Nat Neurosci重磅：疼痛“读心术”！最新研究揭秘如何从你的大脑中“个性化”解码疼痛

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息

Title: Personalized brain decoding of spontaneous pain in individuals with chronic pain

发表时间：2026.2.26

发表期刊: Nature Neuroscience

影响因子：20.0

获取原文：

1. 添加小助手: PSY-Brain-Frontier即可获取PDF版本

2. 点击页面底部“阅读原文”即可跳转论文原网页

研究背景

想象一下，一种隐秘的折磨在你体内潜伏，没有伤口，没有刺激，但痛觉却如影随形。这就是慢性痛患者每天面临的真实困境，其核心特征便是自发性疼痛。

长期以来，临床对这种疼痛的评估几乎完全依赖患者的主观口头报告。然而，主观评分不仅难以保证完美的可靠性，更无法揭示疼痛背后的神经生理学机制。

为此，科学家们一直试图在人类大脑中寻找客观的疼痛生物标志物，以期提供多元化的疼痛评估方法。遗憾的是，至今仍未有任何基于大脑的标志物能够在临床上真正替代主观疼痛报告。现有的大脑解码模型大多只能勉强区分疼痛高与低的简单二元状态，在预测连续波动的自发痛评分上往往面临局限。此外，以往的个性化解码倾向于依赖侵入性的颅内电极记录，这对于广大慢性痛患者而言存在极大的应用门槛。

我们能否利用非侵入性的功能磁共振成像技术，精准捕捉个体大脑中自发痛的动态变化呢？近期发表在Nature Neuroscience上的一项研究给出了答案。

Fig. 1 | Study overview.

研究核心总结

精准追踪自发痛的动态波动

研究表明，通过对慢性痛患者进行长达半年以上的密集功能磁共振成像扫描，研究人员成功开发出了高度个性化的大脑解码模型。结果显示，这些个性化模型能够跨越分钟、扫描区段和扫描场次等多个时间尺度，精准追踪患者自发痛强度的持续波动。在区分高疼痛与低疼痛状态时，模型的预测展现出了极高的准确度，其受试者工作特征曲线下面积可达0.71至0.93。这证明了非侵入性全脑功能磁共振成像技术在连续评估自发痛方面的巨大潜力。

Fig. 2 | Prediction performance.

海量数据是成功解码的关键

该研究的一个重要发现是，解码模型的预测性能会随着训练数据量的增加而显著提升。传统的纵向神经影像研究通常只包含四到五次扫描，而这种常规的数据量在预测自发痛时完全失效，无法达到显著的预测精度。建立稳健的个体化模型至少需要6到20次扫描数据。这一机制解释表明，自发痛的神经表征具有高度复杂性，从更大规模的数据集中随机子采样有助于捕捉数据中更广泛的变异性，这对于成功的解码和模型泛化至关重要。

Fig. 3 | Effect of training data size on decoding performance.

疼痛的神经表征存在极高的个体特异性

研究结果进一步揭示，每个患者的自发痛解码模型都依赖于完全不同且个体独有的大脑特征。例如，第一位患者的模型主要依赖于左侧颞极和右侧海马后部等与记忆相关的脑区，而第二位患者的模型则更依赖于左侧前运动皮层和初级躯体运动皮层等感觉运动区域。更关键的是，将一位患者的解码模型用于预测另一位患者的疼痛时，预测效果完全失效，产生了不显著的预测结果。这不仅说明单一的脑网络无法概括所有患者，更强调了在慢性痛的精准诊断中采用患者特异性方法是不可或缺的。

Fig. 4 | Feature importance maps.

Fig. 5 | Cross-testing of personalized decoding models.

Abstract

Spontaneous pain is a hallmark of chronic pain disorders, but its assessment remains limited by the lack of objective biomarkers. Here we used precision functional magnetic resonance imaging data, collected over more than half a year from two individuals with chronic pain, to develop personalized brain-decoding models of spontaneous pain. The personalized decoding models accurately tracked fluctuations in spontaneous pain intensity across sessions, runs and minutes (Participant 1: prediction–outcome correlation, r = 0.40–0.61; Participant 2: r = 0.51–0.65) and effectively discriminated between median-dichotomized high- versus low-pain states (Participant 1: area under the curve = 0.71–0.87; Participant 2: area under the curve = 0.76–0.93). Model performance improved with increased training data, with conventional data quantities failing to achieve significant predictive accuracy. Furthermore, each model relied on individually unique brain features and did not generalize across participants. This study indicates that functional magnetic resonance imaging can assess spontaneous pain, highlighting the need for precise, patient-specific approaches.

请打分

这篇刚刚登上 Nature Neuroscience 的研究，是否实至名归？我们邀请您作为“云审稿人”，一同品鉴。精读全文后，欢迎在匿名投票中打分，并在评论区分享您的深度见解。

前沿交流 | 欢迎加入认知神经科学前沿交流群！

⭐️ []

核心图表、方法细节、统计结果与讨论见原文及其拓展数据。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部