一项发表于《自然·神经科学》的研究利用在半年多时间里从两名慢性疼痛个体收集的精确功能磁共振成像数据，开发了个性化的自发性疼痛大脑解码模型。这些个性化解码模型能够准确追踪跨会话、跨阶段和跨分钟的自发性疼痛强度的波动（参与者1：预测-结果相关性 r = 0.40-0.61；参与者2：r = 0.51-0.65），并有效区分中位数二分的高疼痛与低疼痛状态（参与者1：曲线下面积 = 0.71-0.87；参与者2：曲线下面积 = 0.76-0.93）。模型性能随着训练数据的增加而提高，而传统数据量未能达到显著的预测准确性。此外，每个模型都依赖于个体独特的大脑特征，不能跨参与者泛化。这项研究表明，功能性磁共振成像可以评估自发性疼痛，并强调需要精确的、针对患者个体的方法。

研究背景与意义

自发性疼痛是慢性疼痛障碍的标志，但其评估因缺乏客观生物标志物而受限。传统的疼痛评估主要依赖患者自我报告，但这种方法主观性强，且受记忆、情绪和环境因素影响。本研究旨在开发基于脑成像的客观生物标志物来追踪自发性疼痛的动态变化。

主要发现与个性化方法

研究采用精密功能磁共振成像（precision fMRI）方法，对两名慢性疼痛患者进行了超过半年的密集扫描。通过机器学习模型，研究发现可以基于全脑活动模式高精度地预测个体内部自发性疼痛强度的动态波动。然而，这些预测模型是高度个性化的：每个个体的独特大脑特征构成了模型的基础，模型不能跨个体泛化。研究还发现，足够的训练数据量是实现显著预测性能的关键，传统研究中常用的数据量可能不足。

参考文献

Lee, J. J., Woo, C. W. et al. (2026). Personalized brain decoding of spontaneous pain in individuals with chronic pain. Nature Neuroscience, 29, 957–963. DOI: 10.1038/s41593-026-02221-3

该研究使用精密功能磁共振成像（precision fMRI）对两名慢性疼痛患者进行了为期半年的密集扫描，开发了个性化的机器学习模型来解码自发性疼痛的强度。研究发现，这些模型能有效预测个体内部的疼痛波动，但模型具有高度的个体特异性，无法跨个体泛化，且需要大量的训练数据才能达到显著性能。研究团队来自基础科学研究所等机构。