● 认知神经科学前沿文献分享
论文信息：Medial temporal default mode network selectively encodes autobiographical visual imagery
发表时间：2026-09-23
发表期刊：Science Advances
回忆时，脑子里浮现的是什么？
想起一次婚礼、一次开车，或者某个普通的下午，脑子里先冒出来的往往是一幕场景：谁站在哪儿，光从哪边照进来，桌上摆着什么。这样的画面每个人都不一样，却很难拿出来给别人看。脑成像研究能告诉我们回忆时哪些网络更活跃，却说不清这些网络里装的是画面本身，还是“婚礼”背后的意义、情绪和人际关系。
Andrew J. Anderson、Adam Turnbull 和 Feng V. Lin 在《Science Advances》上发表的研究，想了一个办法：让图像生成模型替被试把脑中的画面“画”出来，再拿去和脑活动比对。他们想知道，内侧颞叶默认模式网络（medial temporal default mode network，MT-DMN）是不是专门记录着这种因人而异的视觉结构。
十几个词，画出脑中的一幕
研究招募了 50 名成人，年轻人和老年人各 25 名。扫描前，每人面对 20 个通用的场景提示，比如跳舞、锻炼、购物、婚礼，结合自己的经历去生动地想象，再用一两句话描述脑中的画面。这些描述很短，平均只有十几个英文单词。被试还给每个场景打分：大多数场景都来自真实经历，想象的生动度也普遍较高。
进了扫描仪，屏幕上只出现“一个跳舞的场景”这样的通用提示，被试默默地把之前那一幕重新想一遍，每个场景重复 5 次。之所以只让被试默想、不出声说，是为了避免说话带来的语言加工、发音动作和头动干扰脑信号。
接着，研究者把每个人的描述输入 Stable Diffusion 2.1，每个场景生成 5 张图，再用识别物体的神经网络 VGG-16 提取这些图的特征，平均之后作为这个人、这个场景的“视觉模型”。数据收集早于 Stable Diffusion 发布，被试从没见过根据自己的描述生成的图。这些图远看像照片，人和物的空间安排大体合理，但脸和肢体常常走样，模型还会自己补上描述里没提到的草地、桌子、灌木。它们更像按描述推测出来的结构草图，并不是被试记忆中的原样。
一段描述里除了画面，还有意义。“和家人在户外吃饭”既有桌椅草地，也有亲情和场合。研究者又用语言模型 GPT-2 处理同一段文字，得到一个代表非视觉语义的模型。分析用的是偏相关的表征相似性分析（representational similarity analysis，RSA）：看 20 个场景在某个脑网络里的活动彼此有多像，能不能和 20 张图在视觉模型里彼此有多像对上，同时把 GPT-2 能解释的部分扣掉。
Fig. 1 中，作者展示了实验流程：口述描述经 Stable Diffusion 生成图片、经 VGG-16 构建视觉模型，GPT-2 构建语义模型，再与 fMRI 活动做偏相关表征相似性分析
画面对上了内侧颞叶
研究者把全脑分成 17 个功能网络逐一比较。扣掉语义之后，MT-DMN 与视觉模型的对应明显强于其余 16 个网络，差距最小的一项比较也达到 Z=2.53、P=0.006（单尾，50 人）。语义模型则是另一番样子：它在 MT-DMN、核心默认模式网络（Core-DMN）和另外十来个网络里都能解释一部分活动结构，在 Core-DMN 里还更强。场景的意义分散在许多网络里，场景的画面结构则集中落在 MT-DMN。
Fig. 2 中，作者展示了 17 个脑网络与视觉模型、语义模型的偏相关结果；结果显示，视觉模型的对应集中在 MT-DMN，语义模型的对应则分布在多个网络
这种对应是不是非得靠主动想象？研究者拿另一套现成的 fMRI 数据做了对照：14 名不同的被试阅读 240 个描述场景和物体的简单句子，比如“女孩在公园里看到一匹马”，不做任何想象任务。同样的分析之下，MT-DMN 里没有出现视觉模型的效应。
Fig. 4 中，作者展示了阅读对照数据的分析结果；结果显示，单纯阅读句子时，语义模型在全部 17 个网络都有对应，视觉模型在 MT-DMN 中则没有显著对应
按时间展开的分析显示，MT-DMN 与视觉模型的对应在提示出现后约 5 到 15 秒持续存在，峰值在 7.5 到 10 秒。扣掉血流动力学约 4 到 5 秒的延迟，峰值大约对应提示后 3 到 5.5 秒，正处在从提取记忆过渡到在脑中展开画面的阶段。
画面里藏着“你是谁”
两个人都想象“婚礼”，脑中的人物、地点和布置可能完全不同。研究者于是检验，MT-DMN 里的视觉结构能不能分辨出是谁在想象：把两个人的模型和两个人的脑活动交叉配对，看正确的配对是否对得更好。
只用视觉模型，MT-DMN 能以 72% 的准确率分辨两个人；只用语义模型是 69%；两者合起来升到 76%（校正后 P=0.0003）。研究者又从 50 人里反复随机抽 35 人重做这项分析，99.25% 的抽样中，合起来的模型都比只用语义模型分得更准。语义之外，个人经历里的画面结构给 MT-DMN 多带来了一份只属于这个人的信息。
Fig. 3 中，作者展示了参与者身份解码和抽样检验结果；结果显示，在 MT-DMN 中视觉模型与语义模型结合时分辨准确率最高
理解时要小心的地方
研究测到的是对应关系：想象时 MT-DMN 的活动结构和生成图的视觉结构相似。它没有检验 MT-DMN 是否必不可少，也没有拆开网络内部各脑区的作用；fMRI 的时间分辨率也排不出“先提取、再成像”的精确顺序。视觉模型受 Stable Diffusion 和 VGG-16 训练数据的影响，会带进描述里没说出的典型元素。被试是 50 名想象普遍较生动的成人，场景只有 20 个通用提示，结论能否推广到儿童、记忆障碍患者或几乎没有心理意象的人，目前还不知道。
分享人：天天
审核：PsyBrain 脑心前沿编辑部
● 原文信息与获取方式
DOI：10.1126/sciadv.aee4232
获取原文：
1. 三连后添加小助手：PSY-Brain-Frontier 获取
版权归属作者团队和出版社，本文仅做分享
热门跟贴