T176–86
医学影像分类的「99% 准确率」，有多少来自同一个病人出现在训练集和测试集
框架在公开脑肿瘤 MRI 分类数据集上，按切片随机划分与按病人划分（subject-disjoint）两种方案，同一模型的准确率相差多少？这个差值随「每病人切片数」如何变化？
你自己的那一点一次泄漏量的定量测绘，而不是笼统地说「有泄漏」。你固定模型与训练超参，只改划分方式，在多个公开影像数据集上重复，把「泄漏放大量」表达成每病人切片数的函数——给出一个可以让别人直接查的经验公式。再加一层：用图像哈希/感知相似度检测训练集与测试集之间的近重复图像，量化数据集本身自带的重复污染。
擦过ISEF 2025 TMED072（Grand Award）「Optimized ML Models for Brain Tumor Diagnosis」，摘要原文：「classifying 15 brain tumor types from a dataset of 4,479 MRI images（…）Among the transformer-based models, one achieved up to 99.00% validation accuracy, indicating a potential reduction in diagnostic error rates from 5% to 0.05%.」它报告 99.00% 验证准确率并据此推断诊断错误率可降至 0.05%，摘要中未说明划分是按切片还是按病人。 15 类 4,479 张图，意味着每类平均不到 300 张——在这个规模下按切片随机划分几乎必然造成同一病人跨集。
同赛道内部的反证（这是本条 h=5 的原因）： ISEF 2026 TMED081（Special Award）「ML for Voice-Based Parkinson's Assessment」明确使用了「participant-wise splitting」；ISEF 2026 ENBM092（Special Award）「VoxNeuro」在摘要中直接点名了这个问题：「A major methodological issue in prior PD speech machine-learning studies is subject leakage: many evaluate individual recordings rather than unseen patients, inflating diagnostic accuracy.」这两个项目证明该问题在 ISEF 圈内已被认识——所以你的新颖性不能是「指出存在泄漏」，只能是「在影像任务上量化它的大小与依赖关系」。这个区别必须写进你的新颖性边界。
文献前作：未核查（医学影像 AI 的数据泄漏是有专门综述的话题，必查；这会进一步压缩新颖性，你的贡献可能只剩「具体数据集上的量化」）。
约束可行性很高（公开 Kaggle/TCIA 数据 + 一张消费级 GPU 或 Colab）。最可能死在新颖性被文献占满。最便宜的规避方式： 把交付物做成一个自动泄漏检测工具——输入任意影像数据集，输出近重复率与预估的泄漏放大量。工具比结论更难被抢跑。
表格： 公开去标识化影像 → IRB 豁免第 2 类，不需要 Form 4。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。
T276–86
胸片 AI 学到的是病，还是学到了这家医院
框架一个在某公开胸片数据集上训练的 CNN，迁移到另一个来源数据集时 AUC 掉多少？如果把图像边缘（含体位标记、导管、设备标识、烧录文字）遮挡掉再训练，掉多少？
你自己的那一点捷径特征（shortcut）的定位与剥离。医学影像 AI 的经典失效是模型学会了「这张片子来自哪家医院/哪台机器」而不是病理。你做三件事：(1) 跨数据集外部验证（NIH ChestX-ray14 → CheXpert → MIMIC-CXR 之类的两两迁移矩阵）；(2) 来源分类探针——训练一个模型专门去预测「这张图来自哪个数据集」，若它轻松达到 95%+，说明源信息在图像里唾手可得；(3) 系统性遮挡（边缘、四角、文字区）后重测，量化每一块区域贡献的 AUC。
擦过ISEF 2025 TMED076（Grand Award + Special Award）「Evaluating CNNs for Chest X-ray Diagnosis」，摘要原文：比较 EfficientNetB1（240×240）与 EfficientNetB4（380×380），测了在无独显笔记本上的推理速度，「EfficientNetB4 and a radiologist assessed 18 images as a benchmark（…）Compared to the radiologist, EfficientNetB4 delivered 18 out of 18 images correct and faster image processing. Using GradCAM heatmaps, localization was precise, with the exception of a single pneumothorax case.」它用 18 张图作为对比放射科医师的基准，并用 GradCAM 声称定位精确。18/18 的 95% 置信区间是约 81%–100%——这一点摘要中未提及；摘要中也未提及跨数据集外部验证。
文献前作：未核查（Zech 等人 2018 年关于跨医院泛化的论文是这个领域的奠基文献，Geirhos 等人的 shortcut learning 综述也是必查——你的新颖性边界会被它们大幅压缩，必须提前知道）。
约束最大的现实约束是数据许可。ChestX-ray14 与 CheXpert 可直接下载；MIMIC-CXR 需要 PhysioNet 认证账户（须完成 CITI 培训课程，未成年人能否获批不确定）。最便宜的规避方式： 只用两个免认证数据集就足以构成迁移矩阵，把 MIMIC 作为可选项。
次要约束： 「18/18 vs 放射科医师」这类对照你不要复制——让放射科医师读片属于人类受试者研究（专业人员作为受试者仍是受试者），触发 Form 4/IRB。本课题完全不需要人。
表格： 公开去标识化影像 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
T372–90
两万维特征、六十个样本：AUC>0.9 意味着什么
框架当在 n≈60 的队列上、对约 20,000 个蛋白特征做机器学习分类时，在标签完全随机的零假设下，交叉验证 AUC 的分布长什么样？报告的「三个模型交集出的 7 个抗原」，在零假设下期望有几个？
你自己的那一点高维小样本下的零分布标定，加一个常被误解的点：多个模型在同一份数据上取交集，不是独立复现。 LASSO、混合效应模型、SLIDE 三者跑的是同一批 60 个样本，它们的一致性主要反映数据本身的结构，而不是生物学真实性。你构造两层零模型：(1) 置换标签后重跑完整流程（含特征选择），记录 AUC 与交集大小的零分布；(2) 模拟纯噪声数据，看「三模型交集」相对「单模型」的假阳性率是升还是降。交付物：一张「给定 n 与特征维度，AUC 需要多高才不平凡」的判据表。
擦过ISEF 2025 TMED084（Grand Award + Special Award）「Discovery of Novel Self-Antigens in IgG4-RD」，摘要原文：「I analyzed HuProt microarray data previously collected from 30 patients with IgG4-RD and 30 patients with Systemic Sclerosis (SSc, positive control). Using R, I used three machine learning models—LASSO regression, linear and generalized linear mixed models (LMM/GLMM), and SLIDE—to identify differentially bound proteins. Each model performed with high prediction accuracy (AUC > 0.9), and their intersection revealed seven consistently reactive autoantigens.」它报告三个模型各自 AUC>0.9 并取交集得 7 个抗原，摘要中未提及置换检验、外部验证队列或多重比较校正。 其中两个（POLR3K、TOP1MT）是 SSc 已知靶点——这实际上是一个内部阳性对照，说明流程能捞到真信号；但这不能推出另外两个新候选的可靠性。
文献前作：未核查（p≫n 情形下的交叉验证乐观偏倚有大量统计学文献，Varma & Simon 的嵌套 CV 论文是必查项）。
约束最可能死在拿不到 HuProt 原始数据。 最便宜的规避方式： 该课题不需要那份数据——用任意公开的高维组学数据（GEO 上的蛋白芯片/甲基化/表达谱），把 n 和特征维度调到与原研究匹配，做的是方法学标定而不是复现该研究。这样零成本且不受数据可及性限制。
表格： 公开数据 / 模拟 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
T477–95
用合成数据训练、用合成数据测试，测出来的是模型还是生成器
框架当一个分类器在「按生物学规则生成的合成样本」上训练、又在同一生成器产出的「盲测集」上评估时，它的 95% 准确率反映的是真实预测能力，还是生成器自身的规则？把同一模型放到真实基因组–表型配对数据上，准确率掉多少？
你自己的那一点合成–真实鸿沟（synthetic-to-real gap）的定量测量。 这是 ISEF 里极其普遍、极少被审视的失效模式：合成数据的标签是由生成规则决定的，模型只要学会那套规则就能拿到高分，与真实世界的复杂性无关。你的设计：(1) 复现一个「按已知耐药突变规则生成菌株」的生成器；(2) 在其产出上训练分类器，记录合成盲测准确率；(3) 在真实的公开基因型–表型数据集（如 CRyPTIC 结核耐药数据集、PATRIC/BV-BRC 的抗菌谱数据）上评估同一模型；(4) 量化鸿沟，并拆解成「规则不完整」与「真实数据噪声」两部分。
擦过ISEF 2026 TMED087T（Special Award）「AI Biosensor for H. pylori Mutation Detection」，摘要原文：「The AI component, a multi-output Random Forest classifier trained on 10,000 biologically informed synthetic strains, predicts resistance to six antibiotics, MDR status, virulence level, and gastric cancer risk using 29 genomic features. SMOTE was applied to address class imbalance. The model achieved 95% MDR accuracy, >91% per-antibiotic accuracy, and AUC >0.93, with strong generalization on blind testing.」它报告了「盲测上的强泛化」，但盲测集同样来自那 10,000 条合成菌株的生成过程。摘要中未提及在真实临床分离株数据上的验证。 另注：SMOTE 在交叉验证之前应用会造成额外的乐观偏倚——这是第二条可查的线。
文献前作：未核查（合成数据评估的陷阱、SMOTE 泄漏问题都有专门文献，必查）。
⚠️ 合规提醒： 本课题只用公开基因组序列数据，不培养任何微生物。真去培养耐药菌是 2027 规则明文封死的方向（「禁止设计或筛选多重耐药菌以研究耐药感染的病理、发展或治疗」，即使在 RRI 也需 BSL-2 + IBC 书面批准）。纯计算路线完全绕开这条禁令，这正是本课题的设计意图。
约束最可能死在真实数据集的规模与标注质量。 CRyPTIC 等数据集体量大、清洗需要功夫。最便宜的规避方式： 缩小到 2–3 种药物、一个物种，把深度做够；宁可少而准。
表格： 公开序列数据、无活体微生物 → Form 1/1A/1B/2A。不触发 Form 6A。
T575–93
从 1293 个蛋白里挑 3 个，在 n=5 的验证集上拿到 100% 特异性有多难
框架在一个「发现队列 n=10/组 → 筛出差异蛋白 → 挑出 3 蛋白面板 → 验证队列 n=5/组」的流程中，当真实效应为零时，得到「≥90% 准确率、100% 特异性」的概率是多少？要让这样的验证结果具有说服力，验证队列最少需要多大？
你自己的那一点一个流程级的零假设模拟，产出一张「最小验证队列」查表。 关键点在于你要模拟的是整条流程而不是单个检验：从 1,293 维随机噪声出发，按发现队列筛选、按同样规则选 3 个特征、在独立的 n=5/组上评估。这样得到的零分布才对应真实的分析者自由度。再加一个实用交付物：给定发现队列规模、特征维度、期望效应量，输出「验证队列需要多少人才能把假阳性率压到 5% 以下」的公式或查表。 这个东西对整个 TMED 赛道都有用。
擦过ISEF 2025 TMED069（Grand Award）「Tear Test for Early Stroke Detection」，摘要原文：「LC-MS/MS analysis was performed on tear samples from subjects with IS, HS, and healthy controls (HC) (n=10 per group). MaxQuant and Perseus analyses identified 1,293 proteins, with 55, 89, and 48 differentially expressed proteins (DEPs)（…）Further interrogation of the DEPs revealed a biomarker panel comprising interleukin-6 (IL6), thioredoxin (TXN2), and fibrinogen (FIB), achieving 90% accuracy, 90% sensitivity, and 100% specificity in an independent cohort (n=5 per group).」它用 n=5/组的独立队列报告 100% 特异性——这意味着 5/5，其 95% 置信区间约为 48%–100%。摘要中未给出置信区间。 该项目本身很扎实（自研毛细管泪液蛋白组学技术、开发了 QuanTear 传感器），问题不在于它做错了什么，而在于验证队列规模本身能支撑多强的结论。
文献前作：未核查（生物标志物发现的过拟合与验证队列规模，在临床化学与统计学界有成熟文献，Ransohoff 的相关论文必查）。
约束可行性极高（纯模拟 + 公开蛋白组数据校准）。最可能死在学科契合——TMED 评委可能认为这属于统计学。最便宜的规避方式： 用真实的公开临床蛋白组数据（PRIDE、CPTAC）做实证校准，并把结论落到具体的临床标志物场景上（「泪液/唾液标志物研究的最小验证规模」），而不是抽象的统计命题。
表格： 公开数据 / 模拟 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
T669–87
唾液显色检测：你测的是那个蛋白，还是当天的唾液流速
框架一个基于铁结合特性的无抗体显色法，对乳铁蛋白之外的铁结合蛋白（转铁蛋白、血红蛋白）交叉反应有多强？同一个人在一天内不同时段、不同进食/饮水状态下，该显色读数的变异系数是多少？这个日内变异，相对于报告的病例–对照组间差异，孰大孰小？
你自己的那一点两个正交的有效性探针，且完全在 IRB 豁免第 1 类（只测自己）内完成。
- 探针一（分析特异性）： 用纯品蛋白配制系列溶液——乳铁蛋白、转铁蛋白、血清白蛋白、血红蛋白——测各自的显色响应，算交叉反应率。若转铁蛋白的响应达到乳铁蛋白的 50%，那么这个「乳铁蛋白检测」实际上是「铁结合蛋白总量检测」。
- 探针二（前分析变异）： 唾液蛋白浓度强烈依赖于唾液流速、时段、水合状态、刺激与否。你按标准化协议（如 Navazesh 法）在自己身上采集 8 周、每天多时段，量化日内与日间变异系数。然后把它与文献报告的病例–对照差异相除——若比值接近 1，说明单次采样的诊断结论不可靠。
擦过ISEF 2026 TMED019T（Grand Award）「Device for detecting Alzheimer's from saliva」，摘要原文：「Based on the iron-binding properties of lactoferrin, we designed an antibody-free detection strategy to assess lactoferrin levels solely through color change, quantitatively analyzed using image-based analysis. To confirm clinical applicability, we analyzed human saliva samples and observed a statistically significant difference in colorimetric response between Alzheimer's disease patients and healthy controls (p = 0.00168).」它报告了病例–对照的显著差异（p=0.00168）与约 $0.20/次的成本，摘要中未提及对其他铁结合蛋白的交叉反应验证，也未提及唾液采集的标准化或日内变异。 无抗体策略是这个方法最大的成本优势，也正是它特异性最脆弱的地方。
文献前作：未核查（唾液标志物的前分析变异有专门综述，唾液乳铁蛋白与 AD 的关联本身也有争议文献，必查——后者尤其重要，可能直接影响你怎么表述这个课题）。
⚠️ 合规设计说明： 本课题只采集学生本人的唾液，属 IRB 豁免第 1 类（学生本人是唯一测试者）。绝对不要扩展到同学或家人——那一刻它变成人类受试者研究，需 Form 4 + IRB 事前批准，且你不得向他们反馈任何结果。
另注： 唾液属于体液。即使是自己的，涉及体液的研究通常触发 Form 6A/6B（潜在危险生物制剂 / 人体组织表）。这一点必须在开题前向你的附属赛 SRC 书面确认，不同 SRC 对「自体样本」的判定可能不同。这是本条最可能翻车的地方。
约束最可能死在合规判定的不确定性（见上）与纯品蛋白成本。 乳铁蛋白与转铁蛋白纯品试剂约每克数百到上千元，但实验只需毫克级，可控。最便宜的规避方式： 若 SRC 判定自体唾液仍需完整生物制剂流程且周期过长，把课题收缩为纯分析化学版本——只做探针一（用纯品蛋白与人工唾液基质做交叉反应谱），完全不采集真实唾液。这样合规负担降到最低，课题仍然成立。
表格： 自体测试 → IRB 豁免第 1 类；但涉及体液可能需 Form 6A + Form 6B（须 SRC 事前批准）+ Form 3；Form 1/1A/1B/2A。展台禁液体：所有样品只能用照片。
T765–83
田口法找到的「最优配方」，在交互作用不可忽略时还是最优吗
框架当正交表实验设计（Taguchi DOE）把 243 种组合压缩到 324 次测试时，它假设各因子间无显著交互。如果同一份数据的回归分析显示层间交互解释了 17% 的性能变异，那么田口法选出的「最优组合」，在全因子验证下有多大概率不是真正的最优？
你自己的那一点一个内部矛盾的定量检验。 原研究自己同时报告了两件互相冲突的事：用了假设无交互的正交表，又用岭回归发现交互解释了 17.3% 的变异。你做两件事：(1) 模拟层——构造已知真值的响应曲面，交互项贡献从 0% 扫到 40%，跑田口法选优，记录「田口最优 = 真最优」的命中率随交互强度的下降曲线；(2) 实证层——用一个便宜的多层复合材料体系（不必是医用敷料，可以是任意五层结构的吸水/抗压性能），实际跑田口子集与全因子的一个可负担分支，验证模拟结论。交付物：一张「交互贡献超过多少时田口法失效」的判据。
擦过ISEF 2026 TMED056（Grand Award）「Engineering a Dressing to Prevent Pressure Ulcers」，摘要原文：「Three material options per layer yielded 243 combinations, requiring testing 2,916 dressings across 4 conditions (pressure, shear, moisture, and adhesion) with 3 trials each (1,458 hours). The Taguchi Design of Experiments (DOE) method reduced testing to 324 dressings (162 hours). Results revealed an optimal design（…）ANOVA identified the wound contact layer (47.9%; F=15.3, p<0.001) and absorbent layer (17.1%; F=5.5, p=0.016) as statistically significant drivers of performance variation. Separately, a Python-trained machine learning ridge regression model indicated interlayer interactions explained 17.3% of performance variability.」它同时报告了田口最优设计与「层间交互解释 17.3% 变异」，摘要中未讨论后者对前者有效性的影响，也未报告全因子验证。
文献前作：未核查（田口法的交互作用局限在质量工程文献中是经典批评，Box 等人有著名论战，必查——你的贡献必须落在「量化失效阈值」而非「指出局限」）。
约束最可能死在实证层的材料与测试装置。 压力/剪切/吸湿/粘附四项测试需要自制装置。最便宜的规避方式： 实证层只保留最容易精确测量的一项（吸湿或抗压），其余靠模拟；并把材料换成成本极低的替代（纱布、海绵、胶带、铝箔——原研究用的本来就是这类东西）。注意 ISEF 排除「纯演示」，所以模拟必须与实测挂钩，不能只有模拟。
表格： 无人无生物 → Form 1/1A/1B/2A + Form 3（若涉及机械测试装置）。不需要 Form 4。
T873–91
分子对接的排名，预测得了真实活性吗
框架在一个具体靶点上，用与 ISEF 常见流程相同的对接方案（AutoDock Vina / Glide / Schrödinger）给已知活性化合物与性质匹配的诱饵分子（decoys）打分，对接排名与实测 IC50 的 Spearman 相关系数是多少？富集因子（EF1%）是多少？
你自己的那一点回顾性富集验证（retrospective enrichment）——药物化学里评估虚拟筛选流程的标准动作，但在 ISEF 的对接类课题里几乎从不出现。你的设计：从 ChEMBL 取一个有大量实测数据的靶点，用 DUD-E / DEKOIS 生成性质匹配诱饵，跑与获奖项目相同的对接协议，计算 ROC-AUC、EF1%、BEDROC。再加一层最关键的：量化「打分分辨力」——在报告的分数范围（如 −8 到 −10 kcal/mol）内，分数差 1 kcal/mol 对应实测亲和力差多少个数量级？如果几乎无关，那么「我们的化合物结合能 −9.4 kcal/mol，优于对照的 −8.1」这类论证就没有支撑。
擦过本地语料里对接类获奖项目密度极高，至少四个直接锚点：
- ISEF 2026 TMED057（Grand Award）「Targeting TNIK in Triple-Negative Breast Cancer」：「A structure-based computational screening of 24,000 compounds from the Enamine Hinge Binders Library was conducted on the TNIK protein (PDB ID: 5D7A). The top ten compounds were selected based on sequential molecular docking, protein-ligand interactions, binding free energy calculations, and ADMET profiling.」最终三个化合物在 MDA-MB-231 上产生「significant dose-dependent cell death (~40%, p<0.005)」。
- ISEF 2026 TMED047（Grand Award）「Cathepsin C Inhibitor for Treating IBD」：「over 200 different variants of 3,5-dimethoxycinnamic acid were docked to the CTSC protein and screened for docking scores and ADME pharmacokinetic properties.」
- ISEF 2025 TMED055（Grand Award）「CRAC Channel Inhibitors for RA Treatment」：用 NeoScreen 与 Schrödinger GLIDE 做虚拟筛选，「The lead compound, 1-Desgalloyleugeniin (tannin-derived metabolite), showed the highest affinity」。
- ISEF 2026 TMED062（Grand Award）：报告 AKB-9778 抑制 ZNF385D「via Molecular Docking (binding affinity of -9.4 kcal/mol)」。
四个项目都用对接分数作为选优依据，没有一个报告该对接协议在该靶点上的回顾性富集能力。 TMED057 做了体外验证（这一点比其余三个扎实），但 ~40% 细胞死亡这个幅度本身不足以证明特异性。
文献前作：未核查（对接打分函数的评估有极其成熟的文献体系——CASF、DUD-E 论文、Warren 等人的对接比较研究，必查。你的新颖性只能落在「针对 ISEF 常用协议与常见靶点的具体标定」上）。
约束可行性很高（AutoDock Vina 免费、DUD-E 公开、ChEMBL 公开，一台电脑即可）。最可能死在新颖性被文献彻底占据。最便宜的规避方式： 把靶点选成本地语料中反复出现、但公开评估数据稀少的那些（TNIK、CTSC、ORAI1），并明确把交付物定位为「面向学生项目的对接协议可信度自查工具 + 靶点特异的分数阈值表」。
表格： 纯计算 → Form 1/1A/1B/2A。AI 政策： 若用 AI 辅助写脚本，须显式引用 + 保留提示词日志。
T968–86
用 Kozeny-Carman 算出来的支架渗透率，误差有多大
框架Gibson-Ashby 模型（预测多孔材料模量）与 Kozeny-Carman 方程（预测渗透率）在 3D 打印晶格支架上的预测误差，随孔隙率如何变化？在什么孔隙率区间以上，这两个解析模型的预测偏差超过它们所要区分的「梯度 vs 均匀」设计差异？
你自己的那一点给解析模型标定适用边界，用实测打脸或背书。 Kozeny-Carman 是从填充床推导的，在高孔隙率（一般说法是 >0.7–0.8）和非球形孔结构下已知失效；Gibson-Ashby 是针对理想开孔泡沫标定的，对 Voronoi 晶格未必成立。你的实验：3D 打印一系列孔隙率 0.4–0.9 的晶格（Voronoi 与规则两种拓扑），直接测压缩模量（自制或校准的加载装置）与渗透率（恒压水头流穿实验，Darcy 定律直接给出 k），与解析预测对比，画出「预测/实测比」随孔隙率的曲线。
擦过ISEF 2026 TMED013（Grand Award）「MRI-to-Scaffold Pipeline for Meniscus Repair」，摘要原文：「The pipeline performs segmentation, anisotropic voxel correction, Voronoi-based lattice tessellation, regional gradient assignment, and multi-physics validation using Gibson-Ashby, Kozeny-Carman, Darcy's Law, and voxel-based FEA to ensure scaffolds are clinically compatible（…）Validation across hundreds of patient anatomies (Stanford SKM-TEA dataset) showed gradient scaffolds achieved significantly higher porosity and permeability（…）Physical validation using PCL scaffolds fabricated via FDM 3D printing confirmed computational predictions, with gradient scaffolds demonstrating significantly faster PBS flow-through times and low dimensional error.」它做了物理验证（PBS 流穿时间），这一步很扎实。但摘要中的物理验证是「更快 vs 更慢」的定性一致，未报告解析模型预测的渗透率绝对值与实测值的定量偏差，也未报告偏差随孔隙率的依赖关系。 这就是它没问的问题。
文献前作：未核查（Kozeny-Carman 在高孔隙率下的失效、Gibson-Ashby 对晶格的适用性，在多孔材料力学文献中有大量研究，必查）。
约束最可能死在渗透率测量精度。 恒压水头装置容易做，但小尺寸样品的边壁效应（水从样品与夹具之间流走）会主导误差。最便宜的规避方式： 打印带一体化外壁的样品（把夹具做进样品里），并用已知渗透率的参考样品（规则直孔阵列，渗透率可解析求得）校准整套装置——这一步必须在开题前跑通，否则整个课题的可辩护性归零。
表格： 3D 打印 + 水流实验 → Form 1/1A/1B/2A + Form 3（涉及加载装置）。不涉及人或生物材料（用水或 PBS，不用细胞）。展台禁液体：流穿实验只能用照片和视频。
T1072–90
Dice 系数 0.96，边界误差是多少
框架在腹部 CT 器官分割任务中，Dice 系数最高的模型，是否也是表面距离误差（HD95、ASSD）最小的模型？对小结构（肝血管、肿瘤）而言，Dice 与表面距离指标的排序不一致率有多高？
你自己的那一点指标口径的一致性审计。 Dice 是体积重叠度量，被大器官的体积主导；同一个 Dice 值可以对应完全不同的边界质量。而在外科规划场景中，真正决定安全的是边界，不是体积重叠。你的设计：在公开的 Medical Segmentation Decathlon（肝、胰、血管、肿瘤任务）上训练若干模型，对每个模型同时计算 Dice、HD95、ASSD、边界 Dice（Boundary Dice / NSD），计算这些指标给出的模型排序之间的 Kendall τ，并按结构体积分层。交付物：一条「结构体积小于多少体素时，Dice 不再是可靠的模型选择依据」的判据。
擦过ISEF 2025 TMED050（Grand Award + Special Award）「Pancreatic Surgery Assistant」，摘要原文：训练了 9 个 U-Net 与 3 个 YOLO，「For the pancreas segmentation task, the nnU-Net had the highest validation dice coefficient of 0.9576. For the hepatic vessel task, the nnU-Net had the highest coefficient of 0.9641. For the liver task, the 2D Attention U-Net had the highest coefficient of 0.9823.（…）The developed application was reviewed by local surgeons to see how useful the application was and surgeons reported that it could reduce the complication rate by 10 to 30%.」它用 Dice 作为唯一的模型选择依据，摘要中未报告任何边界距离指标。 另外「外科医生认为可降低并发症率 10–30%」这句是主观意见，不是测量——这也是可以问的一条线（但让外科医生评估会触发人类受试者规则，本课题不走这条）。
注意一个可辩护性细节： 肝血管分割 Dice 0.9641 这个数值远高于该任务的公开基准（MSD 肝血管任务的顶级方法 Dice 通常在 0.6–0.7 量级）。这本身就值得你在文献核查阶段确认——如果基准差距真的这么大，那么口径或数据划分很可能不同，这会成为你课题的一个额外发现。但在你亲自核实之前，不要写进方案。
文献前作：未核查（Reinke 等人的「Metrics Reloaded」与「Common Limitations of Image Processing Metrics」是这个话题的权威文献，必查——你的新颖性会被大幅压缩，务必提前知道）。
约束可行性很高（MSD 数据公开、nnU-Net 开源，需要一块像样的 GPU 或云算力，成本可控在几百元）。最可能死在算力与训练时间——3D 分割训练很慢，3–4 个月窗口内要留足余量。最便宜的规避方式： 不重新训练，直接用公开的预训练模型权重 + 已发布的分割结果做指标对比，把课题重心完全放在指标分析上。
表格： 公开去标识化影像 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
T1169–87
培养皿里没有耳朵：「双耳节拍」的体外效应是什么造成的
框架当把「双耳节拍」施加到细胞培养或无脊椎动物模型上时，观察到的生物学效应，有多少可由声压/振动、调幅声、扬声器发热、培养基流动这些非「双耳」因素解释？在加入这四组假处理（sham）对照后，原效应还剩多少？
你自己的那一点一个概念级的有效性质疑，用可测量的方式落地。 双耳节拍（binaural beats）在定义上是一个知觉现象：左右耳分别接收频率略有差异的纯音，差频在听觉神经系统内产生。培养皿没有两只耳朵，也没有听觉通路——它接收到的只是两个声源叠加后的物理声场，即一个调幅声波。因此任何体外效应都必须先排除以下四条通路才能归因于「双耳节拍」：
1. 声压/机械振动（对照：单一调幅纯音，产生相同的包络与声压）
2. 纯声压（对照：白噪声，匹配声压级）
3. 扬声器发热（对照：断开音频但通电的扬声器）
4. 培养基声流（对照：机械搅拌产生等效流场）
你把这四组对照全部做出来，用一个稳健的读数（涡虫再生速率、酵母生长曲线、种子萌发率——避开任何朊样蛋白靶点），量化各通路的贡献。
擦过ISEF 2026 TMED064（Grand Award）「MeMO: Binaural Modulation for Neurodegeneration」，摘要原文：「acoustic simulation was performed to predict the absorption and reflection of binaural beats in nervous tissues. Next, interactome analysis identified modules associated with synaptic function, neuroinflammation, and ionic homeostasis. Subsequently, changes in APP, MAPT, and BACE expression were evaluated in H4 cells exposed to 12 Hz binaural beats（…）After exposure, H4 cells showed a 2% reduction in APP, 11% in BACE, and 48% in MAPT.」它在细胞上施加双耳节拍并报告基因表达变化，摘要中未提及声学假处理对照。
⚠️ 合规红线（这也是本课题读数选择的原因）： 原项目测的是 APP 与 MAPT——MAPT 编码 tau，APP 是 Aβ 前体蛋白。2027 规则禁止涉及 Aβ、tau 等朊样蛋白的研究，包括编码这些蛋白的质粒。 你不要复制这个读数。本课题刻意选择与神经退行完全无关的读数（涡虫、酵母、种子），既绕开禁令，又不损害科学问题——因为你要问的是「声学归因」，不是「神经退行」。
文献前作：未核查（双耳节拍的人体研究文献存在且结论混杂；但「细胞层面双耳节拍」这个概念本身是否有前作，必须查清楚——如果没有，那说明它可能根本不是一个被认真对待的假说，这一点你必须在方案里诚实处理）。
约束最可能死在被认为「在打稻草人」。 若没有严肃文献支持「细胞能响应双耳节拍」，评委可能问「为什么要花三个月推翻一个本来就不成立的东西」。最便宜的规避方式： 把课题重新框成正面命题——「低频声学刺激对生物体系的效应通路拆解」：不是去否定谁，而是建立一套「声学生物学实验必须包含哪些对照」的最小对照集，并用实测数据给出每条通路的典型贡献量级。这个框架下，双耳节拍只是其中一个应用案例。这个改法把 O 保住了，同时大幅提升了 W。
次要约束： 声压级需要标定（手机分贝计 + 校准源），振动需要隔离（防振台或泡沫垫），温度需要监测。这些都便宜但必须做。
表格： 无人、无脊椎动物/酵母/植物 → Form 1/1A/1B/2A + Form 3。酵母发酵在多数情形下豁免 PHBA 事前审查（rDNA 研究除外）；涡虫、种子均不触发脊椎动物条款。
T1274–92
「零原始像素传输」等于隐私安全吗
框架在一个采用 Top-K 梯度稀疏化的联邦学习医疗影像系统中，攻击者仅凭上传的稀疏梯度，能重建出多接近原图的训练样本？重建保真度随稀疏率 k 如何变化？在什么 k 值以下，重建质量才低于「可识别」阈值？
你自己的那一点把一个隐私声明变成一个可测量的量。「没有传输原始像素」是一个关于数据格式的陈述，不是关于信息泄漏的陈述——梯度反演攻击（gradient inversion）在密码学与 ML 安全界已被反复证明可以从梯度重建训练图像。你实现一个标准的梯度反演攻击（如 DLG / iDLG / Inverting Gradients 系列），在与原项目相同的架构设定（冻结骨干 + 小参数量的可训练头）下，扫描稀疏率 k ∈ {1%, 5%, 10%, 100%}，用 PSNR / SSIM / LPIPS 量化重建质量。关键的可辩护点：原项目在 k=1% 时观察到了「准确率悬崖」（AUC 掉到 0.686）——如果隐私保护只在准确率已经崩塌的 k 值下才成立，那么这个系统不存在可用的安全工作点。这正是你要测的东西。
擦过ISEF 2026 TMED048（Grand Award）「Low-Cost AI-Based Breast Cancer Detection System」，摘要原文：「SEABED combined two algorithmic innovations: (1) Frozen-Backbone Subspace Optimization, restricting training to a 961-parameter Active Learning Head atop a frozen MobileNetV3Large backbone; and (2) Top-K Gradient Sparsification with residual accumulation, compressing client uploads to sub-kilobyte payloads（…）SEABED at k=10% achieved AUC = 0.715（…）Network traffic analysis confirmed zero raw pixel transmission across all 763 training rounds. At k=1%, AUC dropped to 0.686, revealing a cliff effect at extreme compression.（…）These results demonstrate that advanced medical FL is deployable on sub-$200 hardware with near-baseline diagnostic accuracy and structural privacy guarantees.」它以「零原始像素传输」为依据主张「结构性隐私保证」，摘要中未报告任何针对梯度反演的攻击评估。
你必须注意的诚实之处： 冻结骨干 + 961 参数的可训练头，实际上大幅削弱了梯度反演的可行性（可反演的信息量被限制在 961 维）。所以你的结果很可能是「这个特定设计确实比较安全」——那也是一个有价值的结论，而且比「我推翻了它」更可信。把课题写成「测量」而不是「攻破」，你就赢了一半。
文献前作：未核查（DLG/iDLG/Inverting Gradients、以及稀疏化对反演的影响，都有专门论文，必查——这个领域论文更新极快，务必查最近 18 个月）。
约束最可能死在算力与实现难度。 梯度反演攻击的实现有开源代码可用，但调参耗时。最便宜的规避方式： 用小分辨率数据集（CBIS-DDSM 的降采样版本或 MedMNIST）先跑通全流程，再考虑放大。AI 政策： 大量使用 AI 生成代码是这个课题的常态，必须显式引用并从第一天保留提示词日志。
表格： 公开去标识化影像 → IRB 豁免第 2 类。Form 1/1A/1B/2A。
T1369–87
一个基于智能体的疾病模型给出的用药建议，是模型说的还是参数说的
框架当一个基于智能体的（agent-based）疾病模型得出「某药在标准剂量下有害、必须联用」这样的临床建议时，在参数的合理不确定区间内做全局敏感性分析，这个建议在多大比例的参数组合下仍然成立？哪些参数是它的支点？
你自己的那一点Sobol 全局敏感性分析 + 可识别性检验，这是计算生物学里评估机制模型可信度的标准动作，但在中学 ABM 课题里几乎从未出现。你的设计：(1) 复现一个同类的海马体 ABM（或直接使用原研究若开源）；(2) 为每个参数设定文献可支持的区间；(3) 用 Saltelli 采样跑数千次仿真，计算一阶与总效应 Sobol 指数；(4) 计算「结论翻转率」——在参数空间中，「Lecanemab 标准剂量有害」这一结论成立的体积占比；(5) 可识别性检验——用合成数据反演，看校准数据（ADNI 的哪些指标）能否唯一确定关键参数，还是存在大片等效参数集。
擦过ISEF 2026 TMED044（Grand Award + Special Award）「Modelling Alzheimer's Combination Therapy」，摘要原文：「This project utilized a probabilistic, computational agent-based model using the Mesa framework and Python coding, calibrated to data collected from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. The model simulated the hippocampus spatially and temporally（…）The project determined the optimal dosage combination of the two treatments depending on the expression of the APOE gene, finding that Cromolyn monotherapy works best for homozygous APOE3 while combination therapy is the preferred approach for heterozygous APOE 3/4 and homozygous APOE4. The results imply that Lecanemab, which is commonly prescribed in large doses, is actually harmful in the standard dose and must be paired with an anti-inflammatory treatment.」它给出了具体的临床用药建议（「Lecanemab 标准剂量实际有害」），摘要中未报告敏感性分析、参数不确定性传播或可识别性检验。 这是一个非常强的临床声明，建立在一个未报告不确定性的模型之上。
⚠️ 合规提醒： 原项目模拟的是淀粉样斑块动力学。纯计算模拟不受朊样蛋白禁令限制（该禁令针对实际使用蛋白与编码质粒）。但你不得做任何相关的湿实验。 本课题全程在计算机内完成，这一点是它相对其它 AD 方向的巨大优势。
文献前作：未核查（Sobol 敏感性分析、ABM 的校准与可识别性，在系统生物学中有成熟方法学，SALib 是标准工具包，必查相关论文）。
约束最可能死在算力——Sobol 分析需要数千次完整仿真。最便宜的规避方式： 先建代理模型（用少量仿真训练一个高斯过程或梯度提升代理），在代理上跑敏感性分析，再用少量真仿真验证代理精度。这是标准做法，且本身就是一个可展示的技术点。
次要约束： ADNI 数据需要申请（有正式流程，通常对学生开放但需时间）。若拿不到，可用文献报告的汇总统计校准，并在方案中明确说明这一降级及其影响。
表格： 纯计算 → Form 1/1A/1B/2A。ADNI 属受控访问数据集，若通过某机构获取可能触发 Form 2C。
T1463–81
加标到人工血清里测出的检出限，在真实基质里还剩多少
框架一个 CRISPR-Cas12a 核酸检测体系，在缓冲液、人工血清、真实唾液/血浆三种基质中的检出限（LoD）相差多少倍？造成差异的主因是核酸酶降解、蛋白吸附、还是荧光背景？
你自己的那一点基质效应的分解，而不是笼统的「有基质效应」。 你在同一套 Cas12a 反应上做三层拆解：
1. 降解通路： 加/不加 RNase 与 DNase 抑制剂，看 LoD 变化 → 量化核酸酶贡献；
2. 吸附/抑制通路： 加/不加 BSA 封闭与去蛋白预处理，看 LoD 变化 → 量化蛋白干扰；
3. 光学通路： 测各基质的自发荧光背景与淬灭，直接算它对信噪比的贡献。
交付物：一张「LoD 劣化预算表」——告诉后来者，从缓冲液数据外推到真实样本时该打多少折。
擦过ISEF 2026 TMED074（Grand Award + Special Award）「M-CATCH: TB Drug Resistance Detection」，摘要原文：「M-CATCH is a multiplex CRISPR-Cas12a diagnostic assay that combines PCR pre-amplification with microdroplet microfluidics（…）By targeting circulating cell free DNA (cfDNA) in serum, it enables reliable testing in all populations by replacing sputum collection with the universally accessible blood draw.（…）For validation, Mtb genomic DNA was spiked into artificial human serum samples. M-CATCH accurately differentiated rpoB H445Y and rplC C154R mutations at concentrations as low as 10² copies/mL, surpassing the sensitivity of many current molecular assays. Further, the rpoB and rplC panels achieved an overall clinical sensitivity of 97.5% and a specificity of 100%.」它的验证全部在「加标的人工血清」中完成，摘要中未报告在真实临床样本或真实血清基质中的性能。 而人工血清缺少真实血清里的核酸酶、免疫球蛋白与脂质——这三者恰恰是核酸检测基质效应的主因。同时「临床敏感性 97.5%」这个措辞用在加标样本上是不准确的（clinical sensitivity 按定义需要临床样本）。
⚠️ 合规提醒： 本课题只用合成 DNA 靶标与商品化 Cas12a 蛋白，不培养任何分枝杆菌。培养结核分枝杆菌是绝对禁区。真实血清基质用商品化的混合人血清（试剂公司产品）或自体唾液——若用人血/血制品，即使是商品化的，也会触发 Form 6A + Form 6B，须 SRC 事前批准。这是本条最沉重的合规负担。
文献前作：未核查（CRISPR 诊断的基质效应有相当多论文，必查）。
约束最可能死在成本与合规双重压力。 Cas12a 蛋白 + 荧光报告探针 + 合成靶标的试剂成本约 ¥2,000–5,000；需要荧光板读仪或至少一台可定量的荧光成像装置；且人血清触发生物制剂表格。最便宜的规避方式： 把真实基质换成自体唾液（避开人血，但仍属体液，须向 SRC 确认）或牛血清/鱼类体液（避开人源材料）；把读数从荧光板改为手机拍照 + 蓝光激发 + ImageJ 定量（已有文献验证的低成本方案，但必须先用标准曲线证明动态范围够用）。
表格： Form 6A（+ 若涉及血液/体液则 6B），须 SRC 事前批准；Form 3；Form 1/1A/1B/2A；若在校外实验室完成加 Form 2C（须在展台竖立展示）。
T1568–86
一个 p=0.008 的候选基因关联，复现的概率有多大
框架在 N≈500 的队列上、检验若干候选 SNP 后报告的 p=0.008 关联，在同等规模的独立队列中复现的概率是多少？经赢家诅咒（winner's curse）校正后，真实效应量的期望是原报告的几分之几？
你自己的那一点复现力审计 + 效应量收缩估计，并把它做成一个通用工具。候选基因关联研究（candidate-gene association study）在 GWAS 时代之前产出了大量后来无法复现的结果，其根本原因是：小样本 + 未校正的多重检验 + 效应量被选择性放大。你的设计：(1) 给定报告的 p 值、样本量、等位基因频率，反推观察到的效应量；(2) 用条件似然做赢家诅咒校正，给出收缩后的效应量估计；(3) 计算在同等规模独立队列中的复现功效；(4) 实证锚定——去 GWAS Catalog / Open Targets Genetics 查该基因（如 HTR2A）与相关表型的已发表全基因组关联证据，看在真正的大规模研究里它是否存活。
擦过ISEF 2026 TMED016T（Special Award）「Isolating Resilience Factors in Elite Warfighters」，摘要原文：「Prospective study of EMT enrolled on a special warfare training exercise program. Variables included immune biomarkers (CD4,CD8 determining immune-health-grade-IHG), PR biomarkers (proteins, Vitamin-D) and specific gene SNPs that positively correlate with graduation data. Results: N=519, age 18-45, 100% male（…）Genetically, only the HTR2A gene showed significant association between allele type and graduation status (p=0.008) suggesting that this gene may influence traits such as risk, mood, or stress response. Likewise, HTR2A is linked to stronger physical fitness but was associated with lower cognitive performance as per IQ scores (p=0.008).」它报告「只有 HTR2A 显示显著关联」——这句话本身透露检验了多个 SNP，但摘要中未说明检验了几个、是否做了多重比较校正。 同时「非毕业者维生素 D 水平更高（p=0.06）」被写入结果，而 p=0.06 按常规阈值不显著。
⚠️ 合规提醒： 原研究是前瞻性人体研究（采血、基因分型、IQ 测试），中学生绝无可能复现——招募军事训练学员、采集生物样本、做基因分型，任何一环都超出可行边界，且 2027 规则下你不能向受试者反馈任何基因或健康信息。本课题完全不接触人，只用公开的 GWAS 汇总统计与模拟。这是这个方向唯一走得通的形态。
文献前作：未核查（赢家诅咒校正有 Zhong & Prentice、Ghosh 等人的方法学论文；候选基因研究的复现危机有 Border 等人 2019 年关于抑郁症候选基因的著名论文，必查——后者几乎是这个课题的直接思想来源，你必须诚实引用）。
约束最可能死在被判定为「文献研究」。 ISEF 明文排除文献综述。最便宜的规避方式： 主体必须是你自己产生的计算结果——模拟 + 校正算法实现 + 一个可用的在线工具（输入 p 值/N/MAF，输出收缩效应量与复现功效），文献只用于实证锚定。把工具做出来，这个课题就成立；只做综述，就出局。
表格： 公开汇总统计 + 模拟，无人 → Form 1/1A/1B/2A。不需要 Form 4。