慢性疼痛被称为“无形残疾”——患者主诉剧痛，却无任何客观检测可量化其程度。 韩国基础科学研究院（IBS）与忠南大学合作团队在《自然·神经科学》发表的研究，首次证明了慢性疼痛存在高度个体化的“脑指纹”。通过对纤维肌痛患者进行长达六个月以上的密集功能磁共振（fMRI）纵向采样，研究者为每位参与者构建了个性化的AI解码模型，能够实时预测自发疼痛的波动强度（预测-实际相关性达0.40–0.65）。关键发现是：每位患者的“疼痛连接组”完全不适用于他人——基于患者A训练的模型无法预测患者B的疼痛，这解释了为何“一刀切”的疼痛生物标志物无法成功，并指明了精准神经影像在慢性疼痛评估与治疗中的未来方向。
慢性疼痛的测量困境
慢性疼痛（如纤维肌痛、神经病理性疼痛）常呈自发性波动，无明确外部伤害性刺激，患者只能通过主观评分描述。临床缺乏类似血压、血糖的客观生物标志物，导致：
- 患者痛苦被低估或质疑；
- 治疗响应难以量化评估；
- 药物研发缺乏替代终点。
研究设计：密集纵向fMRI采样
研究纳入纤维肌痛患者，采用精密神经影像（precision neuroimaging）方法：
- 采样强度：每位参与者进行多次fMRI扫描，跨越超过半年，远超常规纵向研究（通常仅2-3次）；
- 同步评分：扫描期间，参与者连续报告实时疼痛强度（通过视觉模拟量表VAS）；
- 全脑功能连接：分析全脑各脑区之间血氧水平依赖（BOLD）信号的同步性，构建功能连接组（functional connectome）；
- 个体化机器学习：为每位参与者单独训练模型，将全脑连接模式映射至疼痛强度。
核心发现：个体化的“疼痛连接组”
1. 成功解码自发疼痛波动
个体化模型的预测能力显著：
- 预测疼痛强度与实际报告的相关性（r）达到0.40–0.61（参与者1）和0.51–0.65（参与者2）；
- 区分“高疼痛”与“低疼痛”状态的曲线下面积（AUC）达0.71–0.87和0.76–0.93，具有良好的分类性能。
2. 数据量决定成败
模型性能随训练数据量增加而提升。使用常规纵向研究的数据量（少数几次扫描）无法达到显著预测精度——这一发现解释了为何此前研究未成功，并为未来研究设定了数据收集的基准。
3. 个体特异性：疼痛无“通用模式”
这是本研究最关键的启示：
- 每位患者的功能连接模式高度独特；
- 跨个体交叉测试失败：用患者A数据训练的模型完全无法预测患者B的疼痛；
- 提示慢性疼痛的神经表征具有个体特异性，源于每个人独特的脑网络结构、经历与代偿机制。
“疼痛无法被看见这一事实加剧了慢性疼痛患者的痛苦，”资深作者WOO Choong-Wan博士指出，“我们的研究显示，精密神经影像可能有助于在个体层面更客观地评估无形疼痛。”
机制阐释：疼痛的“全脑对话”
不同于此前研究仅关注少数“疼痛矩阵”脑区（如岛叶、前扣带回），本研究采用全脑功能连接分析，捕捉疼痛作为分布式脑网络动态交互的本质。慢性疼痛可能涉及：
- 默认模式网络与突显网络的异常耦合；
- 感觉-情绪-认知环路的多重交互；
- 每名患者因病程、性格、基因背景而形成独特的网络失衡模式。
临床意义：从“无形”到“可视”
- 客观评估工具
个体化神经影像模型为患者主诉提供了生物学佐证，有望终结“疼痛全是心理作用”的偏见。 - 精准治疗指导
识别个体特有的疼痛连接模式后，可筛选最可能有效的治疗（如靶向特定网络的神经调控），实现“对号入座”的精准医学。 - 药物开发新终点
未来临床试验可将个体化疼痛解码作为客观终点，降低对主观评分的依赖，提高试验灵敏度。
未来方向与挑战
- 规模扩大：在更大样本中验证个体化模型的普适性，并探索是否可根据网络模式将患者分为若干“亚型”；
- 临床转化：开发缩短采样时间的模型（从数月降至数小时），使其适合临床常规使用；
- 治疗监测：评估个体化模型能否预测治疗效果（如药物、经颅磁刺激），指导动态调整；
- 泛化性检验：在其他慢性疼痛类型（如腰背痛、神经痛）中验证该方法。
“每位参与者都展现出与疼痛相关的独特脑连接模式，”第一作者LEE Jae-Joong强调，“理解这些个体化神经特征，最终可能帮助指导疼痛评估与治疗的精准方法。”
参考信息
Reference: “Personalized brain decoding of spontaneous pain in individuals with chronic pain” by Jae-Joong Lee, Seongwoo Jo, Sungkun Cho & Choong-Wan Woo, Nature Neuroscience.
DOI: 10.1038/s41593-026-02221-3