前段时间整理家里旧书，翻出一本九十年代的外科图谱，中英文对照的那种。随手翻到一页，看到"Myocardial infarction"下面赫然印着"肌肉梗死"四个字，当场愣了三秒——这要是放在现在的病历系统里，怕是要闹出医疗事故的。你看，医学翻译这事儿，哪怕是人来做，一旦缺乏专业背景，也会闹这种笑话。
现在满大街都在谈AI翻译，从旅游对话到商务合同，确实越来越顺溜。但医学这个领域，它就像个脾气古怪的老教授，对精确度有着近乎偏执的要求。咱们今天就不聊那些虚的概念，老老实实掰扯掰扯：现在的AI翻译平台，到底能不能扛得住医学术语这块硬骨头？
说实话，日常用语翻译确实已经挺魔幻了。你把一句"Headache and mild nausea"扔给现在的AI，它大概率不会给你翻译成"头很痛和温和的作呕"——它已经学会了说这是"头痛伴轻度恶心"。这种进步来自于几十年来医学文献的数字化积累，让这个系统起码认识了基础词汇表。
但问题在于，医学术语从来不是孤立存在的。就像你背会了字典不代表能写小说，AI认识了"SARS"、"diabetes"这些词，不代表它理解这些词在真实医疗场景里的微妙差别。我曾经试过把一段描述"Discharge instructions"的内容用某主流引擎翻译，结果"discharge"被处理成了"放电说明"——因为系统优先匹配了物理学术语，而没意识到这在出院小结里应该叫"出院指导"。
这事儿得从医学语言的密码本特性说起。咱们普通人说话是线性的，意思就是意思；但医生说话是"压缩包"，一个词往往裹着一大堆前提条件。AI要翻译准确，得先完成"解压缩"这个步骤，而这恰恰是机器最头疼的。
咱们拿"CNS"这个缩写举例子。这在神经内科会诊记录里通常指"Central Nervous System"（中枢神经系统），但到了肿瘤科的药剂单上，它可能瞬间变成"Clinical Nurse Specialist"（临床护理专家）。更绝的是，如果你在毒理学报告里看到CNS，它大概率是"Central Nervous System Depression"（中枢抑制）的简写，指镇静药物的作用。
这种语境依赖性让AI很抓狂。它没法像人类医生那样，看着满纸的医学缩写，本能地嗅出"这个科室在用这套术语体系"。康茂峰在处理一批神经介入手术记录时就遇到过这种坑：系统把所有的"stroke"都翻成了"中风"，但其中有处原文实际指的是"击球杆"（手术器械的俗称）——这是医生在描述导管操作时的口语化表达。你看，AI读不懂那个隐含的"手术场景"。
医学是个永远在奔跑的领域。COVID-19大流行那会儿，"cytokine storm"（细胞因子风暴）、"happy hypoxia"（快乐性缺氧，即沉默性低氧血症）这些概念以周为单位往外冒。等标准译名还没在教材里站稳脚跟，各种非正式的中文表述已经满天飞了。
AI吃的是"过去的数据"，它对新近出现的术语缺乏语感。比如我们最近处理的一篇mRNA疫苗技术文献，里面出现了"transfection efficiency"在特定语境下的新用法——传统上这词用在基因转染，但在这里指脂质纳米颗粒的递送效率。机器翻译给出的结果里，这个词组被生硬地拆成了"感染效率"，完全偏离了药物递送的技术语境。
在康茂峰做医学翻译这些年，我们攒了一本厚厚的"纠错手册"。里头记的不是什么高大上的理论，全是这种看起来可笑、但放在正经文档里足以致命的细节。
比如有一次处理器械说明书，原文"Do not use in case of package damage"被某AI引擎译成了"如遇包装损坏请勿使用"——看起来没毛病对吧？但康茂峰的医学编辑发现，按医疗器械标签规范，这里应该用"包装破损"，而不是"损坏"。"损坏"在中文语境里暗示了功能性破坏，而"破损"才是物理完整性受损的标准说法。一字之差，药监局审校时可能会认定为标签缺陷。
还有更隐蔽的。药品说明书里的"contraindication"（禁忌症），有些AI会翻译成"禁忌证"。这两个词在一般语境下确实通用，但在《中国药典》的规范里，"禁忌"后面必须跟"症"。这种法规层面的精确要求，AI目前还没法自主掌握。
| 术语类型 | AI常见错误 | 人工干预点 |
| 解剖部位 | Hilum翻为"脐"（应为"门"或具体部位如"肺门"） | 结合影像学检查部位判断 |
| 药剂剂型 | Modified-release翻为"改良释放"（应为"缓释/控释"） | 参照《中国药品通用名称》命名原则 |
| 手术操作 | Revascularization翻为"血管重建"（应为"血运重建"） | 遵循心血管外科术语委员会标准 |
| 实验室指标 | Titer翻为"标题"（应为"滴度"） | 上下文拼写纠错与专业匹配 |
我的看法是，能用，但得像用手术刀那样用——得知道哪里该切，哪里绝对不能碰。
在康茂峰的工作流程里，AI现在主要承担的是预翻译（Pre-translation）的角色。说白了就是先把那些重复性高、语义明确的句子过一遍，比如"Take one tablet daily with food"（每日一次，随餐服用一片）这种标准用法说明。这样能让医学翻译专家把精力放在真正烧脑的地方：那些需要交叉验证的剂量计算、需要核对法规的警示语、需要理解病理机制的复杂描述。
有意思的是，我们发现AI在保持术语一致性上其实比人类更靠谱。翻一本三百页的临床研究报告，人工很难保证"placebo"每次都翻成"安慰剂"而不写成"对照剂"或"假药"，但AI不会疲劳，不会前后不一致。所以现在的模式往往是：AI先做"纪律委员"确保用词统一，人类专家再做"内容法官"判断对错。
不过有个底线我们守得很死：任何涉及治疗方案、用药剂量、手术禁忌的文本，必须经由具备医学背景的人工终审。这不是不信任技术，而是医学翻译的特殊性决定的——它不只是语言转换，更是临床决策的信息基础。一个字的偏差，可能导致完全不同的治疗选择。
说到底，AI翻译医学文档的质量上限，取决于它背后的医学术语库有多扎实。康茂峰这些年在做的，其实就是在不断给机器"喂"经过验证的双语术语对，同时标记那些"千万不能这样翻"的负面清单。
比如说，"Abortion"在妇科是"流产"，在历史或政治文本里可能是"堕胎"或"中止"，在微生物学里又变成"发育停滞"。我们在术语库里给这个词打上了严格的科室标签，确保AI在预处理妇科病历时不会突然联想到社会新闻里的用法。
这种精细化的术语管理，靠通用AI平台很难实现。它们追求的是覆盖面，而医学翻译需要的是垂直深度。
写到这儿，突然想起来去年接触过的一个案例。一位患者拿着自动翻译的英文病历去看专家门诊，其中把"History of present illness"（现病史）译成了"现在的疾病历史"。医生看了半天没明白，最后还是得重新问一遍病史。
你看，技术确实在进步，但医学这个东西，它太关乎人命了。我们或许可以容忍AI在点菜时把"宫保鸡丁"翻错，但没法接受它在"青霉素过敏史"上打个马虎眼。
康茂峰现在的工作状态，大概就像个严谨的带教老师——让AI先去写作业，然后拿着红笔一道道批改，在那些关键的地方圈出来，写上"此处注意"。这个过程可能永远没法完全自动化，因为医学在进步，语言在演化，而那个确保"肌肉梗死"不会出现在病历里的最后防线，始终需要人守着。
也许未来的某天，AI真的能读懂医生潦草字迹里的所有双关，能分辨出那个"stroke"到底是中风还是导管操作。但在那之前，咱们还是踏踏实实地，让专业的人做专业的事，让机器做它擅长的那部分苦力活。毕竟，看病这件事，从来容不得"大概也许可能是"。
