2006年，卡尔·科赫在工伤事故中被烧伤后留下慢性疼痛，为此起诉其雇主索赔。雇主指控他装病，因此法官允许一位神经科学家作为专家证人，向陪审团展示科赫的功能性磁共振成像（fMRI）脑部扫描结果，以证明他确实感受到了疼痛。然而，一项发表在《疼痛》杂志上的新研究提示，依赖功能性磁共振成像（fMRI）或人工智能（AI）来“诊断”慢性疼痛可能会适得其反，并导致错误结论。该研究使用了从慢性疼痛患者和健康对照者中收集的功能性磁共振成像（fMRI）数据，并训练了一个机器学习模型（例如支持向量机（SVM））来区分这两类人群。尽管该模型在训练数据上达到了80-90% 的准确率，但当在来自不同采集地点（即不同磁共振成像扫描仪、不同采集参数）的数据上进行测试时，其准确率却下降到了60-70%（仅略高于抛硬币的概率）。在法医（法庭）背景下，如果这类工具的假阳性率（FP）过高，错误地将健康个体标记为疼痛患者（或反之），很可能会导致错误的判决。作者呼吁建立更强有力的监管框架，以防止人工智能工具在法庭上的误用。
慢性疼痛的挑战
在美国，估计有5-10% 的成年人（约5-100万人）患有慢性疼痛。慢性疼痛的治疗选择，如阿片类药物（吗啡、羟考酮、氢可酮），可能会导致药物使用障碍（成瘾），而其他非阿片类药物（如加巴喷丁、普瑞巴林、度洛西汀）的疗效有限。在法医（法庭）环境中，原告（工人）可能需要证明他们确实感受到了与工伤相关的疼痛。然而，功能性磁共振成像（fMRI）脑部扫描（其本身并不能诊断疼痛）此前曾被作为证据提交给法庭，以证明原告确实感受到了疼痛。
功能性磁共振成像（fMRI）
功能性磁共振成像（fMRI）通过检测血氧水平依赖（BOLD）信号的变化，来测量大脑活动。已知“疼痛矩阵”（包括丘脑、岛叶、前扣带回（ACC）、前额叶皮层（PFC）等区域）在经历疼痛刺激时会变得活跃。然而，由于功能性磁共振成像（fMRI）是在群体层面（组平均）进行验证的，它在个体层面的推断效果不佳。
人工智能（AI）和机器学习（ML）
机器学习分类器（如支持向量机（SVM）、随机森林（RF）、神经网络）可被训练来区分“慢性疼痛患者”和“健康对照者”。然而，如果机器学习分类器在来自单一站点（即单一磁共振成像扫描仪）的数据上进行训练，它可能会“过度拟合”该站点的特定噪声，使其无法推广到其他站点。这种“站点效应”会导致错误分类（假阳性或假阴性）。当前的机器学习分类器缺乏“生物学上的可解释性”，这意味着陪审员和法官无法理解人工智能是如何做出判决的。
临床和法医意义
1. 证据可采性：在美国法律体系中（根据《多伯特标准》），只有那些科学有效且可靠（即已被同行评审、已知错误率可接受）的证据才能被采信。目前，基于人工智能的慢性疼痛检测工具尚未达到这一标准。
2. 监管：人工智能工具在投入法庭使用之前，应在来自不同采集地点（即不同磁共振成像扫描仪、不同采集参数）的数据集上测试其性能。
未来方向
-
多站点数据集：收集来自不同采集地点（不同磁共振成像扫描仪、不同采集参数）的功能性磁共振成像（fMRI）数据，并开发在站点效应下依然稳健的机器学习分类器。
-
迁移学习：首先在来自数百个个体的数据上训练一个机器学习分类器，然后在来自单个个体的数据上进行微调。
-
监管框架：制定新的监管框架，以指导人工智能工具在法医（法庭）环境中的使用（类似于美国食品药品监督管理局（FDA）批准人工智能工具用于临床诊断的流程）。
结论
这篇观点文章警告称，依赖功能性磁共振成像（fMRI）或人工智能（AI）来“诊断”慢性疼痛可能会导致错误结论。 目前的机器学习分类器无法在不同采集地点（不同磁共振成像扫描仪、不同采集参数）之间进行泛化，因此不适合在法庭上用于验证损伤索赔。