우리는 아랍 문자 언어(Arabic-script languages)를 위한 생물 의학 신경망 기계 번역(NMT) 자원의 부족 문제를 해결하기 위해 의료 도메인의 교차 언어 전이(cross-lingual transfer)에 대한 체계적인 연구를 제시합니다. 우리는 extbf{4개의 심각한 저자원} 대상 언어인 다리어(Dari, 아프가니스탄 페르시아어, 페르시아어의 표준화된 변체), 파슈토어(Pashto), 소라니 쿠르드어(Sorani Kurdish, 중앙 쿠르드어, 쿠르드어의 주요 표준화된 변체), 우르두어(Urdu, 힌디어와 밀접하게 연관됨)의 번역을 개선하기 위해 아랍어와 페르시아어를 고자원 피벗(higher-resource pivots)으로 사용합니다. 소규모 디코더 전용 대규모 언어 모델(decoder-only LLMs)에 LoRA 미세 조정(fine-tuning)을 적용하여, extit{도메인 특화 피벗 어댑터(domain-specific pivot adapters)}를 학습시키고 extbf{세 가지 전이 전략}을 평가합니다: 퓨샷 인컨텍스트 학습(few-shot in-context learning), 최소 지도 적응(minimal supervised adaptation), 그리고 우리가 아는 바로는 이 설정에서 최초로 시도되는 제로 데이터 LoRA 어댑터 병합(zero-data LoRA adapter merging)입니다. 단 500개의 문장을 사용한 지도 적응(Supervised adaptation)은 다리어에 대해 피벗 언어에 근접한 품질(CHrF++ 41.01)을 달성하였고, 우르두어에 대해서도 유의미한 향상(28.88)을 보였습니다. 반면 어댑터 병합(adapter merging)은 추가 비용 없이 다리어에 대해 지도 적응의 3.5 CHrF++ 이내 수준에 도달했습니다. 파슈토어와 소라니 쿠르드어는 고위험 임상 배치(high-stakes clinical deployment)를 수행하기에는 여전히 불충분하며, 이는 피벗과의 구조적 거리(structural distance)가 너무 멀 때 교차 언어 전이가 갖는 한계를 드러냅니다. LoRA 어댑터 병합은 대상 언어의 생물 의학 데이터가 없더라도 밀접하게 연관된 언어들에 대해서는 놀라울 정도로 잘 작동합니다.