Studies in health technology and informatics 2026年9月17日该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。德语临床表达到 SNOMED CT 的医学概念归一化：领域嵌入检索加 LLM 重排优于纯 LLM 方案该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。该研究针对德语临床短表达到 SNOMED CT 的医学概念归一化任务，比较了直接使用 GPT-5.4 的纯大语言模型方案与结合 medBERT.de 双编码器嵌入检索和 RAG 式 LLM 重排的混合方案，结果显示纯 LLM 基线 Recall@1 为 0.235、Recall@3 为 0.297、Recall@5 为 0.303，而嵌入检索方案达到 Recall@1 0.681、Recall@3 0.783、Recall@5 0.812，加入 RAG 重排后 Recall@1 进一步提升至 0.771，Recall@3 和 Recall@5 分别为 0.809 和 0.812。