Comparison of proprietary and fine-tuned large language models for multi-label classification of billing codes from radiology reports

四百億參數的 GPT-5 在處理真實世界放射科帳單時，表現居然慘輸給只有 40 億參數的在地小模型，F1 分數相差高達 12%。醫學影像報告的批價編碼（billing codes）一直是繁瑣且容易漏帳的痛點。這份來自《European Radiology》的研究證明，與其花錢呼叫雲端大模型，不如利用自家醫院的舊資料微調開源小模型，不僅準確率更高，還能完全避開病患隱私外洩的法規問題。

50 萬份報告訓練 4B 參數的輕量級模型

在德國，私立醫療保險的批價高度依賴 GOÄ 系統（德國私保批價系統，類似台灣健保支付標準），需要人工從放射科報告的瑣碎敘述中抓取對應的處置代碼。為了自動化這個極度耗時的流程，Essen 大學醫院的研究團隊回溯收集了 1999 到 2025 年間，共 124,497 位成年病患的 499,601 份放射科報告。這個龐大的真實世界資料庫包含了高達 179 萬個由人工標註的 GOÄ 批價代碼，直接作為機器學習的黃金標準（ground truth）。從病患結構來看，常見的主診斷涵蓋了心絞痛（ICD-10 I20.8）、肝惡性腫瘤、肺癌與前列腺癌等，確保了報告文本的多樣性。

考量到運算成本與歐盟嚴格的 GDPR 隱私法規，團隊並沒有一開始就將資料倒給外部的 API，而是選擇微調（fine-tuning）微軟開源的 MediPhi-Instruct 模型。這是一個僅有 40 億（4B）參數的輕量級語言模型，本身已經預先吸收了大量臨床文本。研究團隊採用五折交叉驗證（5-fold cross-validation）進行訓練，並嚴格切出 10%（約 5 萬份報告）作為保留測試集。值得一提的是，因為多數醫院的批價代碼呈現極端的「長尾分佈」（少數常規檢查佔據多數代碼），研究者特別選用 F1-micro（偏重高頻常見代碼的綜合準確度指標）來評估模型，藉此反映該系統在「減少日常行政人力」上的真實效益。

為了與市面上當紅的大型語言模型一較高下，團隊又特別從測試集中抽樣出兩組獨立對照：第一組是 500 份未經修飾的「真實世界樣本」；第二組則是排除掉特殊機構計價邏輯後的 350 份「清理後樣本」。他們設計了兩種挑戰模式：零樣本（zero-shot，不給範例直接讓模型猜）與少樣本（few-shot，在提示詞中給予標準定義與兩個正確範例），交由一位資深醫學資料科學家與擁有 15 年經驗的醫事批價控制員反覆調校提示詞。

Figure 3 真實世界樣本的 70% F1 分數防線

當我們把未經修飾的 500 份真實世界放射科報告丟給各大模型時，表現呈現了極度兩極的發展。這批資料保留了醫院獨特的檢查樣板與醫師個人的書寫習慣。從 Figure 3 與 Table 3 的數據來看，微調過的小型 MediPhi 融合模型（ensemble model）展現了壓倒性的主場優勢，其微平均 F1 分數達到 70.32% ± 1.54%。更重要的是，該模型的召回率（Recall）高達 74.05% ± 2.25%。召回率在批價情境中是命脈所在，因為「漏標代碼」直接等同於醫院的營收損失，而這個 4B 參數的模型有效守住了這道防線。

相較之下，那些動輒千億參數的商業巨獸在零樣本測試中幾乎全軍覆沒。GPT-5 的零樣本 F1 分數僅有 11.04% ± 1.17%，而 Google 的 Gemini 2.5 Flash 更是趨近於零（0.002%）。即使改用提供少數範例的 few-shot 提示詞，表現最好的 Gemini 2.5 Flash 也只把 F1 分數拉抬到 58.22% ± 1.50%，GPT-5 則是 58.15% ± 1.58%。經過統計配對 t 檢定證實，自家微調的 4B 模型在準確率、精準度與召回率上，皆以極顯著的差異（p < 0.001）擊敗了目前檯面上最強的商業大模型。這證明了在充滿機構慣用語與特殊計費規則的環境中，吸收過在地資料的小模型遠比「通用型聰明」來得管用。

若進一步拆解各類影像排程的表現，各大模型在處理常規 X 光片批價時遇到了巨大的障礙。在真實世界樣本中，諸如 Llama-3.3-70B 與 Deepseek-R1 等開源大模型的 X 光零樣本 F1 分數皆為 0%。反觀微調模型在各類別（X 光、CT、超音波、MRI）的表現相對平均，特別是在超音波的分類上，即便在嚴苛的零樣本情境下也能達到接近完美的 F1 分數。

Table 4 與 Figure 4 清理後樣本的局勢大逆轉

然而，當比賽規則改變，大型語言模型強大的語意理解能力立刻展現了恐怖的統治力。研究團隊在第二階段測試中，移除了 150 份高度依賴「該院特有加成計費邏輯」（例如與文本無關的單純行政附加費用）的 MRI 報告，並剔除掉 163 種純行政用途的批價代碼，整理出 350 份「清理後樣本」。這個資料集考驗的是單純的醫學文本語意轉換能力，不再參雜醫院辦公室的歷史陳規。

從 Table 4 的結果可以明顯觀察到局勢的翻轉。在這個清理過、語意更明確的資料集裡，提供 few-shot 範例的 GPT-5 以 F1 分數 89.51% ± 1.52% 奪下冠軍，緊追在後的是 Gemini 2.5 Flash（89.3%）與 Gemini 2.5 Pro（88.0%）。反觀原本稱霸的微調 MediPhi 融合模型，其 F1 分數反而落後，僅有 74.23% ± 1.41%（與 GPT-5 相比 p < 0.001），且精準度大幅下滑至 64.84%。

若檢視 Figure 5 的次群組分析，清理後的資料集中，各大 LLM 只要搭配 few-shot 提示詞，在 X 光片批價的 F1 分數都能迅速從 0% 飆升到 80% 甚至 90% 以上。這種高度反差凸顯了真實臨床工作流的複雜本質：「放射科醫師寫下的醫學發現」跟「行政部門最終核定的計費邏輯」往往是兩套平行的語言。GPT-5 擅長精準解讀前者，但唯有吃過自家醫院幾十萬筆老舊帳單的微調模型，才能真正掌握後者的弦外之音。

歷史偏誤與單一醫學中心的潛在限制

這份研究雖然極具說服力地展示了在地部署小模型的龐大潛力，但作者在討論區也誠實交代了幾個無法迴避的結構性限制。首先，用來訓練這 40 億參數模型的「黃金標準」，本身就是過去 20 多年來由該院行政人員與醫師人工輸入的批價結果。這意味著模型學到的不僅是正確的醫療對應關係，同時也把人類過去的編碼習慣，甚至「少報、漏報」的歷史偏誤（historical documentation biases）給照單全收了。如果當年某個主治醫師特別不愛申報某項超音波耗材，模型現在就會理所當然地繼承這個壞習慣。

其次，本研究的所有資料皆來自單一大學醫學中心。為了進行測試比對，團隊也刻意將放射科報告進行去識別化，甚至在抽樣時排除了許多缺乏變化的「正常報告樣板」（normal-finding templates）。這種作法雖然確保了語言的多樣性，但也使得訓練資料的文本結構些微偏離了最原始的門診樣貌，且難以斷言這套模型搬到另一家社區醫院時還能保持同樣的準確度。

放射部門建置自動批價系統的在地決策

對於正為放射科各項健保申報、自費醫材與特約門診批價而頭痛的科室主管來說，這篇論文提供了一個極具成本效益的戰略藍圖。在決定導入 AI 輔助批價時，我們不該盲目迷信最昂貴的商業大模型 API。將龐大的就醫紀錄與病患特徵傳送到外部雲端，不僅會踩到醫療資料不能出院的法規紅線，每個月按 token 流量計算的 API 呼叫費也是一筆可觀的持續性開銷。

實務上最合理的落地架構，是利用科內過去五到十年的 PACS 報告，與 HIS 系統內的批價代碼進行配對，利用院內既有的伺服器與單張高階顯示卡，微調一個 4B 到 8B 等級的開源模型。在系統上線初期，將它定位為「批價代碼的草稿生成器」（pre-screening system）。它可以自動掃描每天成千上萬份的常規 X 光與標準 CT 報告，把最容易漏掉的顯影劑注射、多部位掃描加成自動帶出，最後再交由醫療費用審查人員進行最終放行。透過這種「Human-in-the-loop」的協作模式，既能接住常規檢查的漏網之魚，又能把寶貴的人力釋放去處理罕見複雜病例的申報挑戰。

別把醫院特有的計價潛規則外包給昂貴的雲端大模型；一台院內伺服器跑微調小模型，才是守住批價營收與病患隱私的最優解。