(A) neuroimaging-based personalized pain biomarker based on densely sampled data

다국어 초록 (Multilingual Abstract)

Pain is a subjective and complex experience influenced by various factors, resulting in diverse brain representations across individuals. Previous studies have demonstrated the potential of group-level neuroimaging-based pain biomarkers; however, it remains unclear how well they can predict pain without accounting for individual variability. Here, we developed an individualized pain biomarker using densely sampled functional MRI data from a single individual (28 sessions, totaling 56 hours of fMRI scans) and compared it with a population-level model (n = 124). The model exhibited high prediction performance within the individual with well-conserved individual-specific weight patterns. The fronto-parietal, limbic, and dorsal attention networks were identified as important regions for individual pain prediction, while the ventral attention network was crucial for population pain prediction. In addition, we assessed the unique variance explained by the individualized model. Taken together, our study identifies the characteristics of an individualized pain prediction model, underscoring the clinical potential of neuroimaging-based pain biomarkers and advancing personalized pain assessment.

국문 초록 (Abstract)

통증은 다양한 요인의 영향을 받는 주관적이고 복잡한 경험으로, 이로 인한 각 개인의 뇌 표상은 다양하게 나타난다. 선행 연구에서는 집단 수준의 통증을 예측하는 뇌영상 기반의 통증 표지자의 잠재력을 입증했으나, 통증 표지자가 개인차를 배제한 상태에서 통증을 얼마나 정확히 예측할 수 있는지는 밝혀진 바가 많지 않다. 본 연구에서는 한 개인으로부터 반복적으로 수집한 기능적 자기 공명 영상(fMRI) 데이터(28회 세션, 총 56시간의 fMRI 스캔)를 이용하여 개인 맞춤형 통증 예측 모델을 개발하고, 이를 집단 수준 모델(n = 124)과 비교하였다. 개인 맞춤형 모델은 개인 내에서 높은 통증 예측 성능을 보였으며, 개인적 특정 가중 패턴이 잘 보존되었다. 전두 두정엽(fronto-parietal network), 변연계(limbic network), 및 후면 주의 네트워크(dorsal attention network)는 개인 수준의 통증 예측에 중요하며, 집단 수준의 통증 예측에는 복측 주의 네트워크(ventral attention network) 영역이 중요한 것을 확인하였다. 또한 개인 맞춤형 모델이 설명하는 고유한 분산을 평가하였다. 종합적으로, 본 연구는 개인 맞춤형 통증 예측 모델의 특성을 확인함으로써 뇌 영상 기반 통증 바이오마커의 임상적 유용성과 개인화된 통증 평가 개발의 중요성을 시사한다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Methods 5
• 2.1. Participants 5
• 2.2. Experimental procedure 5
• 2.3. Pre-scan self-reported questionnaires 6
• 2.4. fMRI data acquisition and preprocessing 7
• 2.5. General linear modeling (GLM) analysis 8
• 2.6. Pain predictive model development 8
• 2.7. Model evaluation 9
• 2.8. Model performance by training data size 10
• 2.9. Predictive model comparison 10
• 2.10. Explained variance decomposition 11
• 3. Results 13
• 3.1. Experimental overview and behavioral results 13
• 3.2. Prediction performances of individualized and population-level models 13
• 3.3. Effects of training data size on prediction performance 19
• 3.4. Regional features of individualized and population-level models 21
• 3.5. Common and unique contributions of models for pain prediction 25
• 4. Discussion 28
• References 32