《European Journal of Pain》：Machine Learning-Derived Neural Signatures of Itch and Pain That Reliably Distinguish the Two Sensations in Humans: A Proof-Of-Concept Study
编辑推荐：
背景：人类神经影像学的最新进展与机器学习相结合，使得能够识别代表各种内部状态的神经特征，为开发客观生物标志物提供了有前景的框架。然而，尚无研究探讨能够可靠识别和区分瘙痒与疼痛的神经特征。本研究使用功能磁共振成像（fMRI）和支持向量机（SVM）探索了此类神经特
背景：人类神经影像学的最新进展与机器学习相结合，使得能够识别代表各种内部状态的神经特征，为开发客观生物标志物提供了有前景的框架。然而，尚无研究探讨能够可靠识别和区分瘙痒与疼痛的神经特征。本研究使用功能磁共振成像（fMRI）和支持向量机（SVM）探索了此类神经特征。
方法：研究人员使用fMRI测量了33名健康参与者在豇豆诱导的瘙痒、芥子油诱导的疼痛和对照条件下的脑活动。研究人员制作了基于种子点的功能连接图像（R-images），其中种子脑区为后扣带回皮层（PCC）和双侧前岛叶皮层（aIC）。研究人员使用R-images进行了交叉验证和自助法的SVM，以识别对识别和区分瘙痒与疼痛具有重要权重（阈值：p?结果：这些特征显示出卓越的分类能力，特别是当组合多个特征时（受试者工作特征曲线下面积：>?0.9，准确率：>?90%）。
结论：这是第一项使用机器学习探索能够可靠检测和区分瘙痒与疼痛的神经特征的神经影像学研究。研究人员使用基于种子点的功能连接图像结合交叉验证和自助法SVM的方法展示了高分类性能。本研究作为概念验证，证明了开发基于脑的瘙痒和疼痛评估生物标志物的可行性。
意义声明：这是第一项识别瘙痒和疼痛神经特征的研究。这些特征揭示了代表瘙痒和疼痛的独特脑网络模式，从而能够基于脑活动可靠检测和区分这两种感觉。这些特征在开发瘙痒和疼痛的客观评估方面具有巨大潜力。
瘙痒和疼痛是密切相关的躯体感觉体验，其慢性形式普遍存在于多种疾病中，严重影响各年龄段人群的生活质量。当前临床评估几乎完全依赖患者自我报告，但对于婴幼儿、痴呆症患者、脑瘫患者或意识不清等无法沟通或沟通不可靠的群体，该方法往往难以实施甚至无效。此外，由于瘙痒和疼痛的治疗策略不同（例如抗组胺药用于瘙痒，对乙酰氨基酚用于疼痛），准确区分这两种感觉至关重要。然而，迄今为止尚无研究尝试开发能够客观识别并区分瘙痒与疼痛的工具。近年来，机器学习与人类神经影像学的结合使得识别代表内部状态（如情绪、内感、思维）的神经特征成为可能，这为开发客观生物标志物提供了有前景的框架。基于此，该研究旨在利用功能磁共振成像（fMRI）和支持向量机（SVM）识别健康个体中瘙痒和疼痛的神经特征，为最终开发基于脑的客观评估方法奠定基础。该论文发表在《European Journal of Pain》。
研究人员开展了一项概念验证研究，共纳入33名健康成人（12名男性，21名女性，平均年龄26±5.7岁），样本来源于迈阿密大学。研究采用豇豆（Mucuna pruriens）诱导瘙痒，芥子油（allyl isothiocyanate, AITC）诱导疼痛，并设置对照条件。关键技术方法包括：使用3T磁共振扫描仪（Siemens Magnetom Vida）采集fMRI数据（梯度回波平面成像序列，repetition time=2500 ms, echo time=30 ms），并基于三个种子脑区——后扣带回皮层（PCC）、左右前岛叶皮层（raIC和laIC）——构建种子点功能连接图像（R-images）。通过交叉验证和自助法的线性SVM，从R-images中识别出对区分瘙痒与疼痛具有稳定贡献的体素，生成瘙痒选择性和疼痛选择性权重图（即神经特征）。随后计算三类分类分数：与超平面距离成比例的分数（SDH）、决策分数（DS）和决策分数差异（DifDS），并评估分类性能（受试者工作特征曲线下面积AUC-ROC、特异性、敏感性、准确率）。
研究结果分两部分呈现：
**3.1 瘙痒和疼痛感觉**
通过比较瘙痒和疼痛条件下时间曲线的曲线下面积（AUC），发现两种刺激的总体强度无显著差异（瘙痒：927±530，疼痛：856±480，p=0.46），表明刺激强度匹配。
**3.2 分类性能**
- **SDH**：在瘙痒vs.对照分类中，各种子脑区的AUC-ROC为0.71–0.85，准确率62%–80%；瘙痒vs.疼痛分类中AUC-ROC仅0.48–0.60，准确率50%–58%，表现不佳。
- **DS（使用瘙痒选择性权重图）**：在瘙痒vs.对照分类中，所有种子脑区的AUC-ROC均达到1，准确率98%–100%；瘙痒vs.疼痛分类中，PCC种子表现最佳（AUC-ROC=0.90，准确率85%），组合PCC与laIC或所有三个种子后AUC-ROC提升至0.93（准确率85%）和0.91（准确率89%）。
- **DifDS**：在瘙痒vs.疼痛分类中，DifDS性能优于DS；PCC+laIC组合的AUC-ROC达0.98，特异性100%，敏感性91%，准确率95%。
- **DS（使用疼痛选择性权重图）**：疼痛vs.对照分类中所有种子AUC-ROC=1，准确率100%；疼痛vs.瘙痒分类中PCC+raIC组合AUC-ROC=0.95，准确率89%。
- 研究总结了一个分类策略：通过计算DS和DifDS，可依次判断个体是否处于瘙痒、疼痛或两者均无的状态。
讨论部分指出，DS和DifDS优于SDH的原因是：通过自助法筛选了稳定贡献的体素，并进一步剔除了瘙痒和疼痛共有的体素（如一般躯体感觉处理相关区域），从而获得选择性权重图。在神经特征差异方面，PCC与纹状体的功能耦合仅见于瘙痒选择性权重图，这可能与瘙痒相关的抓挠冲动有关；raIC与双侧岛盖（包括后岛叶皮层和次级躯体感觉皮层）的功能耦合仅见于疼痛选择性权重图，与既往疼痛研究一致；laIC与内侧顶叶皮层（包括楔前叶）的功能连接在疼痛中降低，这一模式在慢性疼痛患者中也有报道。研究还讨论了这些权重图与慢性瘙痒和疼痛患者脑网络特征的相似性，如PCC与右侧顶叶皮层功能连接增强在慢性瘙痒患者中与瘙痒严重程度正相关。尽管当前权重图尚不能直接用于临床，但为未来在慢性患者中验证和优化提供了基础。局限性包括样本量较小、需独立数据集验证、需测试不同刺激模式（如组胺诱导的瘙痒、冷痛）以及需训练模型以捕捉瘙痒和疼痛强度。
结论部分翻译：这是第一项使用机器学习探索能够可靠检测和区分瘙痒与疼痛的神经特征的神经影像学研究。研究人员使用基于种子点的功能连接图像结合交叉验证和自助法SVM的方法展示了高分类性能。本研究作为概念验证，证明了开发基于脑的瘙痒和疼痛评估生物标志物的可行性。
