摘要近年来，以功能磁共振成像（fMRI）、脑磁图（MEG）为代表的神经影像解码技术，与基于大规模预训练的医学影像基础模型，分别取得了令人瞩目的进展：前者已能从脑活动中重建自然图像和连续语言语义，后者则在放射学、病理学等领域展现出跨任务迁移的潜力。然而，二者的深层联系尚未被充分揭示。本文系统综述了这两条技术脉络，并提出一个统一的分析框架：二者本质上都在解决“高维异质信号→中间表征→可验证语义输出”的问题，其核心瓶颈是表征层级构建、跨模态对齐、记忆增强以及临床可信性。文章首先梳理了从脑信号到视觉/语言表征解码的任务谱系与技术演进；接着聚焦于“记忆”这一连接认知科学与医学人工智能的关键变量，对比了生物记忆与模型记忆的作用机制；然后综述了多模态医学影像基础模型在视觉编码、提示式分割、视觉—语言对齐以及临床报告生成方面的代表性工作，并系统总结了生成幻觉、证据缺失和评价体系等现实挑战。在此基础上，我们提炼出一套涵盖感知通路、语义通路、患者纵向记忆与验证模块的循证生成架构，并提出了五个亟待突破的研究方向。本文强调：脑解码与医学影像基础模型的共同目标不应止于生成逼真图像或流畅文本，而应致力于构建可定位、可追溯、可核验的循证输出机制，以支撑更安全可信的医学人工智能系统。关键词脑解码；视觉—语言模型；医学影像基础模型；表征学习；记忆增强；临床报告生成；循证生成1 引言