A Multi-Organ and Multi-Modal Data-Driven Analysis of Metabolic Patterns in Type 2 Diabetes. Unravelling the Pathologic Mechanisms Between Organs: The Impact of Tissue-Specific Insulin Resistance.

Martín-Saladich, Queralt

A Multi-Organ and Multi-Modal Data-Driven Analysis of Metabolic Patterns in Type 2 Diabetes. Unravelling the Pathologic Mechanisms Between Organs: The Impact of Tissue-Specific Insulin Resistance.

Document Type

Doctoral thesis
Published Version

Author

Martín-Saladich, Queralt

Director

Herance Camacho, José Raúl
González Ballester, Miguel Ángel

Tutor

González Ballester, Miguel Ángel

Publication Date

2025-07-28

Pages

318 p.

Embargo date

2026-07-28T02:00:00Z

License

Citation

Martín-Saladich, Q. A Multi-Organ and Multi-Modal Data-Driven Analysis of Metabolic Patterns in Type 2 Diabetes. Unravelling the Pathologic Mechanisms Between Organs: The Impact of Tissue-Specific Insulin Resistance.. Universitat Pompeu Fabra; 2025. handle: http://hdl.handle.net/10803/695511

This citation was generated automatically.

Doctoral program

Universitat Pompeu Fabra. Doctorat en Tecnologies de la Informació i les Comunicacions

Abstract

La diabetis tipus 2 (T2D) és una malaltia crònica caracteritzada per insulino-resistència (IR) i inflamació, sovint associada a comorbiditats cardiovasculars, hepàtiques i cognitives – conegudes com l’eix fetge-cor-cervell. El seu diagnòstic, basat en índexs sistèmics, no reflecteix l’afectació específica dels teixits dificultant els diagnòstics i tractaments personalitzats. Els objectius d’aquesta tesi han estat caracteritzar trets específics dels teixits a partir d’escàners PET/CT i fenotipar pacients amb risc de comorbiditats multi-òrgan mitjançant intel·ligència artificial. Aquest és, segons el nostre coneixement, el primer estudi que aborda les mancances en la gestió de la T2D des d’una perspectiva biomèdica-tecnològica proposant nous fenotips de progressió de la T2D i eines d’avaluació de risc metabòlic específic. Presentem eines no-invasives i eficients per avaluar l’afectació específica dels teixits mitjançant algoritmes de segmentació, així com models de classificació basats en anàlisis de sang, que afavoreixen estratègies clíniques personalitzades en el marc de la T2D centrades en l’eix fetge-cor-cervell.
La diabetes tipo 2 (T2D) es un trastorno metabólico crónico y de alto riesgo, caracterizado por resistencia a la insulina e inflamación, que comúnmente coexiste con comorbilidades cardiovasculares, hepáticas y cognitivas, también conocidas como el eje hígado-corazón-cerebro. Las limitaciones diagnósticas surgen del uso de índices sistémicos que pasan por alto disfunciones específicas en los tejidos, lo que conlleva el riesgo de diagnósticos erróneos y tratamientos no optimizados. Los objetivos de esta tesis han sido caracterizar las características específicas de los tejidos a partir de escáneres PET/CT y fenotipar a pacientes en riesgo de desarrollar comorbilidades multiorgánicas mediante herramientas basadas en inteligencia artificial. Este es, hasta donde sabemos, el primer estudio que aborda las lagunas en el manejo de la T2D desde una perspectiva biomédica-técnica, proponiendo nuevos fenotipos de progresión de la enfermedad y novedosas herramientas de evaluación del riesgo específicas por tejido. Presentamos herramientas no invasivas y computacionalmente eficientes para evaluar el deterioro metabólico específico de los tejidos mediante algoritmos de segmentación, junto con modelos de clasificación de fenotipos basados en análisis de sangre. Estos nuevos métodos respaldan estrategias personalizadas y clínicamente aplicables para un tratamiento optimizado de la T2D, enfocado en el eje hígado-corazón-cerebro.
Type 2 diabetes (T2D) is a chronic, high-risk metabolic disorder characterized by insulin resistance (IR) and inflammation commonly co-occurring with cardiovascular, hepatic, and cognitive comorbidities – also known as the liver-heart-brain axis. Diagnostic limitations arise from using systemic indices that overlook tissue-specific dysfunction, thus risking misdiagnosis and unoptimized treatment. The aims of this thesis have been to characterize tissue-specific features from PET/CT scans, and to phenotype patients at risk of developing multi-organ comorbidities using artificial intelligence-based tools. This is, to our knowledge, the first study to fill in the gaps in T2D management using a biomedical-technical perspective by proposing new phenotypes of T2D progression and novel tissue-specific risk assessment tools. We present non-invasive, computationally efficient tools for assessing tissue-specific metabolic impairment via segmentation algorithms, alongside with blood test-based phenotype classification models. These new methods support personalized, clinically applicable strategies for optimized T2D treatment targeting the liver-heart-brain axis.

Keywords

Diabetis tipus 2, Type 2 diabetes, Diabetes tipo 2, Imatge [18F]FDG-PET/CT, [18F]FDG-PET/CT scan, Imagen [18F]FDG-PET/CT, Insulino-resistència, Insulin resistance, Insulino-resistencia, Eix fetge-cor-cervell, Liver-heart-brain axis, Eje hígado-corazón-cerebro, Diagnòstic assistit, Computer-aided diagnosis, Diagnóstico asistido, Machine learning, Machine learning, Machine learning, Selecció de paràmetres, Feature selection, Selección de parámetros, Quantificació, Quantification, Cuantificación, Segmentació, Segmentation, Segmentación