人工智能驱动与手动CAD设计在单颗牙修复中的形态准确性比较：一项初步研究

《BMC Oral Health》：Morphological comparison between artificial intelligence-driven and manual CAD design in single tooth restoration: a preliminary study

本研究针对AI设计牙科修复体形态准确性未充分验证的问题，开展了AI驱动与手动CAD设计的对比研究。通过3D偏差分析发现，AI设计整体形态准确性（RMSE中位数79.8μm）与手动设计（68.6μm）无显著差异（p=0.1056），但最大偏差显著更大（225.0μm vs 184.4μm，p=0.0243）。结果表明AI适用于常规修复设计，但需优化动态咬合建模算法。

　　

随着数字化技术在牙科领域的快速发展，计算机辅助设计与制造（CAD/CAM）技术已经彻底改变了传统牙科修复体的制作流程。与传统技术相比，现代数字化工作流程展现出更高的效率和可重复性，同时能将各种固定修复体（FDP）的边缘适应性保持在临床可接受的阈值范围内。然而，传统的CAD设计方法仍然高度依赖技师的专业水平，在解剖特征重建过程中会因主观判断引入变异性。尽管经验丰富的技师能够制作出临床满意的修复体，但手动设计过程需要投入大量时间，且在复杂病例中表现出明显的操作者间差异性。

近年来，人工智能（AI）与牙科CAD系统的结合为自动化修复体设计带来了范式转变。这些系统利用机器学习算法分析咬合关系和邻牙形态，能在几分钟内生成修复体，理论上保持解剖准确性。虽然初步研究表明AI能将设计时间减少40-75%，但其复制关键形态细节的能力仍令人担忧。随着AI驱动系统在临床中的日益普及，对AI生成与技师设计修复体之间的直接比较分析仍存在显著的知识空白。

在这项发表于《BMC Oral Health》的研究中，研究人员针对30例患者的单颗牙修复病例，采用配对研究设计，以临床认可的原设计为参考标准，比较了AI驱动设计（3Shape Automate）与手动设计（3Shape Dental System^TM）的形态准确性。通过3D偏差分析评估形态真实性，使用Wilcoxon符号秩检验比较全局表面偏差（RMSE），配对t检验比较最大差异。

研究结果显示，AI设计在批量处理效率方面表现突出，93.3%的病例（28/30）成功实现自动化处理，每例修复体的有效操作时间不足一分钟。然而，6.7%的病例（2/30）因预备体几何形态不理想需要手动干预，包括边缘线检测失败和代型界面计算错误。形态准确性评估表明，AI生成修复体的全局表面偏差（RMSE中位数=79.8μm）与手动设计（68.6μm）无显著差异（p=0.1056）。但AI设计的最大偏差（中位数=220.1μm）显著大于手动设计（184.8μm，p=0.0243）。

在技术方法方面，研究采用标准化牙体预备流程，由具有10年临床经验的修复专家完成。使用CEREC Omnicam口内扫描仪获取数字印模，CAD设计分别由经验丰富的技师（7年临床经验）手动完成和通过3Shape Automate平台自动生成。形态比较使用Geomagic Control X软件进行3D表面偏差分析，以RMS_E和最大差异作为主要评价指标。

AI边缘和代型界面检测挑战

在30例纳入病例中，两例标本（6.7%）未能通过AI系统验证。一例（牙位#25）出现"无法计算代型界面"的系统提示，另一例（牙位#27）生成"边缘线不可检测：使用Dental系统进行手动边缘识别"的警报。这些预处理失败具体表现为两种不同的错误模式：边缘线检测失败和代型界面计算错误。

形态准确性评估

以临床认可的设计作为参考标准，比较AI驱动和手动CAD工作流程。通过Shapiro-Wilk检验对配对RMSE差异进行正态性评估显示非参数分布（p<0.001），需使用Wilcoxon符号秩检验进行分析。比较评估显示AI生成修复体（RMSE中位数=79.8μm）与手动设计3Shape对应物（RMSE中位数=68.6μm）之间的全局表面偏差无统计学显著差异（p=0.1056）。

最大差异测量

通过Shapiro-Wilk检验对配对最大差异进行正态性评估确认参数分布（p=0.8657），证明实施配对t检验分析合理。比较评估显示AI设计修复体（中位数=220.1μm）的最大差异显著高于手动设计（中位数=184.8μm；p=0.0243）。

研究讨论指出，AI驱动单颗牙修复体设计表现出三个关键性能特征：全局准确性与手动工作流程统计等效；AI输出的峰值偏差显著升高；以及需要手动干预的边缘/代型界面检测技术失败率为6.7%。这些数据共同表明，虽然AI系统实现了不显著的总体形态偏差，但在处理几何复杂预备体和优化局部解剖特征方面表现出特定脆弱性。

AI系统的批量处理能力展现出显著效率优势，成功自动化93.3%的病例，这与可比研究中手动CAD工作流程记录的每例修复体30-45分钟的中位椅旁时间形成对比。并行处理架构消除了每单位时间比较，因为所有30例病例在无人操作期间同时完成。

最大差异分析显示，与手动设计相比，AI生成设计的峰值偏差显著更大。这种差异模式表明AI系统可能优先考虑严格解剖复制，相对于技师临床调整的适应，可能过度强调牙尖锐度和邻接紧密度。手动设计表现出更平滑的咬合过渡，可能反映了操作者对患者年龄相关磨耗模式和咬合功能需求的补偿。

研究的局限性包括单中心设计和中等样本量的固有约束，可能影响不同人群的普适性。同样，将AI与单一专家技师进行基准测试，虽然方法上有必要控制变异性，但限制了研究结果对该操作者特定设计哲学的普适性。6个月的随访期虽然足够进行初始形态评估，但无法评估功能负荷下的长期生物力学行为。

该研究得出结论，AI驱动的修复体设计实现了与手动工作流程相当的形态准确性。然而，显著更大的峰值偏差和对于不理想预备体的几何限制需要进行病例选择和增加椅旁调整时间。研究结果确立了AI在常规牙冠设计中的潜力，但进一步优化需要整合动态咬合参数，并跨不同预备体几何形状展开扩展的临床验证，以增强综合修复应用中的实用性和临床有效性。