GPT与DeepL在医学术语翻译中的性能比较：基于人类表型本体论的实证研究

本研究针对医学术语翻译的准确性难题，由法兰克福大学医学团队开展，系统评估了GPT-3.5与DeepL在人类表型本体论(HPO)术语翻译中的表现。通过专家盲评(4级Likert量表)和HeTOP数据库验证，发现两者翻译质量无显著差异(平均评分GPT-3.5=1.29 vs DeepL=1.37)，但存在术语覆盖不全和偶发语法错误。该研究为跨语言医学研究提供了自动化翻译的可行性证据，发表于《BMC Medical Informatics and Decision Making》。

　　

在全球化医疗协作背景下，医学术语的精准翻译成为跨语言研究的核心挑战。人类表型本体论(HPO)作为描述临床异常的标准词汇库，其18,000余条术语的翻译质量直接影响罕见病诊断和国际数据共享。然而现有翻译工具在专业术语处理上存在明显局限：商业翻译软件对复合医学术语(如"Subsarcolemmal accumulations of abnormally shaped mitochondria")的转换准确性存疑，而新兴的大语言模型(LLM)如GPT系列尚未在医学领域充分验证。更关键的是，当前德语等语言的HPO翻译覆盖率不足50%，严重制约非英语区临床实践。

法兰克福大学医学信息学研究所联合多家医疗机构，针对这一痛点展开系统性研究。团队选取120个HPO核心术语(含180个同义词)，通过双盲实验设计比较GPT-3.5与DeepL的翻译性能。研究创新性地引入多维度评估：10位医学专家采用4级Likert量表(1=完全同意~4=强烈反对)评分，同时利用HeTOP术语库作为金标准进行Jaro-Winkler相似度分析。为控制变量，所有术语均保持原始语境提示，如GPT-3.5采用统一提示模板："以下术语来自人类表型本体论，请翻译为具有医学科学背景的德语"。

主要技术方法包括：1) 分层抽样策略(100随机术语+20临床高频术语)；2) 基于API的自动化翻译流程；3) 统计分析方法(Mann-Whitney U检验比较评分差异，ICC评估专家间一致性)；4) 术语复杂度分类(按单词数分为4组)；5) 参考HeTOP数据库进行翻译质量验证。

结果
翻译质量评估
专家评分显示两者表现接近：GPT-3.5平均得分1.29(SD=0.65)，DeepL为1.37(SD=0.56)，统计检验无显著差异(p>0.05)。值得注意的是，在超长复合术语(>7单词)翻译中，DeepL略优(1.29 vs 1.49)。

术语复杂度影响
翻译准确性与术语长度呈弱相关性：单字术语平均得分1.23-1.26，4-7字术语1.23-1.36。表明两种模型均能有效处理医学复合术语的语义组合。

参考标准对比
与HeTOP参考翻译的Jaro-Winkler相似度达0.70-0.76，但发现15%高频术语缺乏官方翻译，凸显术语库建设滞后问题。

错误模式分析
GPT-3.5存在同义词缩减现象(如省略复数形式)，而DeepL偶现拼写变异("Hypoesthesie" vs标准"Hypo?sthesie")，但均未导致临床意义曲解。

结论与意义
该研究首次证实GPT-3.5与专业医学翻译软件在术语转换上具有可比性，为LLM在专业领域的应用提供实证支持。其核心价值在于：1) 验证自动化翻译对HPO这类结构化术语体系的有效性；2) 揭示当前医学术语翻译资源的不完整性(仅75%常见术语有参考译文)；3) 提出基于多引擎协同的优化路径。

研究局限性包括样本量有限(仅覆盖HPO总术语的0.7%)和评估标准的主观性。作者建议后续工作应扩展至更多语言对，并开发针对医学术语的定制化提示工程。随着GPT-4等新一代模型出现，这种比较研究将持续为临床自然语言处理(NLP)提供关键基准。该成果对推动国际罕见病数据库建设具有现实意义，特别是在非英语地区临床表型标准化记录方面。