综述：人工智能驱动的正畸学绿色创新：智能矫治器与可持续技术综述

《Frontiers in Materials》：Artificial intelligence-driven and eco-friendly innovations in orthodontics: a review of smart appliances and sustainable technologies

　　

现代正畸临床实践正逐步受到人工智能（Artificial Intelligence, AI）与可持续材料创新的双重影响。本叙述性综述综合了2015至2025年间发表于PubMed、Scopus、Web of Science及Google Scholar等主要电子数据库的相关文献，采用预设的纳入标准，聚焦于AI应用与环境友好型正畸技术。文章探讨了基于AI的诊断系统、治疗规划工具及智能监测技术的最新进展，同时涵盖生态友好型正畸生物材料及数字化制造工艺，这些技术可提升诊疗效率与疗效，推动治疗方案向精准化与个性化发展。预测建模与仿真技术提升了隐形矫治器（clear aligner）的精度，通过与患者特异性数据的整合进一步增强其有效性，并使制定个性化治疗策略的可行性显著提升，进而改善患者满意度。最具前景的方向之一是使用生物可降解聚合物、可回收合金及可持续三维（three-dimensional, 3D）打印工艺，这些措施有望大幅减少材料浪费与环境负荷，对可持续临床实践具有重要意义。AI与可持续正畸技术的结合为提供更精准、高效且环境友好的正畸诊疗服务指明了方向。然而，目前多数系统仍处于实验或早期验证阶段，在广泛常规应用前仍需进一步的临床验证、标准化监管审批路径及长期疗效研究。

1 引言

正畸学作为牙科专科，主要关注矫治器、托槽及牙列排列等相关问题。传统金属托槽、弓丝以及近年来的隐形矫治器虽已应用数十年，能有效改善口腔健康与美观，但存在显著局限：疗程常持续数年，可能引起不适，且需频繁复诊。此外，正畸诊疗产生的废弃物量大，尤其是一次性塑料矫治器的使用，其生产与处置均会造成环境污染与生态破坏。当前两大发展趋势正在重塑正畸学：一是人工智能（AI）的融合，即能够处量大规模数据集、预测结果、从经验中学习并随新信息持续优化的人工系统，目前已深度融入诊断、治疗规划及进度监测环节，并通过智能正畸矫治器与AI辅助监测平台嵌入数字化工作流程；二是绿色可持续实践的采纳，即在保障诊疗质量的同时降低环境影响，预计至2026年将在生物可降解聚合物、可回收树脂及低金属健康风险的矫治装置研发方面取得显著进展。本文以“智能可持续正畸学”为框架，综合探讨AI与可持续技术的整合，旨在实现临床精准与环保责任的双重目标。

2 综述方法学

本研究为带有结构化文献合成要素的叙述性综述，以增强透明度与可重复性。检索覆盖PubMed、Scopus、Web of Science及Google Scholar数据库，时限为2015年1月至2025年12月，检索词组合包括“人工智能”“正畸学”“机器学习”“深度学习”“可持续正畸学”“生态友好生物材料”“绿色牙科”及“智能正畸矫治器”。纳入标准为：同行评审英文文献；报道AI在正畸诊断、规划、监测或生物材料优化中的应用；涉及正畸材料或工作流程的环境可持续性研究；临床研究、系统评价及技术验证报告。排除标准为：无全文的会议摘要；非正畸领域的牙科AI应用；方法学透明度不足的研究。数据提取聚焦于AI技术类型、临床验证状态、环境效益及局限性，因研究设计异质性未进行定量Meta分析，故采用叙述性综合。

3 正畸学AI与可持续实践的进展

3.1 正畸学AI的历史与发展

正畸学AI的发展植根于21世纪初医疗与牙科数字化转型，以锥形束计算机断层扫描（cone-beam computed tomography, CBCT）、口内扫描仪及计算机辅助设计（computer-aided design, CAD）系统的普及为标志。尽管AI概念形成于20世纪中叶，其在正畸学的实际应用主要集中于过去十年，得益于大规模牙科影像数据集的出现。现代深度学习算法，尤其是卷积神经网络（convolutional neural networks, CNNs），已成功实现多项手动任务的自动化。系统评价显示，基于CNN的AI系统在侧位片头影测量标志点识别中准确率达64%至97%，位置误差通常控制在临床相关的1至3毫米范围内，其辅助定位精度已接近人类专家水平。

3.2 正畸学AI功能的进展

AI能力已从单纯标志点检测扩展至高级诊断与预测功能，如生长模式预测与治疗规划辅助。临床研究表明，基于大规模影像数据集训练的AI系统完成头影测量分析的速度较人工快约80倍，显著提升工作流效率。此外，AI可通过预测拔牙必要性及判定骨骼成熟阶段支持临床决策，特定机器学习模型在治疗决策任务中准确率可达93%。多模态AI模型能整合CBCT、口内扫描及面部表面成像数据，实现对颅面解剖结构与治疗效果的精准评估，牙齿与颌骨分割的Dice系数超过94%。

3.3 正畸学环境可持续性

隐形矫治器全球使用者约1400万，每年产生超1000吨塑料废弃物及大量碳排放，凸显可持续替代方案的紧迫性。产业界与学术界已推出多种环保材料与实践，例如植物基矫治器片材在工业堆肥条件下的分解速度较传统塑料快60%，单治疗周期碳排放可减少30%；4D打印形状记忆矫治器采用智能聚合物，可在治疗中重塑复用，将单副矫治器碳足迹从约4千克CO₂降至1.8千克CO₂，并减少总需求量。此外，可回收不锈钢托槽、无双酚A（Bisphenol A, BPA）粘接材料及分阶段数字化生产可降低30%至41%的材料浪费与最高58%的碳排放，体现了材料科学与工作流优化的结合。

4 正畸学高级AI应用：诊断、治疗规划与智能监测

AI通过机器学习、深度学习与计算机视觉等技术，实现了传统手工任务的自动化与增强，涵盖复杂生物医学影像分析、大数据集预测及远程治疗监测。AI显著优化了头影测量分析的效率、准确性与可重复性，传统描迹法耗时且受观察者间与观察者内变异影响，而AI系统可在极少人工干预下完成自动标志点检测与测量生成。深度学习算法能在数秒内识别二维与三维影像中的解剖点，减轻临床负担并减少人为误差，其定位误差普遍处于临床可接受范围，且与资深正畸医师准确性相当。AI头影测量工具还通过标准化标志点放置减少主观解读，提升复杂骨性错??治疗规划的可靠性，并支持多治疗方案的快速评估。进一步整合放射影像、数字牙模与面部扫描数据，可实现颅面生长预测、疗效模拟及结构变化的纵向监测。当前局限在于算法性能高度依赖训练数据集的质量与多样性，且“黑箱”特性限制了透明度与临床问责。

在治疗规划方面，AI通过预测建模与仿真预测牙齿移动并优化隐形矫治器策略。机器学习算法分析历史疗效以识别牙齿对矫治力的响应规律，生成模拟治疗阶段。回顾性研究显示，AI驱动规划系统（如Invisalign ClinCheck）的上颌与下颌尖牙间宽度计划与实际达成率分别为97.97%与97.67%，磨牙间宽度达成率超97%，总体计划牙齿移动达成率约76.85%，表明AI仿真为治疗规划提供了坚实基础，但仍需临床医师对复杂生物力学场景进行监督。

智能监测是AI在正畸日常实践中的重要应用。远程监测平台可利用患者智能手机拍摄的口内影像，评估牙齿移动、矫治器贴合度及口腔卫生状况，无需到诊即可生成量化数据供医师审核。基于深度学习的计算机视觉流程可对随时间推移的口内扫描进行配准、分割与比较，重建三维数字模型并监测治疗进展，其与常规口内扫描的偏差在主动治疗期保持在±0.5毫米内。整合AI的标准化护理可减少每例患者1.68至3.5次到诊次数，降低临床工作量且不损害疗效。目前仅少数AI正畸系统获得美国食品药品监督管理局（Food and Drug Administration, FDA）或欧盟CE认证，多数仍为研究原型或临床决策支持软件，监管路径与标准化性能评估仍是安全临床应用的关键挑战。

5 仿生正畸生物材料：环境可持续性与生命周期表现

传统正畸材料以不锈钢、镍钛合金、陶瓷及石油基聚合物为主，虽强度高、耐久性好，但一次性装置（尤其是隐形矫治器与塑料保持器）的大量使用引发了资源消耗与环境影响的担忧。近期研究聚焦于仿生环保材料，旨在兼顾环境效益与生物力学性能。聚乳酸（polylactic acid, PLA）等生物可降解聚合物源自玉米淀粉或甘蔗，其复合材料具备用于临时矫治器及部分组件的充分强度。生命周期评估显示，PLA基生物复合材料较传统PLA与化石基塑料可降低碳足迹，天然纤维（如亚麻或大麻）增强的PLA复合材料较石油基尼龙/玻璃纤维复合材料的环境影响分别降低约87%与81%。可回收与仿生材料亦促进可持续实践，实验表明回收的不锈钢与陶瓷托槽在剪切 bonding 强度与尺寸稳定性上仍满足临床要求，可减少原材料需求与废弃物。三维打印（增材制造）通过定制化生产显著降低材料浪费，闭环可回收系统通过复用失败打印件与未使用树脂可实现高达90%的减废率。生命周期评估表明，单一材料替换并非最优，需结合可持续材料、数字化工作流、减少装置更换与回收举措的综合策略，才能在保障生物力学性能与临床疗效的同时实现最大环境效益。

6 正畸学AI：与生物材料的整合用于设计、测试、建模、优化及临床转化

AI通过增强生物材料与矫治器的设计、测试、建模、优化及临床转化，推动了正畸学的变革。AI驱动的数字化工作流涵盖数字数据采集、AI分析与规划、矫治器设计、制造及临床转化。AI模型可自动化诊断、治疗规划与临床决策支持，据报道可带来95%的治疗成功率、缩短平均疗程并提高患者满意度。在矫治器设计与建模方面，机器学习与计算机视觉算法利用放射影像与口内扫描自动检测头影测量标志点并预测生长，支持个性化规划并减少观察者变异。深度学习模型通过分析纵向多模态数据集，可预测患者特异性牙齿移动，提供优于传统规则方法的规划策略。AI还与CAD及增材制造整合，优化生物材料与智能矫治器设计，商业AI-CAD系统可生成患者特异性托槽与矫治器几何形态，减少手工调整。AI通过远程监督平台支持治疗测试与实时监测，利用智能手机分析影像与内部力量测量，追踪治疗进展、矫治器贴合度及口腔卫生，减少到诊需求并提升偏远地区可及性。此外，AI正改变生物材料开发的传统试错模式，通过机器学习与深度学习模型预测新型材料的力学行为、耐久性及临床性能，有限元分析（finite element analysis）结合AI优化可模拟牙齿与矫治器在不同载荷下的行为，比较生物可降解聚合物或回收材料与传统金属塑料的性能，AI代理模型能以低计算成本高精度近似复杂生物力学仿真，并在增材制造中优化层厚、打印方向与材料流以提升强度并减少浪费。

7 人工智能驱动与环境可持续正畸学的临床与伦理考量

AI辅助诊断系统可实现头影测量影像的精准一致分析，标志点检测准确率达88%至92%，接近资深临床医师水平，但需临床医师培训以理解其局限与能力，并建立标准化实施框架。AI在提升诊断一致性、治疗规划可预测性及通过远程监测减少到诊需求方面表现出优势，但必须以患者为中心，由临床医师保留最终决策权，兼顾个体需求、偏好与临床复杂性。安全性是核心关切，诊断与治疗规划算法需在多样化人群中稳健透明并经充分验证，以避免错误预测或不恰当建议，低质量影像、非典型颅面结构或训练数据不足均可能导致误差。智能矫治器与传感装置必须满足生物相容性与机械安全标准，且需持续上市后监测以应对AI系统的动态演变。监管框架需建立标准化路径，认可AI工具在受控环境中的评估对安全实施的重要性，当前多数AI正畸工具仍处于研究评估阶段，正式监管批准案例有限，需明确指南与标准化协议以支持广泛应用。尽管AI辅助系统在诊断一致性、分析速度与疗效可预测性上优于传统工作流，但其性能高度依赖数据质量，训练数据集的局限性可能导致跨人群应用的预测偏差，且深度学习模型的“黑箱”特性可能削弱透明度与临床信任。因此，当前证据支持混合模式，即AI作为决策支持工具而非专业临床判断的替代。

7.1 研究局限与证据缺口

本综述存在若干局限：作为叙述性综述，未遵循系统评价或Meta分析的统计严谨性，可能存在文献选择偏倚；纳入研究在设计、样本量、影像模态与评价指标上异质性显著，限制AI系统间的直接比较；多数AI应用仍处于技术验证阶段，聚焦回顾性数据集的算法准确性，缺乏前瞻性临床验证；AI训练数据集普遍缺乏人口统计学多样性，引发算法偏见与跨人群泛化能力的担忧；评估AI整合对患者安全、治疗有效性及成本效益的长期临床研究十分匮乏。解决这些局限是推动AI从实验工具转化为常规临床可靠组件的关键。

8 智能可持续正畸技术的未来展望与研究空白

未来AI与可持续正畸技术的进步将通过提升诊断精度、治疗效率与环境责任重塑临床实践，这需要临床医师、工程师与监管机构的持续跨学科协作。生成式AI系统正推动治疗规划、临床文书与患者沟通的自动化，但针对正畸学的全面临床验证仍有限，存在未经验证或误导性输出的风险，需进一步研究“人在回路”框架与标准化性能指标。数字孪生（digital twin）技术通过创建整合影像数据与生物力学模型的患者虚拟副本，助力个性化治疗模拟，但其临床工作流整合仍需强大基础设施、互操作性与计算能力及长期验证。可持续3D打印与环保生物材料的兴趣增长旨在减少环境影响并提升定制化矫治器生产，但临床应用仍在探索中，需标准化测试协议与生命周期分析以评估材料安全性与长期生物相容性。3D打印在推进研究模型、矫治器基底、手术导板及定制矫治器精度方面的作用日益凸显，但对新型可持续聚合物的环境影响、长期性能与生物相容性的综合数据仍不完整，需生命周期分析与材料安全评估支持更广泛的应用。跨学科协作是开发经临床验证工具的核心，需建立稳健网络、共享数据集与共识框架，以保障以患者为中心且环境负责的诊疗。

9 结论

人工智能与环保技术的融合正推动正畸学向AI辅助诊断、治疗规划、智能矫治器设计及可持续材料与绿色制造实践方向发展。这些创新有望通过提升治疗精度、缩短疗程、改善患者体验及减少环境影响，变革正畸诊疗模式。AI与可持续性的交汇凸显了数据驱动、资源高效与患者中心理念在现代牙科中的重要性。实现这一潜力需要多学科研究与协作，包括构建多样化数据集、开展长期临床研究及制定标准化环境评估协议。将技术创新与生态意识实践相结合，可使正畸学在实现临床卓越的同时履行环境责任，为有效且可持续的牙科诊疗建立新范式。