编辑推荐：
这篇综述通过整合六个大型功能磁共振成像（fMRI）数据集（总样本量N=1046），揭示了伤害性刺激诱发的脑活动与疼痛敏感性的可重复关联，并开发了机器学习模型（NIPS）预测个体疼痛敏感性（r=0.20~0.56）及镇痛效果（r=0.17~0.25）。研究强调样本量对结果稳定性的关键影响（全脑分析需>200，机器学习需>150），为疼痛生理机制研究和个体化治疗提供了客观神经指标。
疼痛敏感性的个体差异是疼痛神经科学的核心问题。相同的伤害性刺激可能被某些人感知为难以忍受，而对另一些人则几乎无感。理解这种差异的神经编码机制，不仅能为疼痛敏感性提供客观神经指标，还能推动基于机制的疼痛研究和个体化治疗策略开发。然而，既往研究存在三大争议：伤害性刺激诱发的脑活动是否能稳定编码疼痛敏感性？这种编码是否具有疼痛特异性？神经指标能否跨不同疼痛类型普适？
研究整合了来自中国、美国和韩国的六项fMRI数据集（总N=1046），涵盖健康人群和慢性疼痛患者（如带状疱疹后神经痛PHN）。刺激类型包括激光热痛（Datasets 1/2/5）、机械痛（Dataset 3）和接触热痛（Datasets 4/6），并通过标准化评分量表（0-10或0-1）量化疼痛敏感性。采用全脑相关分析和机器学习建模（LASSO-PCR）构建神经疼痛敏感性指标（NIPS），并系统评估样本量对结果的影响。
脑活动与疼痛敏感性的可重复关联
在3.5J激光热痛条件下（N=399），伤害性刺激诱发的BOLD信号与疼痛敏感性显著相关，正相关脑区包括初级/次级体感皮层（S1/S2）、前扣带回（ACC）、岛叶、丘脑和小脑，负相关区域较少且效应较弱。该模式在3.0J/4.0J激光痛及机械痛（8/7/6 kg·cm−2）中均得到验证，最大相关系数稳定在≈0.4。值得注意的是，小脑表现出最强的关联性且检测所需样本量最小（≈100）。
疼痛特异性的神经编码
尽管疼痛与非疼痛刺激（触觉、听觉、视觉）激活脑区高度重叠（图1C），但疼痛敏感性与BOLD信号的关联强度显著高于其他模态（Steiger's z检验，p<0.05），尤其在典型疼痛相关脑区（如S1、ACC）。 Dice系数分析显示疼痛与触觉的编码区域重叠仅18%，而与听觉/视觉的重叠不足1%。
NIPS模型的预测效能
跨疼痛类型普适性：基于激光热痛数据训练的NIPS模型，可预测机械痛（β=0.20~0.27）和接触热痛（r=0.32）的敏感性，甚至在PHN患者中保持预测力（r=0.56）。
镇痛效果预测：NIPS显著预测安慰剂（β=0.17~0.21）和经皮电刺激（TENS）的镇痛效果（r=0.25），提示其可能反映下行疼痛调控系统的个体差异。
分布式神经表征：虚拟病灶分析显示，疼痛敏感性信息广泛分布于全脑，单个脑区移除对模型性能影响微弱（ΔR2<0.02），但保留单一脑区则导致性能大幅下降（中位ΔR2=0.29）。
样本量的关键作用
全脑分析中，80%统计效力检测显著相关需中位样本量280；ROI分析中，小脑需≈150样本（α=0.001）。机器学习建模显示，训练样本量<70时模型性能波动剧烈（R2甚至为负），>150后趋于稳定。
研究通过大样本多中心数据，首次系统证实fMRI信号可跨疼痛类型编码个体疼痛敏感性，且优于传统NPS/SIIPS模型在跨群体预测中的表现。局限性包括临床样本代表性不足及未控制刺激显著性等混杂因素。未来需整合多模态数据（如定量感觉测试、心理量表）进一步提升模型效能，并探索其在慢性疼痛分层治疗中的应用价值。
（注：全文严格依据原文数据及结论，未添加非文献支持内容；专业术语均标注英文缩写并保留原文格式。）
生物通微信公众号
生物通 版权所有
