Proč je překlad lékařských zpráv tak důležitý

Radiologické zprávy — ať už z CT, magnetické rezonance nebo rentgenu — obsahují vysoce odbornou terminologii, které často plně nerozumí ani rodilí mluvčí. Když k tomu přidáte jazykovou bariéru, situace se dramaticky komplikuje. Podle studie publikované v prosinci 2024 v časopise Radiology (vydávaném Radiological Society of North America) se tento problém týká milionů pacientů ročně. S nárůstem uprchlických vln, které v posledních letech zasáhly i Evropu — včetně Česka — a s rostoucí oblibou přeshraničních lékařských konzultací v rámci EU je potřeba kvalitního překladu naléhavější než kdy dřív. Lidští překladatelé se specializací na lékařskou terminologii jsou však vzácní a drazí. Právě tady nastupují velké jazykové modely — ne jako náhrada, ale jako pomocník, který dokáže během vteřin poskytnout první orientační překlad.

Jak studie probíhala: 10 modelů, 9 jazyků, 100 zpráv

Výzkumný tým pod vedením Kena Bressema z Německého kardiologického centra v Mnichově (Institut für kardiovaskuläre Radiologie und Nuklearmedizin) vytvořil sadu 100 fiktivních radiologických zpráv z CT a MRI vyšetření. Ty nechal přeložit 18 radiology do devíti jazyků a následně stejný úkol zadal deseti velkým jazykovým modelům. Testované modely zahrnovaly jak komerční, tak open-source řešení: - GPT-4 a GPT-3.5 (OpenAI) - Llama 2 70B a Llama 3 70B (Meta) - Mixtral 8x7B, Mixtral 8x22B, Mistral 7B a Mistral Large (Mistral AI) - Qwen1.5 72B (Alibaba) - Yi-34B (01.AI) Jazyky byly rozděleny do dvou kategorií: vysoko-zdrojové (angličtina, italština, francouzština, němčina, čínština) a nízko-zdrojové (švédština, turečtina, ruština, řečtina, thajština). Toto rozdělení je zásadní — LLM trénované převážně na anglických datech totiž často s méně zastoupenými jazyky výrazně bojují. Překlady byly hodnoceny třemi standardními lingvistickými metrikami: BLEU skóre (přesnost na úrovni slovních spojení), TER (míra chybovosti — kolik úprav je potřeba k dosažení lidského překladu) a chrF++ (podobnost na úrovni znaků i slov).

Kdo vyhrál? GPT-4 kraluje, ale univerzální řešení neexistuje

Celkově nejlepších výsledků dosáhl GPT-4, který exceloval zejména při překladu z angličtiny do němčiny (BLEU 35,0), řečtiny (32,6), thajštiny (53,2) a turečtiny (35,5). GPT-3.5 byl nejlepší pro anglicko-francouzský překlad (BLEU 55,4), Qwen1.5 dominoval v anglicko-čínském směru (BLEU 45,7) a Mixtral 8x22B zazářil při překladu z italštiny do angličtiny (BLEU 63,9). Klíčové zjištění studie zní: neexistuje univerzální model, který by byl nejlepší pro všechny jazyky. Výkon LLM silně závisí na tom, na jakých datech byl trénován. Qwen1.5 exceloval v čínštině právě proto, že byl trénován na více než 2,2 bilionu tokenů převážně v angličtině a čínštině. Modely s převážně anglickým tréninkem naopak selhávaly u jazyků s odlišnou strukturou — například Yi-34B při překladu do řečtiny dosáhl BLEU skóre pouhých 4,1 ze 100. Zajímavý je i rozdíl ve směru překladu. Překlad do angličtiny byl obecně přesnější než překlad z angličtiny, což vědci připisují strukturální podobnosti angličtiny s románskými jazyky a celkové anglické zaujatosti většiny modelů.

Kvalitativní hodnocení: Srozumitelnost ano, terminologie pokulhává

Kromě automatických metrik provedli radiologové i kvalitativní hodnocení na pětibodové Likertově škále v pěti kritériích. Výsledky byly v mnoha ohledech povzbudivé — ale odhalily i zásadní slabinu. Modely dosáhly velmi dobrých hodnocení v kategoriích srozumitelnost a čtivost (medián 4,0 z 5) a konzistence s původním významem (4,2). Nejhůře dopadla přesnost lékařské terminologie s mediánem pouhých 3,4 — tedy známka „dobře“, nikoliv „výborně“. Právě nepřesnosti v odborné terminologii jsou přitom v medicíně nejnebezpečnější. Záměna pojmů jako „maligní“ a „benigní“ nebo „fraktura“ a „fisura“ může mít fatální následky. Autoři studie výslovně upozorňují, že žádný z testovaných modelů není schválen pro lékařské použití a výsledky jsou čistě experimentální. V doplňkových materiálech uvádějí konkrétní příklady nebezpečných překladatelských chyb napříč různými jazyky.

Co to znamená pro Česko a Evropu

Pro české pacienty a zdravotnická zařízení má tato studie několik praktických implikací: Přeshraniční péče v EU. V rámci Evropské unie máte právo na plánovanou zdravotní péči v jiném členském státě. Pokud si necháte udělat magnetickou rezonanci v Německu a přinesete zprávu českému lékaři, jazyková bariéra je nasnadě. LLM překladače by mohly poskytnout rychlou první orientaci — ovšem s vědomím, že finální slovo musí mít kvalifikovaný lékař. Uprchlická zdravotní péče. Česko se v posledních letech opakovaně setkává s přílivem pacientů hovořících ukrajinsky, vietnamsky nebo arabsky. Automatizovaný překlad lékařských zpráv by mohl výrazně urychlit diagnostiku a snížit zátěž na zdravotnický personál. Bohužel, žádný z deseti testovaných modelů nebyl hodnocen pro tyto konkrétní jazykové páry — studie se zaměřila na devět jazyků, mezi nimiž ukrajinština, vietnamština ani arabština nefigurovaly. EU AI Act. Od srpna 2026 plně platí evropské nařízení o umělé inteligenci, které klasifikuje AI systémy ve zdravotnictví jako vysoce rizikové. To znamená, že jakýkoliv LLM nasazený pro překlad lékařských zpráv bude muset projít přísnou certifikací a splňovat požadavky na transparentnost, přesnost a lidský dohled. Bez toho se do evropských — a tedy ani českých — nemocnic nedostane.

Současný stav v červnu 2026: Kam jsme se posunuli

Studie testovala modely dostupné v první polovině roku 2024. Od té doby došlo k výraznému posunu, který dává výsledkům nový kontext: GPT-4o, GPT-5.5 a další. Modely od OpenAI prošly několika generacemi vylepšení. GPT-4o přinesl nativní multimodální schopnosti a lepší vícejazyčnou podporu, GPT-5.5 pak výrazně zlepšil porozumění kontextu a specializované terminologii. Lze předpokládat, že současné modely by v překladu lékařských zpráv dopadly ještě lépe — i když to zatím žádná srovnatelná studie neověřila. Claude 3.5, 4 a Opus 4.8. Anthropicův Claude vyniká v porozumění jemným nuancím a kontextu — což je pro lékařský překlad zásadní. Claude Opus 4.8 navíc přinesl schopnost přiznat nejistotu („tím si nejsem jistý“), což je v medicíně mnohem bezpečnější než sebevědomá halucinace. Evropské specializované modely. Výzkumná komunita pracuje na doménově specifických lékařských jazykových modelech. Projekt Medical mT5 trénuje modely pro lékařskou doménu v několika evropských jazycích včetně francouzštiny, italštiny a španělštiny. Pro češtinu zatím podobný specializovaný model neexistuje — to je příležitost pro český AI výzkum, například v návaznosti na nově vzniklou Czech AI Factory v Ostravě.

Praktické využití: Kdy to bude bezpečné?

Odborníci se shodují, že cesta k bezpečnému nasazení LLM překladačů v medicíně povede přes tři klíčové kroky: Fine-tuning na lékařských datech. Obecné modely trénované na internetových textech postrádají hluboké porozumění medicínské terminologii. Specializovaný fine-tuning na korpusech lékařských textů — ideálně vícejazyčných — může přesnost odborné terminologie výrazně zvýšit. Lidský dohled jako standard. I sebelepší model bude potřebovat kontrolu kvalifikovaným lékařem. Ideální scénář je „AI navrhne překlad, člověk schválí“ — podobně jako u autonomních vozidel, kde řidič stále drží volant. Studie z Radiology jednoznačně ukázala, že i nejlepší modely produkují terminologické chyby. Regulační rámec. Bez certifikace podle EU AI Act a nařízení o zdravotnických prostředcích (MDR) se LLM překladače do evropských nemocnic nedostanou. A to je správně — v sázce je lidské zdraví.

Závěr: Obrovský potenciál, ale zatím s rezervou

Velké jazykové modely prokázaly, že dokážou překládat radiologické zprávy s překvapivou přesností. GPT-4 a další velké modely si poradí s většinou jazyků výrazně lépe než menší open-source alternativy. Jenže medicína není e-shop — chyba v překladu může mít fatální následky. Studie z Radiology je důležitým milníkem, který ukazuje cestu vpřed. Potvrzuje, že LLM mají potenciál pomoci milionům pacientů překonat jazykové bariéry v přístupu ke zdravotní péči. Zároveň ale jasně říká: zatím je to experiment, ne nástroj pro klinickou praxi. Než uvidíme LLM překladače v českých nemocnicích, čeká nás ještě hodně práce — na modelech, datech i regulaci.