The Impact of Artificial Intelligence on the Accuracy of Interproximal Reduction Simulation in Clear Aligner Therapy: A Scoping Review

기술 요약: 투명 교정 치료에서 치간 삭제(IPR) 시뮬레이션의 정확도에 미치는 인공지능의 영향

문제 제로 (Problem Statement)
투명 교정 치료(Clear Aligner Therapy, CAT)는 정밀한 디지털 치료 계획에 크게 의존하며, 여기서 치간 삭제(Interproximal Reduction, IPR)—공간 확보를 위해 미세한 법랑질을 제거하는 과정—는 매우 중요하고 되돌릴 수 없는 단계이다. 부정확한 IPR 처방은 치아 이동을 위한 공간 부족을 초고하거나, 반대로 법랑질 파괴 및 치주 문제를 야기할 수 있다. 치아 분할(segmentation), 가상 세팅 생성, IPR 처방을 자동화하기 위해 인공지능(AI)이 점점 더 많이 활용되고 있으나, 이러한 AI 기반 시뮬레이션의 정확도가 기존 방식과 비교하여 어느 정도인지에 대한 종합적인 근거는 부족한 실정이다. 기존 문헌들은 교정학에서의 AI 또는 IPR을 각각 별개로 다루고 있으며, IPR 시뮬레이션 정확도와 AI를 구체적인 근거 기반 접근법으로 통합하여 검토한 연구는 없다. 핵심 문제는 AI 도구가 IPR 시뮬레이션 워크플로우를 측정 가능한 수준에서 개선하는지, 저하시키는지, 혹은 특정 오류를 유발하는지 여부이며, 특히 디지털 모델의 근치측(mesiodistal) 치폭 측정이 IPR 계산의 직접적인 입력값이라는 점이 중요하다.

연구 방법론 (Methodology)
본 연구는 조안나 브릭스 연구소(JBI) 방법론과 PRISMA-ScR 가이드라인에 따라 수행된 범위 검토(scoping review)이다.

• 검색 전략: 2015년 1월부터 2026년 6월까지 PubMed/MEDLINE, Scopus, Web of Science Core Collection, Cochrane CENTRAL을 대상으로 포괄적인 검색을 수행하였다. Google Scholar 및 주요 교정 학술지에 대한 수동 검색이 보완되었다.
• 선정 기준: CAT 환자, 디지털 모델, 또는 치아 분할, 가상 세팅, 또는 IPR 시뮬레이션에 식별 가능한 AI 구성 요소(머신러닝, 딥러닝 또는 벤더가 "AI 기반"이라고 라벨링한 도구)가 사용된 데이터셋을 포함하는 1차 연구(모든 설계 유형)를 대상으로 하였다. 연구는 적어도 하나 이상의 정량적 정확도 결과(예: 평균 차이 mm, ICC, MAE, RMSE)를 보고해야 한다.
• 제외 기준: 고정식 장치만을 다루는 연구, 비계획적 AI 기능(예: 챗봇), 정량적 측정치가 없는 주관적 결과, 2차 자료, 또는 치과 이외의 모델을 다루는 연구는 제외하였다.
• 데이터 합성: 두 명의 검토자가 92개의 검색 기록을 독립적으로 스크리닝하였으며, 그 결과 19개의 문헌이 최종 선정되었다. AI 플랫폼, 연구 설계 및 결과 측정 방식의 이질성으로 인해, 데이터는 정량적 풀링 대신 서술적 및 주제별로 합성되었다.
• 품질 평가: 증거 기반을 평가하기 위해 실용적이고 조화된 5개 영역 체크리스트(선택, 탐지, 마멸, 보고, AI 투명성)를 사용하였으며, 우려 사항을 낮음, 중간, 높음으로 등급을 매겼다. 이는 포함을 위한 필터가 아닌 맥락적 해석을 위해 수행되었다.

주요 기여 (Key Contributions)
본 검토는 기존의 근거를 네 가지 주제 영역에 걸쳐 매핑한다:

1. AI 기반 치아 분할 정확도: AI 알고리즘이 치아의 근치측 폭을 결정하기 위해 치아를 얼마나 잘 분할하는지 평가한다.
2. 자동 가상 세팅 정확도: AI 생성 가상 세팅 및 등록(registration) 알고리즘의 정밀도를 평가한다.
3. CAT 결과 예측 AI: 치료 성공 또는 리파인먼트(refinement) 필요성을 예측하는 머신러닝 모델에서 IPR의 역할을 분석한다.
4. AI 시각화의 영향: AI 생성 3D 시각화(골조직 및 치근 구조 포함)가 임상의의 IPR 의사결정에 미치는 영향을 조사한다.

결과 (Results)
검색된 92개의 기록 중 2022년에서 2026년 사이에 발표된 19개의 문헌이 선정 기준을 충족하였다.

• 분할 정확도: 근거에 따르면 AI 분할이 근치측 폭을 과대평가하는 경-향이 있다. 한 연구에서는 DentOne AI 분할이 구치부에서 수동 측정 대비 0.84–0.87 mm의 편차를 보였는데, 이는 ClinCheck의 편차(0.47–0.56 mm)보다 약 두 배 높은 수치이다. 일부 딥러닝 모델은 높은 IoU(Intersection-over-Union) 점수(예: >92%)를 달성하였으나, 높은 체적 중첩이 정밀한 IPR에 필요한 접촉점(contact points)의 정확한 식별을 보장하지는 않았다.
• 세팅 및 등록 정확도: 자동 세팅은 소프트웨어와 이동 유형에 따라 가변적인 정확도를 보였다. 선형 오차는 0.39에서 1.40 mm 사이였고, 각도 오차는 3.25에서 7.80도 사이였다. 이러한 결과를 측정하는 데 사용된 결정론적 등록 알고리즘 또한 다양했다. 예를 들어, OrthoAnalyzer는 하악 토크(mandibular torque) 측정 시 Geomagic 및 Compare(ICC > 0.90)에 비해 낮은 일치도(ICC < 0.5)를 보였다.
• 예측 모델링: 수천 명의 환자를 대상으로 한 회고적 분석에서, IPR은 리파인먼트 위험 및 개방된 치은 틈(open gingival embrasures)의 유의미한 예측 변수로 확인되었다. 머신러닝 모델(예: XGBoost, Graph Convolutional Networks)은 다양한 수준의 정확도(예: IPR이 예측 변수로 포함되었을 때 개방된 치은 틈 예측에 대한 AUC 0.880)를 달성하였다.
• 임상 의사결정: AI 3D 시각화는 임상의의 행동을 유의미하게 변화시켰다. 한 설문 조사에서, 33–43%의 교정 전문의들이 AI 생성 3D 골조직 및 치근 데이터를 확인한 후 IPR을 포함한 치료 계획을 변경하였다. 그러나 포함된 연구들에서 이러한 골조직 예측은 임상적 또는 방사선학적 표준에 의해 검증되지 않았다.
• 품질 평가: 19개 연구 중 14개가 '낮은 우려'로 평가되었다. 표본 크기가 작거나 AI 방법론 보고가 불완전한 경우 '중간 우려'가 나타났다. 낮은 설문 응답률과 작은 파일럿 샘플을 가진 연구에서는 '높은 우려'가 확인되었다.

의의 및 주장 (Significance and Claims)
본 논문은 AI 도구가 투명 교정 치료의 모든 IPR 시뮬레이션 단계에 측정 가능한 영향을 미치지만, 현재의 근거는 AI가 기존의 디지털 계획보다 본질적으로 더 정확하다는 주장을 뒷받침하지 못한다고 결론짓는다.

• 현재의 한념: 포함된 연구 중 AI 시뮬레이션된 IPR 정확도를 기존 IPR과 직접 비교하는 것을 주요 결과로 설계한 연구는 없었다. 따라서 이 증거의 공백을 메우기 위해서는 전향적인 비교 연구가 필수적이다.
• 임상적 시사점: 임상의는 인간의 감독을 안전하게 배제할 수 없다. 특히, AI 분할에 의해 생성된 구치부 IPR 처방은 과대평가 위험 때문에 근치측 측정치를 확인하지 않고 의존해서는 안 된다. 또한, AI 생성 3D 시각화는 골조직 예측이 참조 표준에 대해 검증되지 않았으므로 확정적인 진단 데이터가 아닌 의사결정 지원 도구로 취급되어야 한다.
• 향 향후 방향: 저자들은 AI가 진정으로 IPR 정확도를 향상시키는지 아니면 저하시키는지 판단하기 위해, 표준화된 등록 알고즘과 다양한 샘플(심한 총생 및 구치부 IPR 포함)을 활용하여 처방 정확도를 주요 종점으로 하는 전향적 연구를 권고한다.

본 검토는 AI가 자동화를 제공하지만, 상업적 알고리즘의 "블랙박스" 특성과 분할 및 등록 정확도의 가변성으로 인해 현재는 AI 생성 처방을 대체하기보다는 임상의의 검증이 반드시 필요함을 강조한다.