在全球范围内，近五分之一的成年人正遭受慢性痛（Chronic pain）的困扰，这是导致残疾的主要原因之一。与受伤引发的急性疼痛不同，慢性痛往往在缺乏明显外部诱因的情况下自发产生，且疼痛强度随时间剧烈波动。长期以来，临床医生主要依赖患者的自我评分（Self-report），医学界一直缺乏类似血压或体温的客观生物标志物。
近日，由韩国基础科学研究所（IBS）神经科学影像研究中心（CNIR）副主任 Woo Choong-Wan 与忠南大学 Cho Sungkun 教授领导的合作团队取得突破。他们在《自然-神经科学》（Nature Neuroscience）上发表研究，证明利用个体化大脑成像模型，可以成功解码并预测慢性痛患者自发性疼痛强度的波动。
纵向追踪：捕捉纤维肌痛患者的大脑信号
为了捕捉这种内部产生、难以观测的疼痛，研究人员针对纤维肌痛（Fibromyalgia）患者开展了一项高强度的纵向研究（Longitudinal study）。纤维肌痛是一种以广泛性自发疼痛为特征的典型慢性痛病症。
在长达半年的时间里，参与者接受了多次重复的功能性磁共振成像（fMRI）扫描，并在扫描过程中实时、连续地报告其疼痛水平。
-
技术原理： fMRI 通过测量全脑血氧水平的变化，揭示不同脑区之间的通讯模式，即功能连接（Functional connectivity）。
-
数据密度： 这种密集采样策略为机器学习模型提供了充足的训练素材，使其能够追踪从分钟级到跨天数等不同时间尺度上的疼痛波动。
核心发现：独一无二的“疼痛连接组”
这项研究揭示了一个关键的神经科学现象：支撑慢性痛的神经模式在个体之间存在显著差异。
-
高度个体特异性： 在一名参与者身上识别出的“疼痛连接组（Pain connectome）”几乎无法推广到其他参与者。研究人员尝试进行跨受试者测试，结果显示预测效能极低。这说明慢性痛是通过高度个性化的大脑网络配置来表征的。
-
全脑交互逻辑： 不同于以往仅关注局部脑区的研究，本项目利用了全脑功能连接。这种方法捕捉了分布式网络（Distributed networks）之间的宏观相互作用，证明慢性痛是由广泛的脑网络交互驱动的。
-
大数据的必要性： 研究发现，预测性能随训练数据量的增加而显著提升。传统研究所采用的小样本数据量不足以建立可靠的预测模型，这凸显了“一人一策”研究范式的重要性。
[Image showing the correlation between actual self-reported pain and fMRI-predicted pain intensity]
临床启示：迈向精准疼痛医学
“疼痛无法被肉眼看见，这增加了患者的心理痛苦，”通讯作者 Woo Choong-Wan 博士表示，“我们的发现表明，精准神经影像（Precision neuroimaging）可以帮助我们在个体层面更客观地评估这些‘看不见’的痛苦。”
第一作者 Lee Jae-Joong 指出，每个参与者独特的大脑连接模式，可能成为未来指导精准疼痛评估与治疗方案的关键特征。虽然该研究目前的受试者规模有限，尚处于原理验证（Proof of principle）阶段，但它为开发针对特定病人的大脑生物标志物建立了严谨的方法论框架。未来的研究将致力于验证不同慢性痛亚型（如神经病理性疼痛或背痛）是否具有共同特征，从而为临床应用扫清障碍。
参考文献：Jae-Joong Lee et al, Personalized brain decoding of spontaneous pain in individuals with chronic pain, Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02221-3
编辑：王洪
排版：李丽
评论 (0)