Oroantral communication (OAC) is a common complication after tooth extraction of upper molars. Profound preoperative panoramic radiography analysis might potentially help predict OAC following tooth extraction. In this exploratory study, we evaluated n = 300 consecutive cases (100 OAC and 200 controls) and trained five machine learning algorithms (VGG16, InceptionV3, MobileNetV2, EfficientNet, and ResNet50) to predict OAC versus non-OAC (binary classification task) from the input images. Further, four oral and maxillofacial experts evaluated the respective panoramic radiography and determined performance metrics (accuracy, area under the curve (AUC), precision, recall, F1-score, and receiver operating characteristics curve) of all diagnostic approaches. Cohen's kappa was used to evaluate the agreement between expert evaluations. The deep learning algorithms reached high specificity (highest specificity 100% for InceptionV3) but low sensitivity (highest sensitivity 42.86% for MobileNetV2). The AUCs from VGG16, InceptionV3, MobileNetV2, EfficientNet, and ResNet50 were 0.53, 0.60, 0.67, 0.51, and 0.56, respectively. Expert 1–4 reached an AUC of 0.550, 0.629, 0.500, and 0.579, respectively. The specificity of the expert evaluations ranged from 51.74% to 95.02%, whereas sensitivity ranged from 14.14% to 59.60%. Cohen's kappa revealed a poor agreement for the oral and maxillofacial expert evaluations (Cohen's kappa: 0.1285). Overall, present data indicate that OAC cannot be sufficiently predicted from preoperative panoramic radiography. The false-negative rate, i.e., the rate of positive cases (OAC) missed by the deep learning algorithms, ranged from 57.14% to 95.24%. Surgeons should not solely rely on panoramic radiography when evaluating the probability of OAC occurrence. Clinical testing of OAC is warranted after each upper-molar tooth extraction.

Das atriale natriuretische Peptid (ANP) wird infolge einer Zunahme des atrialen Drucks aus den Myozyten des Atriums sezerniert. Es spielt lokal eine bedeutende, protektive Rolle und wirkt der Entstehung von Herzhypertrophie und Fibrose entgegen. Darüber hinaus kommt ANP vor allem eine wichtige Rolle als endokrines Hormon zu, das den arteriellen Blutdruck und das Blutvolumen regelt. Diese physiologischen Effekte vermittelt das Herzhormon durch seinen Rezeptor, das Transmembranprotein Guanylatzyklase A (GC-A). Durch Bindung von ANP an die extrazelluläre Domäne der GC-A wird intrazellulär, durch die katalytische Domäne des Rezeptors, der sekundäre Botenstoff cGMP gebildet. Patienten mit einer, durch Bluthochdruck verursachten Herzhypertrophie und Herzinsuffizienz weisen erhöhte ANP-Konzentrationen im Plasma auf. Die durch ANP vermittelten, protektiven Effekte sind allerdings vermindert. Zahlreiche Studien haben in vitro gezeigt, dass die chronische Inkubation der GC-A mit ihrem Liganden, sowie die Behandlung von GC-A exprimierenden Zellen mit Hormonen wie Angiotensin II, zur Desensitisierung des Rezeptors führen. Der Verlust der Funktionsfähigkeit geht einher mit der Dephosphorylierung des Rezeptors an spezifischen, intrazellulär lokalisierten Aminosäuren. Durch die Erforschung dieses Mechanismus und Identifizierung möglicher Interaktionspartner in vivo könnte der Grundstein für neue oder verbesserte Therapieformen gelegt werden. Im ersten Teil der vorliegenden Arbeit wurde eine kürzlich identifizierte Isoform des GC-A-Rezeptors identifiziert, die durch alternatives Spleißen des Exons 4 entsteht und in einer Vielzahl untersuchter Gewebe der Maus vorkommt. Die Deletion umfasst 51 Basenpaare und resultiert in einem um 17 Aminosäuren verkürzten GC-A-Rezeptor (GC-AΔLys314-Gln330). Molekulare Modellierungen der extrazellulären Domänen des wildtypischen GC-A-Rezeptors und der Isoform zeigten, dass sich die Deletion im membrannahen Bereich der extrazellulären Domäne und damit deutlich entfernt von der ANP-Bindungsdomäne befindet. Oberflächenbiotinylierungs- und Zellfraktionierungsversuche zeigten, dass die Isoform des GC-A-Rezeptors an der Oberfläche von Zellmembranen transient transfizierter HEK 293-Zellen präsentiert wird. Jedoch zeigten die ANP-Stimulationsexperimente unter Anwendung von cGMP-Radioimmunassay (cGMP-RIA) und Förster-Resonanzenergietransfer (FRET)-Messungen, dass die Isoform nicht zur ANP-vermittelten intrazellulären cGMP-Bildung stimuliert werden kann. Im Rahmen von ANP-Bindungsstudien mit 125I-ANP wurde gezeigt, dass GC-AΔLys314-Gln330 die Fähigkeit zur Bindung des Liganden ANP verloren hat. Jedoch zeigten die Koimmunpräzipitationsversuche, dass die Isoform des GC-A-Rezeptors Heterodimere mit dem wildtypischen GC-A-Rezeptor bilden und dadurch die ligandeninduzierte Bildung von cGMP reduzieren kann. In vivo konnte gezeigt werden, dass unter Angiotensin II-induzierter Hypertonie die mRNA-Expression für GC-AΔLys314-Gln330 in der Lunge gesteigert, und gleichzeitig die ANP-vermittelte cGMP-Bildung deutlich reduziert ist. Daher kann davon ausgegangen werden, dass das alternative Spleißen ein regulierender Mechanismus ist, der auf den ANP/GC-A-Signalweg Einfluss nimmt. Angiotensin II-induziertes alternatives Spleißen des GC-A-Gens kann daher einen neuen Mechanismus für die Verringerung der Sensitivität des GC-A-Rezeptors gegenüber ANP darstellen. Im zweiten Teil der vorliegenden Arbeit wurden transgene Tiere mit kardiomyozytenspezifischer Überexpression eines Epitop-getaggten GC-A-Rezeptors generiert. Durch dieses Modell sollte es ermöglicht werden, den Rezeptor aus murinem Gewebe anreichern und aufreinigen zu können um danach Analysen zu posttranslationalen Veränderungen und möglichen Interaktionspartnern durchzuführen. Zunächst wurde in eine FLAG-Epitop-getaggte GC-A zusätzlich ein HA-tag, sowie eine Erkennungssequenz für die Protease des tobacco etch virus (TEV) eingefügt. Die Expression und Funktionsfähigkeit des modifizierten Rezeptors wurde durch ANP-Stimulationsexperimente unter Anwendung von cGMP-RIA und FRET-Messungen verifiziert. Die Funktionsfähigkeit der TEV-Erkennungssequenz wurde durch die Elution mittels TEV-Protease nach Immunpräzipitation (IP) nachgewiesen. In vivo wurde an Mäusen die Expression und Lokalisation der GC-A auf Proteinebene, unter Anwendung von Zellfraktionierungsexperimenten und Immunpräzipitationen, überprüft. Die entstandenen transgenen Tiere zeigten eine deutliche, in den Zellmembranen von Kardiomyozyten lokalisierte, Überexpression des Rezeptors. Dieser konnte über das HA-tag angereichert und aufgereinigt werden. Um die Funktionsfähigkeit des modifizierten Rezeptors in vivo nachzuweisen, wurde in zwei Versuchsreihen kardiale Hypertrophie durch chronische Applikation von Angiotensin II induziert. Es wurde postuliert, dass die Überexpression funktionsfähiger GC-A im Herzen die Tiere vor Herzhypertrophie schützt. Die Ergebnisse der Studien zeigen allerdings, dass die generierten transgene Tiere trotz kardiomyozytenspezifischer Überexpression des Rezeptors nicht den erwarteten Schutz vor Herzhypertrophie aufwiesen, sondern ähnlich wie ihre wildtypischen Geschwistertiere reagieren. Jedoch gelang es mit Hilfe des Überexpressionsmodells zusammen mit anderen Mitarbeitern der AG Kuhn eine zuvor in vitro beschriebene Interaktion des GC-A-Rezeptors mit den Kationenkanälen TRPC3 und TRPC6 in vivo nachzuweisen. Somit besteht die Möglichkeit die Epitope und das murine Überexpressionsmodell auch zukünftig zu nutzen, um Interaktionspartner der GC-A zu identifizieren.

Background: Oro-antral communication (OAC) is a common complication following the extraction of upper molar teeth. The Archer and the Root Sinus (RS) systems can be used to classify impacted teeth in panoramic radiographs. The Archer classes B-D and the Root Sinus classes III, IV have been associated with an increased risk of OAC following tooth extraction in the upper molar region. In our previous study, we found that panoramic radiographs are not reliable for predicting OAC. This study aimed to (1) determine the feasibility of automating the classification (Archer/RS classes) of impacted teeth from panoramic radiographs, (2) determine the distribution of OAC stratified by classification system classes for the purposes of decision tree construction, and (3) determine the feasibility of automating the prediction of OAC utilizing the mentioned classification systems. Methods: We utilized multiple supervised pre-trained machine learning models (VGG16, ResNet50, Inceptionv3, EfficientNet, MobileNetV2), one custom-made convolutional neural network (CNN) model, and a Bag of Visual Words (BoVW) technique to evaluate the performance to predict the clinical classification systems RS and Archer from panoramic radiographs (Aim 1). We then used Chi-square Automatic Interaction Detectors (CHAID) to determine the distribution of OAC stratified by the Archer/RS classes to introduce a decision tree for simple use in clinics (Aim 2). Lastly, we tested the ability of a multilayer perceptron artificial neural network (MLP) and a radial basis function neural network (RBNN) to predict OAC based on the high-risk classes RS III, IV, and Archer B-D (Aim 3). Results: We achieved accuracies of up to 0.771 for EfficientNet and MobileNetV2 when examining the Archer classification. For the AUC, we obtained values of up to 0.902 for our custom-made CNN. In comparison, the detection of the RS classification achieved accuracies of up to 0.792 for the BoVW and an AUC of up to 0.716 for our custom-made CNN. Overall, the Archer classification was detected more reliably than the RS classification when considering all algorithms. CHAID predicted 77.4% correctness for the Archer classification and 81.4% for the RS classification. MLP (AUC: 0.590) and RBNN (AUC: 0.590) for the Archer classification as well as MLP 0.638) and RBNN (0.630) for the RS classification did not show sufficient predictive capability for OAC. Conclusions: The results reveal that impacted teeth can be classified using panoramic radiographs (best AUC: 0.902), and the classification systems can be stratified according to their relationship to OAC (81.4% correct for RS classification). However, the Archer and RS classes did not achieve satisfactory AUCs for predicting OAC (best AUC: 0.638). Additional research is needed to validate the results externally and to develop a reliable risk stratification tool based on the present findings.