中国科学院心理健康重点实验室涂毅恒研究组和胡理研究组合作在《SCIENCE CHINA Life Sciences》上发表题为《Magnetic resonance imaging for chronic pain: diagnosis, manipulation, and biomarkers》的综述文章，对磁共振成像技术在慢性疼痛领域取得的重要成果进行了回顾和展望。
图1杂志封面介绍运用多模态磁共振成像和人工智能技术研究慢性疼痛
文章分为三大部分。第一部分首先依据国际疼痛研究学会对于慢性疼痛的分类，详细介绍了磁共振成像技术研究局部和广泛的慢性原发性疼痛、慢性原发性头痛和慢性口面痛、慢性肌肉骨骼痛和慢性神经病理性疼痛的进展和成果，发现磁共振成像技术既能够揭示不同种类慢性疼痛特异的异常脑机制，也能够探明慢性疼痛(如偏头痛)在不同条件和不同发病阶段的异常脑机制。此外，通过使用元分析定位慢性疼痛相关的脑功能和脑结构异常，该研究发现慢性疼痛患者出现的功能异常主要位于岛叶(INS)、中央后回(PoCG)、丘脑(THA)、扣带回中部皮质(MCC)、杏仁核(AMY)、海马(HIP)和扣带回后部皮质(PCC);而结构异常主要位于内侧前额叶(mPFC)、海马(HIP)、中央后回(PoCG)和额下回(IFG)(图2)。
图 2 元分析(Meta-Analysis)结果
文章的第二部分介绍了磁共振成像技术如何将脑功能和结构的变化，与慢性疼痛的治疗效果(包括药物、神经调控和针灸治疗)联系起来：既揭示多种有效治疗手段的相关脑机制，也促进了新治疗方法的开发(如视频引导的针刺治疗)。此外，磁共振成像数据可以为新型神经调控技术提供更加精准甚至是个性化的调控靶点，有助于实现慢性疼痛的精准干预。文章的第三部分介绍了运用机器学习技术探索大规模、多维度的临床数据和磁共振成像数据从而识别慢性疼痛生物学指标(包括诊断指标、预后指标和预测指标)的进展。文章以识别诊断生物学指标为例，介绍了开展相关研究的流程，并强调了评估诊断生物学指标的重要标准，包括敏感性(即诊断病人的准确率)、特异性(即特异于某一类慢性疼痛)以及泛化性(即在不同病人群体中泛化能力)。最后，文章总结了机器学习与脑成像的结合用于识别慢性疼痛生物标记物的潜力和应用价值，未来研究仍需在个体变异性、生物标记物的特异性和临床转化上做出努力。
图 3 使用机器学习开发慢性疼痛诊断生物标记物的流程图
该研究受国家自然科学基金委项目(32071061, 31822025, 31671141, 31800926)和中国科学院心理研究所科学基金会(E0CX521003)的资助。研究成果在线发表于：《中国科学：生命科学》(SCIENCE CHINA Life Sciences)。
