修正因子。
擦过ISEF 2026 ENBM090（Grand Award）「Dual-Field Microfluidic Chip for CTC Isolation」，摘要原文：「Inertial focusing is first used to pre-align particles based on size-dependent lift forces and Dean flow effects, followed by acoustic manipulation to further separate particles through size-dependent acoustic radiation forces.（…）Experimental validation was conducted using fluorescent microspheres (2–20 µm) as cell analogs under controlled flow conditions. Results demonstrate over 96% enrichment efficiency in the inertial stage」它用荧光聚苯乙烯微球作为「细胞类似物」验证，报告 >96% 富集效率，摘要中未讨论刚性微球与可变形细胞之间的差异，也未做可变形颗粒对照。 「cell analogs」这个措辞本身就是一个未经检验的假设。
文献前作：未核查（deformability-induced lift 与惯性微流控中的变形效应有专门文献（Di Carlo 组等），可变形细胞分选（deformability cytometry）也是独立领域，必查）。
约束最可能死在软颗粒的制备与表征。 制备单分散的软微球需要乳化或微流控液滴发生器，粒径分布控制不易。最便宜的规避方式： 不追求单分散——制备宽分布软颗粒，逐颗测量其直径（图像）并追踪其出口位置，这样每一颗都是一个数据点，尺寸与模量的效应可以在回归里分离。这个改法把「制备难」变成「分析问题」，大幅提升可行性。
次要约束： 芯片可用 PDMS 软光刻（需母模，可接 E5 的 FDM 路线）或直接买商品芯片。需要注射泵（可用步进电机自制）与显微镜。
表格： 无人无生物细胞（用水凝胶颗粒）→ Form 1/1A/1B/2A + Form 3。若使用真实血细胞则触发 Form 6A + 6B，须 SRC 事前批准——本设计刻意避开。 展台禁液体：芯片可带，流动实验只能用视频。
E1273–91
拒绝掉难的样本之后，剩下的准确率还算准确率吗
框架当一个病理 AI 系统用「质量控制门」拒绝模糊/组织量少的切片、又用不确定性阈值把难例标为「待人工复核」时，报告的准确率对应多大的覆盖率（coverage）？在同一覆盖率下，蒙特卡洛 Dropout 的不确定性排序，比最朴素的「最大 softmax 概率」好多少？
你自己的那一点选择性预测的风险–覆盖率曲线（risk–coverage curve），这是评估「会拒绝的模型」的正确工具，但在 ISEF 项目里几乎从不出现。关键洞察：任何模型只要拒绝足够多的样本，剩余样本上的准确率都可以任意高。因此「96.1% 准确率」如果不同时报告覆盖率，就没有信息量。
你的设计：(1) 在公开病理数据集（如 UBC-OCEAN 卵巢癌亚型、CAMELYON、PatchCamelyon）上训练一个与原研究同架构的模型；(2) 实现三种不确定性度量——MC Dropout 预测熵、最大 softmax 概率、深度集成的分歧度；(3) 画出三条风险–覆盖率曲线，计算 AURC（曲线下面积）；(4) 量化「质量控制门」单独贡献的覆盖率削减，把它与不确定性拒绝分开报告；(5) 检验 MC Dropout 的校准度（可靠性图、ECE）。
擦过ISEF 2026 ENBM037（Grand Award）「Low-Cost AI for Ovarian Carcinoma Subtyping」，摘要原文：「Using de-identified H&E whole-slide images from five ovarian cancer subtypes, it used EfficientNetV2-B0 with attention-based multiple instance learning（…）To improve safety, the system included an automated quality-control gate to reject blurred or low-tissue slides. Along with this, it used Monte Carlo dropout to measure predictive entropy so that uncertain cases could be flagged for review instead of being forcefully classified. OncoScan-X achieved 96.1% ± 2.3% balanced accuracy, maintained at least 90% of baseline performance under simulated Gaussian blur and sensor noise（…）Misclassified slides showed significantly higher predictive entropy.」它同时使用了 QC 门与不确定性标记，报告 96.1% 平衡准确率，摘要中未报告对应的覆盖率，也未与更简单的不确定性基线对比、未报告校准度。 「误分类切片的预测熵显著更高」是一个方向性陈述，不等于该排序在实用阈值下有多大的风险削减能力。
你必须注意的诚实之处： 该项目做了模糊/噪声鲁棒性测试（这一点比多数同类项目扎实），并明确把 QC 门定位为「安全措施」。你的课题不是说它做错了，而是补上「这个安全措施的代价是多少覆盖率」这个必要的另一半。 这个措辞决定了你会不会被驳倒。
文献前作：未核查（选择性预测的风险–覆盖率框架（El-Yaniv & Wiener）、MC Dropout 的校准问题（Ovadia et al. 2019）都有经典论文，必查）。
约束可行性很高（公开数据 + 云 GPU，成本几百元）。最可能死在算力与训练时间——全切片图像（WSI）体量巨大。最便宜的规避方式： 用已经切好 patch 的公开数据集（PatchCamelyon 是 96×96 的小图，可在笔记本上跑），先把风险–覆盖率方法学完整跑通，再在更大数据上验证一两个点。这样你在第 2 周就有完整结果。
表格： 公开去标识化影像 → IRB 豁免第 2 类。Form 1/1A/1B/2A。AI 政策： AI 生成代码须显式引用 + 保留提示词日志。
E1374–84
用网上找的图做「外部验证」，为什么准确率反而更高
框架皮肤病变分类器在「网络检索图像」上的准确率，与在「连续采集的临床图像档案」上的准确率，相差多少？这个差距能否由图像的典型性（typicality）、病变面积占比、成像标准化程度来预测？
你自己的那一点教科书图像偏倚（textbook-image bias）的量化。 一个模型在内部测试集上准确率 74.74%，在「29 张网络图像」上跳到 93.10%——外部验证准确率高于内部验证，这在方法学上是一个强烈的警报信号，因为外部集通常更难。合理解释只有一个：网络图像是被人挑选出来的典型病例（教科书图、教学网站图），它们比真实门诊图像容易得多。
你的设计：(1) 在公开的皮肤镜数据集（ISIC 归档，含多个来源子集）上训练一个分类器；(2) 构造典型性梯度——用多种代理指标（病变面积占比、边界清晰度、色彩饱和度、是否有标尺/毛发/伪影）把测试图像分层；(3) 报告准确率随典型性分层的变化曲线；(4) 实证锚定：从公开教学网站/图谱采集一小批「教科书式」图像（注意版权与使用条款），验证它们落在典型性分布的哪一端。交付物：一条「用挑选图像做外部验证会虚高多少」的换算曲线。
擦过ISEF 2025 ENBM057（Special Award）「SKIMP: Portable Skin Cancer Detection Device」，摘要原文：「SKIMP, using a CNN trained on HAM10000 dataset, detects and classifies benign and malignant skin lesions.（…）Accuracy, precision, and recall were checked through test data. External validation was tested with twenty-nine (29) web images for different skin lesions.（…）The CNN model showed a test accuracy of 74.74% while improving to 93.10% during external validation with real-world image data.（…）There are few limitations of dataset imbalance and overfitting that is addressed by oversampling and preprocessing methods」它明确报告外部验证（29 张网络图像）准确率 93.10% 高于内部测试 74.74%，并称之为「real-world image data」。29 张图的 93.10% 意味着 27/29，其 95% 置信区间约为 77%–99%。摘要中未讨论外部准确率高于内部这一异常，也未讨论网络图像的选择偏倚。
同赛道内的相关证据（这是本条 h=5 的原因）： 2024 BMED023（Third Award）「Improving Racial Equity in Skin Cancer Detection」（仅有标题）说明肤色分布偏倚在这个赛道已被关注；2026 ENBM037 明确做了噪声/模糊鲁棒性测试。说明「测试集构成会影响结论」在 ISEF 圈内已有认识——你的新颖性只能落在「典型性偏倚的定量化」上。
文献前作：未核查（数据集偏倚、谱偏倚（spectrum bias）在诊断准确性研究方法学中有成熟框架（QUADAS-2、STARD），必查）。
约束可行性很高（ISIC 归档公开、免费下载）。最可能死在「典型性」这个概念难以客观量化。最便宜的规避方式： 不要试图定义「典型性」这个抽象概念，改用可直接计算的代理指标（病变面积占比、对比度、伪影检测），并用「这些指标能预测多少准确率变异」（R²）来说话。这把一个哲学问题变成了一个回归问题。
次要约束： 网络图像的版权与使用条款必须核实；ISEF 对图像来源有引用要求。展板上使用任何非自己拍摄的图像都必须注明来源。
表格： 公开去标识化影像 → IRB 豁免第 2 类。Form 1/1A/1B/2A。⚠️ 绝对不要拍摄真人的皮肤病变照片——那是人类受试者 + 可识别私人信息，且你不得向他们提供任何诊断信息。
E1470–80
无标记步态分析的毫米级精度，在异常步态上还剩多少
框架无标记 3D 姿态估计在正常步态上达到的关节位置误差（约 20–30 mm），在异常步态（不对称、使用助行器、痉挛、遮挡）下增大多少倍？误差增量能否由「与训练分布的距离」预测？
你自己的那一点分布外性能的系统测绘，用公开动捕数据 + 可控退化做，零受试者。 关键在于你不需要真的招募异常步态患者——你可以从正常步态动捕数据合成受控的分布偏移：
1. 运动学偏移： 对骨骼动画施加单侧步长缩短、单侧摆动相延长、躯干侧倾——这些是偏瘫步态的定量特征，参数可从临床文献取；
2. 外观偏移： 渲染时加入助行器/拐杖遮挡、宽松衣物、不同视角与光照；
3. 测量： 在每一档偏移强度下跑姿态估计，与已知的合成真值比较，画出 MPJPE 随偏移强度的曲线；
4. 预测： 用简单的分布距离度量（特征空间的 Mahalanobis 距离）预测误差增量，检验是否可行。
擦过ISEF 2026 ENBM088（Grand Award）「Customizable Deep Learning Gait Analysis」，摘要原文：「Markerless systems like OpenCap show promise but are trained on typical gait and demonstrate reduced accuracy on atypical gait populations. Customizable frameworks can be retrained on any population but face inherent barriers（…）This study reengineers DeepLabCut and DANNCE as accurate and customizable 3D human gait analysis pipelines.（…）Both pipelines were validated on the BioCV dataset and benchmarked against a pretrained Pose2Sim/OpenCap-LSTM. DeepLabCut and DANNCE achieved mean per-joint position errors of 21.1mm and 29.1mm (33.9mm for Pose2Sim/OpenCap-LSTM, p<0.001)（…）This demonstrates customizable frameworks can achieve near clinical-grade accuracy without priors, allowing for future retraining on atypical gait populations.」
注意这条证据的清晰度（这是 h=5 的原因）：该项目自己在摘要里两次点明「异常步态」是核心动机，但验证全部在 BioCV（正常步态）上完成，并把异常步态明确列为「future work」。 这不是它的疏忽——它诚实地标注了边界。你要做的正是它标出来的那件事，而且用一条它没想到的低成本路径（合成偏移而非招募患者）。
文献前作：未核查（无标记动捕在临床人群上的效度、以及合成数据用于姿态估计评估，都有文献，必查）。
⚠️ 合规设计说明： 绝对不要招募异常步态的人做拍摄。 那是人类受试者研究（且涉及可识别影像与健康状况），需 Form 4 + IRB 事前批准，且你不得向他们反馈任何评估结果。合成偏移路线完全绕开这一切，而且科学上更严格——因为合成数据有精确真值，而真人拍摄的真值本身就有误差。
约束最可能死在渲染与合成的技术门槛。 需要用 Blender/SMPL 或类似工具从动捕数据渲染视频。最便宜的规避方式： 用已有的合成人体数据集（如 SURREAL、AGORA）或开源的 SMPL 渲染流水线，不从零搭建；先在 2D 姿态估计上跑通全流程再上 3D。
次要约束： 需要 GPU。BioCV / Human3.6M 等数据集有使用协议，需申请或注册。
表格： 公开数据 + 合成 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
E1564–82
「检出限 40 pg/mL」，是按哪个定义算的
框架对同一批原始传感器数据，用五种常见的检出限（LoD）定义分别计算，结果相差多少倍？在什么条件下这个差距超过不同传感器之间宣称的性能差距？
你自己的那一点一次口径审计，交付一个标准化计算工具。 生物传感器文献里「检出限」至少有五种算法：(1) 3σ_blank/斜率（IUPAC）；(2) 3.3σ_residual/斜率（ICH）；(3) 信噪比 S/N=3 的目视法；(4) 校准曲线最低非零点；(5) 拟合曲线偏离线性的转折点。这五种在同一份数据上可以差 5–10 倍。 而 ISEF 传感器项目里，几乎没有一个说明自己用的是哪一种，也几乎没有一个报告空白重复次数。
你的设计：(1) 自建一个低成本传感器（比色法最便宜：手机拍照 + 色卡标定；或电化学法用 ¥300 级的迷你恒电位仪），测一个良性分析物（葡萄糖、抗坏血酸、亚硝酸盐——避开任何生物危害）；(2) 采集充分的空白重复（n≥20，这是关键，多数项目只做 3 次）与完整校准曲线；(3) 用五种定义分别算 LoD，报告比值；(4) 敏感性分析：LoD 估计随空白重复次数如何收敛——给出「至少需要多少次空白才能让 LoD 估计稳定在 ±20% 内」；(5) 输出一个开源计算器。
擦过本地语料里报告 LoD 的传感器类获奖项目密度极高，四个锚点：
- ISEF 2026 ENBM026T（Grand Award + Special Award）「POCKET」：「Our device is $30, requires <15 minutes, and has LODs of 40 pg/mL and 127 pg/mL for TNF-α and VEGF respectively, making it as cheap as a lateral flow assay and as accurate as an ELISA kit being within 10% of its LOD.」
- ISEF 2026 ENBM063（Grand Award）「Graphene-Based Pollen Sensor」：「The device demonstrated strong specificity, supported by fifteen resistance measurements with high statistical evidence(P=0.00063). An exponential relationship (y=0.594e^-239.3x) was derived by fitting resistivity change against varying specific antigen concentrations, with a limit of detection down to ng/mL range for ragweed allergen.」
- ISEF 2026 ENBM079（Grand Award）：「The assay maintained a 400 fM LoD and limit of quantification even in human serum.」
- ISEF 2025 BCHM014（Grand Award）：MIP 溶菌酶传感器，报告「physiologically relevant limits of detection, quantitation, and blank」。
四个项目都报告了 LoD 数值，摘要中都未说明计算定义或空白重复次数。（BCHM014 提到了「limit of blank」，这是四个里唯一暗示了正确框架的。）
文献前作：未核查（IUPAC 与 ICH 的 LoD 定义、Armbruster & Pry 关于 LoB/LoD/LoQ 的经典论文，是这个领域的标准引文，必查——你的贡献只能落在「针对低成本学生传感器的实证标定与工具」上）。
约束最可能死在被认为「只是在算不同公式」。最便宜的规避方式： 主结果必须是实证的、且反直觉的：例如「当空白重复只有 3 次时，LoD 估计的 95% 置信区间跨越一个数量级」——这是一个用模拟 + 实测都能证明的具体数字，比「有五种定义」有力得多。把这个数字做成你的头条结论。
次要约束： 恒电位仪或比色装置需要标定。若走比色路线，手机相机的自动白平衡是最大的误差源，必须锁定曝光与白平衡并加入色卡校正。
表格： 无人、良性分析物 → Form 1/1A/1B/2A + Form 3（化学品，须查 SDS）。若测的是人体样本中的分析物则触发 Form 6A/6B——本设计刻意用标准溶液避开。 展台禁液体/化学品/玻璃。