神経科学者たちは近年、電気皮質図（ECoG）のような頭蓋内記録法をヒト実験に用いるようになってきた。これは、ECoGが非常に優れた空間的・時間的解像度を提供するためである。しかし、このデータで訓練されたモデルには根本的な制限がある。記録に必要な電極を植入できる患者集団が限られているのだ。この訓練データのギャップを埋めるため、arXivに投稿された新しい論文は、非侵襲的な機能的磁気共鳴画像法（fMRI）を利用することを提案している。
Aditya R. Vaidyaら3名によるこの研究は、2026年5月19日に提出された。研究チームはまず、発話言語の表現をfMRIデータで微調整し、その表現を用いてECoGのエンコーディングモデルを構築した。驚くべきことに、fMRIの時間分解能はECoGより2桁劣るにもかかわらず、微調整された表現はECoG予測タスクでより良い性能を示した。さらに注目すべきは、予測性能の向上がfMRIの直接測定範囲をはるかに超える周波数帯域でも見られたことである。これは、fMRI微調整の利点がfMRI自体が記録する低周波信号に限定されないことを示している。
この手法の汎化能力を検証するため、研究者らはfMRI応答を時間的に2倍ダウンサンプリングし、そのデータでモデルを微調整した。解像度がさらに失われたにもかかわらず、これらのモデルはfMRIおよびECoG応答を元のfMRI微調整モデルと同程度に予測できた。これは、データ品質の低下に対する手法の堅牢性を示している。
最後に、研究チームはECoG予測性能がfMRI微調整データ量の増加とともに着実に向上することを示した。このスケーリング関係は、より多くの遅いfMRIデータが高速ECoG信号のモデリングを継続的に改善できることを示唆している。著者らは、fMRIのような「遅い」データが、ECoGのような「速い」脳データのより良いモデルを構築するための貴重なリソースになり得ると結論づけている。将来的には、複数の記録方法を統合することで、デコーディングなどの応用において性能をさらに向上させる可能性がある。この論文は計算と言語（cs.CL）分野に属し、脳機能インターフェースや言語デコーディングにおける異種神経データ融合の可能性を示している。