医療分野においても人工知能が担う領域がかなり増えてきたと全ての医療関係者が感じている昨今、「AIアプリでこんなのがあるよ」「あのLLM使ってこんなことしてるよ」と我々矯正専門医もAIの矯正治療への応用について情報交換を日々行っております。

AIは矯正歯科の診断において、精度の向上・作業の効率化・判断の客観性という点で確かに大きな力を発揮します。しかし、最終的な診断と治療方針の決定には、歯科矯正専門医による監督と検証が欠かせません。 これは私自身が日々の診療と、矯正学セミナーで多くの臨床家と議論を重ねるなかで実感している点であり、近年の国際的な研究レビューが示す共通見解とも一致します。

この記事では、矯正歯科とAIに関する最新の研究レビュー（50編以上の論文を統合した包括的レビュー）の内容を、一般の患者さんにも、また専門家の先生方にも読み応えのある形で整理してご紹介します。

そもそも、AIは矯正診断の「どこ」を手伝っているのか

矯正治療を始める前には、たくさんの「資料」を読み解く作業があります。横顔のレントゲン（頭部X線規格写真＝セファログラム）、お口の中の写真、歯型の3Dスキャンデータなどです。これらを分析して、骨格のタイプや歯の並び方を把握し、治療方針を立てていきます。AIが力を発揮しているのは、まさにこの「分析」の工程です。研究レビューでは、主に次の4つの領域での応用が報告されています。

① セファロ分析の自動ランドマーク検出 セファログラム上には、計測の基準となる「計測点（ランドマーク）」が数十か所あります。従来は専門家が一点ずつ手作業でプロットしていましたが、ディープラーニング（深層学習）を用いたAIは、この点描を自動で行えるようになりました。複数のシステマティックレビューによれば、その精度は「2mm以内の誤差で約90%が一致」という水準で、熟練した臨床家と同等以上と報告されています。

技術的にもう一歩踏み込むと、初期は畳み込みニューラルネットワーク（CNN）による単純な座標回帰が中心でしたが、近年はカスケード型（段階的に位置を絞り込む）ネットワークや、ベイズ的手法で「この点はどのくらい確からしいか」という信頼領域まで出力するモデルが登場しています。これは専門家にとって重要な進歩です。なぜなら、AIが自信を持って描出した点と、迷いながら置いた点を区別できれば、臨床家が「どこを重点的に確認・修正すべきか」を効率よく判断できるからです。誤差の大きさだけでなく、その不確実性まで可視化される方向に研究が進んでいる点は、ぜひ押さえておきたいところです。

② 骨格パターンの自動分類 上顎と下顎の前後的な位置関係（いわゆる出っ歯傾向・受け口傾向などの骨格タイプ）を、AIが自動で分類します。人工ニューラルネットワークや深層学習モデルでは、90%を超える感度・特異度が報告されています。

③ 抜歯・非抜歯の判断支援 矯正治療における「抜歯をするかしないか」は、患者さんの将来に大きく関わる重要な判断です。口腔内写真などからAIが抜歯の要否傾向を提示する研究が進んでおり、メタ解析では特異度（抜歯不要を正しく見抜く力）が約90%、感度（抜歯必要を正しく拾う力）が約70%と報告されています。

④ 顔貌・審美性の評価 近年は3Dの顔面データを用いて、顔のバランスや審美性を評価し、一人ひとりに合わせた治療計画（フェイス・ドリブン・オーソドンティクス）へ応用する研究も盛んです。

AIの精度は、実際どのくらい高いのか

「AIが手伝う」と言われても、その精度がどの程度なのかが気になるところでしょう。研究で報告されている代表的な数値を、グラフにまとめました。

注目していただきたいのは、抜歯判断における「特異度90%・感度70%」という差です。これは、AIが「抜歯しなくてよいケース」を見抜くのは比較的得意である一方、「抜歯が必要なケース」を拾い上げる力にはまだ伸びしろがある、ということを意味します。数字の高さだけでなく、どの能力が高く、どの能力に限界があるのかを読み解く視点こそ、臨床家とAIが協働するうえで重要になります。

患者さんにとっての具体的なメリット

研究レビューが示すAI活用の利点は、専門家側の効率化にとどまりません。患者さんの体験そのものを良くする可能性があります。

• 診断にかかる時間の短縮：計測作業が自動化されることで、資料の分析が速くなります。
• 再現性の高さ：同じ資料からは、同じ計測結果が得られやすくなります。
• 術者による差（ばらつき）の低減：「誰が測っても近い結果になる」ことは、診断の信頼性につながります。
• 遠隔モニタリング：AIを搭載したアプリで治療の経過を確認できるようになり、複数の研究で通院回数の減少や治療期間の短縮が報告されています。

このうち遠隔モニタリングは、患者さんの生活への影響が特に大きい領域です。スマートフォンで撮影したお口の写真をAIが解析し、歯の動きや装置の状態に問題がないかを離れた場所からチェックする――こうした仕組みが現実になりつつあります。お仕事や学業で多忙な方、遠方にお住まいの方にとって、「通院回数を減らしつつ、経過は専門的に見守られている」という安心感は大きな価値になるでしょう。

特に若手の臨床家や経験の浅い術者にとって、AIは「客観的なセカンドオピニオン」のように意思決定を支えてくれる存在になりつつあります。

専門家の視点 ―― AIツールを「どう見極めるか」

ここからは、同じく臨床に携わる先生方に向けた内容です。研究レビューを通読すると、AIツールを臨床に取り入れる際に確認すべき観点が浮かび上がってきます。

まず確認したいのは、そのモデルがどのようなデータで学習されたかです。学習データの母集団（人種・年齢層・症例構成）が、自院の患者層とどれだけ近いかは、性能を左右する決定的な要素です。論文上の高精度が、目の前の日本人患者にそのまま当てはまる保証はありません。

次に、検証が単一施設か、多施設・外部データで行われたかを見ます。外部妥当性が確認されたモデルは、未知の集団に対しても性能が安定しやすい傾向があります。レビューでも、外部検証を経た研究はまだ限られており、ここが今後の大きな研究ギャップとして指摘されています。

さらに、評価指標を正しく読むことも欠かせません。先ほどの抜歯判断の例のように、同じモデルでも感度と特異度では大きく数字が異なります。「精度〇〇%」という一語だけで判断せず、それが何を測った数字なのかを確認する姿勢が、誤った過信を防ぎます。

実際に、AIを用いた診断支援が治療計画の精度や患者満足度を有意に高めたとするランダム化比較試験（RCT）も報告されています。エビデンスは着実に積み上がっていますが、症例数や条件が限られたものも多く、過大評価も過小評価も避け、冷静に位置づけることが求められます。

それでも「専門医の監督」が欠かせない理由

ここからが、私が最もお伝えしたい部分です。AIは強力ですが、現状では「完全な自動診断」を任せられる段階にはありません。研究レビューでも、この点は繰り返し指摘されています。

主な課題は次のとおりです。

第一に、多くの研究が単一施設のデータに基づいているという点です。ある病院のデータで高精度を示したモデルが、別の集団でも同じ性能を発揮するとは限りません。これを「外部妥当性の問題」と呼びます。

第二に、データの偏り（バイアス）です。学習に使われたデータが特定の人種や年齢層に偏っていると、それ以外の患者さんで精度が落ちる可能性があります。日本人の骨格的特徴に最適化されているかどうかは、慎重に見極める必要があります。

第三に、説明可能性（ブラックボックス問題）です。AIが「なぜそう判断したのか」の根拠が見えにくいことは、医療において大きな課題です。この問題を解決する「説明可能なAI（XAI）」の開発が、今まさに重要なテーマになっています。

そして第四に、倫理と個人情報への配慮です。顔貌や口腔内のデータは極めてプライベートな情報であり、その取り扱いには厳格な基準が求められます。

これらの理由から、現在のAIは「自律的に診断を下す主体」ではなく、あくまで臨床家が主導するもとでの補助ツールとして位置づけられています。AIが提示するのは、いわば精度の高い「下書き」です。その下書きが、目の前の患者さんの生活習慣・ご要望・全身の健康状態・将来の見通しに照らして本当に適切かを判断するのは、専門医の役割です。

これからの矯正歯科とAI ―― 残された宿題

研究レビューは、今後取り組むべき課題（リサーチギャップ）も明確に示しています。最大の宿題は、多施設・大規模なデータによる外部妥当性の検証です。さまざまな地域・人種・年齢の症例で性能が安定して初めて、AIは安心して臨床の現場に根づきます。

もう一つの鍵が、先ほど触れた説明可能なAI（XAI）の発展です。AIが判断の根拠を人にも理解できる形で示せるようになれば、臨床家との信頼関係が深まり、より安全な運用基盤が整います。「AIが言うから」ではなく「AIがこう考えた理由を理解したうえで、専門医がこう判断した」――この協働の質が、これからの矯正医療の精度を決めていくでしょう。

当院の考え方 ―― 技術を「道具」として使いこなす

私は矯正歯科の臨床に長く携わり、矯正学のセミナーや講演を通じて多くの先生方と知見を共有してきました。その経験から確信しているのは、優れた道具は、使い手の判断力があってこそ価値を発揮するということです。

AIは、計測の手間を減らし、見落としを防ぎ、診断の客観性を高めてくれます。その時間的・精神的な余裕を、私たちは患者さん一人ひとりとの対話や、より丁寧な治療方針のご説明に充てることができます。AIに仕事を「奪われる」のではなく、AIによって生まれた余白を人にしかできない医療に振り向ける――これが、これからの矯正歯科のあるべき姿だと考えています。

矯正治療は、数か月で終わるものではありません。お一人おひとりと長い時間をかけて向き合い、ゴールを共有し、ときに不安に寄り添う営みです。歯の動きの数値も、顔貌のバランスも大切ですが、その方が「どんな表情で笑いたいか」「どんな生活を送りたいか」という願いは、データだけでは決して測れません。AIが客観性を担保してくれるからこそ、私たちは安心して、その人だけの物語に時間を使うことができるのです。

まとめ

最新の研究レビューが示す結論を、改めて整理します。

• AIは矯正診断、とりわけ画像解析を伴うタスクで、熟練医と同等以上の精度を発揮しつつある。
• 診断時間の短縮、再現性の向上、ばらつきの低減など、患者さんにも恩恵がある。
• 一方で、外部妥当性・データの偏り・説明可能性・倫理という未解決の課題が残っている。
• したがって現状のAIは「補助ツール」であり、最終判断は専門医が担うべきである。

「AIは矯正診断を確実に改善する」。これは事実です。ただし、その真価が発揮されるのは、科学的なエビデンスの蓄積と、人とAIの適切な協働があってこそです。歯並びや治療方針について気になることがあれば、AIの数字だけに頼らず、ぜひ一度、専門医にご相談ください。

本記事は、矯正歯科領域におけるAI応用に関する国際的な研究レビュー（50編以上の学術論文を統合した包括的レビュー）の内容に基づき、一般の方にも分かりやすいよう監修・再構成したものです。記載した数値は代表的な報告値であり、研究やデータによって幅があります。個別の診断・治療に関する判断は、必ず歯科矯正専門医にご相談ください。

参考文献（References）

1. Albalawi, F., & Alamoud, K. (2022). Trends and Application of Artificial Intelligence Technology in Orthodontic Diagnosis and Treatment Planning—A Review. Applied Sciences. https://doi.org/10.3390/app122211864
2. Bichu, Y. M., Hansa, I., Bichu, A., Premjani, P., Flores‐Mir, C., & Vaid, N. R. (2021). Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Progress in Orthodontics, 22. https://doi.org/10.1186/s40510-021-00361-9
3. De Queiroz Tavares Borges Mesquita, G., et al. (2023). Artificial Intelligence for Detecting Cephalometric Landmarks: A Systematic Review and Meta-analysis. Journal of Digital Imaging, 36, 1158–1179. https://doi.org/10.1007/s10278-022-00766-w
4. Dipalma, G., et al. (2023). Artificial Intelligence and Its Clinical Applications in Orthodontics: A Systematic Review. Diagnostics, 13. https://doi.org/10.3390/diagnostics13243677
5. Gaonkar, P., et al. (2024). Assessing the Impact of AI-Enhanced Diagnostic Tools on the Treatment Planning of Orthodontic Cases: An RCT. Journal of Pharmacy & Bioallied Sciences, 16, S1798–S1800. https://doi.org/10.4103/jpbs.jpbs_1147_23
6. Gracea, R., et al. (2024). Artificial intelligence for orthodontic diagnosis and treatment planning: A scoping review. Journal of Dentistry, 105442. https://doi.org/10.1016/j.jdent.2024.105442
7. Guo, X., & Shao, Y. (2025). AI-driven dynamic orthodontic treatment management: personalized progress tracking and adjustments—a narrative review. Frontiers in Dental Medicine, 6. https://doi.org/10.3389/fdmed.2025.1612441
8. Heribanová, B., et al. (2026). Current Applications and Future Perspectives of Artificial Intelligence in Face-Driven Orthodontics: A Scoping Review. Biomimetics, 11(2). https://doi.org/10.3390/biomimetics11020146
9. Kazimierczak, N., et al. (2024). AI in Orthodontics: Revolutionizing Diagnostics and Treatment Planning—A Comprehensive Review. Journal of Clinical Medicine, 13. https://doi.org/10.3390/jcm13020344
10. Khanagar, S., et al. (2020). Scope and performance of artificial intelligence technology in orthodontic diagnosis, treatment planning, and clinical decision-making—A systematic review. Journal of Dental Sciences, 16, 482–492. https://doi.org/10.1016/j.jds.2020.05.022
11. Lee, J.-H., et al. (2020). Automated cephalometric landmark detection with confidence regions using Bayesian convolutional neural networks. BMC Oral Health, 20. https://doi.org/10.1186/s12903-020-01256-7
12. Mohammad-Rahimi, H., et al. (2021). Machine learning and orthodontics, current trends and the future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics. https://doi.org/10.1016/j.ajodo.2021.02.013
13. Monill‐González, A., et al. (2021). Artificial Intelligence in Orthodontics: Where Are We Now? A Scoping Review. Orthodontics & Craniofacial Research. https://doi.org/10.1111/ocr.12517
14. Neeraja, R., & Anbarasi, L. (2025). A critical review of artificial intelligence based techniques for automatic prediction of cephalometric landmarks. Artificial Intelligence Review, 58. https://doi.org/10.1007/s10462-025-11135-8
15. Nordblom, N. F., Büttner, M., & Schwendicke, F. (2024). Artificial Intelligence in Orthodontics: Critical Review. Journal of Dental Research, 103, 577–584. https://doi.org/10.1177/00220345241235606
16. Paddenberg-Schubert, E., et al. (2025). Automated classification of skeletal malocclusion in German orthodontic patients. Clinical Oral Investigations, 29. https://doi.org/10.1007/s00784-025-06485-0
17. Paddenberg-Schubert, E., et al. (2025). Hierarchical clustering analysis & machine learning models for diagnosing skeletal classes I and II in German patients. BMC Oral Health, 25. https://doi.org/10.1186/s12903-025-06063-6
18. Palermo, A., et al. (2024). Advancements in AI applications for orthodontic diagnosis, treatment planning, and monitoring. Oral & Implantology. https://doi.org/10.11138/oi163.1suppl537-552
19. Ryu, J., Kim, Y., Kim, T.-W., & Jung, S.-K. (2023). Evaluation of artificial intelligence model for crowding categorization and extraction diagnosis using intraoral photographs. Scientific Reports, 13. https://doi.org/10.1038/s41598-023-32514-7
20. Strunga, M., Urban, R., Surovková, J., & Thurzo, A. (2023). Artificial Intelligence Systems Assisting in the Assessment of the Course and Retention of Orthodontic Treatment. Healthcare, 11. https://doi.org/10.3390/healthcare11050683
21. Tomášik, J., et al. (2024). AI and Face-Driven Orthodontics: A Scoping Review of Digital Advances in Diagnosis and Treatment Planning. AI. https://doi.org/10.3390/ai5010009
22. Tomášik, J., et al. (2024). The Potential of AI-Powered Face Enhancement Technologies in Face-Driven Orthodontic Treatment Planning. Applied Sciences. https://doi.org/10.3390/app14177837
23. Yu, H., et al. (2020). Automated Skeletal Classification with Lateral Cephalometry Based on Artificial Intelligence. Journal of Dental Research, 99, 249–256. https://doi.org/10.1177/0022034520901715
24. Zeng, M., et al. (2020). Cascaded convolutional networks for automatic cephalometric landmark detection. Medical Image Analysis, 68, 101904. https://doi.org/10.1016/j.media.2020.101904
25. Ziaei, S., et al. (2025). Accuracy of artificial intelligence in orthodontic extraction treatment planning: a systematic review and meta-analysis. BMC Oral Health, 25. https://doi.org/10.1186/s12903-025-06880-9