Several nomograms have been developed to predict prostate cancer however, very little machine learning (ML) tools are available for this purpose. Our study aimed to develop a ML based methodology to predict prostate cancer in patients undergoing prostate biopsies.

Using a machine learning algorithm to predict prostate cancer grade / Sarchi, L.; De Nunzio, C.; Cindolo, L.; Isepp, A.; Rizzo, M.; Bertolo, R.; Minervini, A.; Muto, G.; Bove, P.; Vittori, M.; Bozzini, G.; Castellan, P.; Mugavero, F.; Panfilo, D.; Saccani, S.; Falsaperla, M.; Schips, L.; Celia, A.; Bada, M.; Porreca, A.; Pastore, A.; Al Salhi, Y.; Giampaoli, M.; Novella, G.; Mantica, G.; Pini, G.; Lombardo, R.; Rocco, B.; Antonelli, A.; Tubaro, A.. - In: EUROPEAN UROLOGY OPEN SCIENCE. - ISSN 2666-1691. - (2020), pp. 47-47. (Intervento presentato al convegno EAU 2020 Virtual Congress tenutosi a Online).

Using a machine learning algorithm to predict prostate cancer grade

L. Sarchi;C. De Nunzio;A. Minervini;G. Muto;D. Panfilo;M. Falsaperla;A. Celia;A. Pastore;Y. Al Salhi;G. Pini;R. Lombardo;B. Rocco;A. Antonelli;A. Tubaro
2020

Abstract

Several nomograms have been developed to predict prostate cancer however, very little machine learning (ML) tools are available for this purpose. Our study aimed to develop a ML based methodology to predict prostate cancer in patients undergoing prostate biopsies.
2020
EAU 2020 Virtual Congress
prostate cancer; machine learning tools; diagnosis
04 Pubblicazione in atti di convegno::04c Atto di convegno in rivista
Using a machine learning algorithm to predict prostate cancer grade / Sarchi, L.; De Nunzio, C.; Cindolo, L.; Isepp, A.; Rizzo, M.; Bertolo, R.; Minervini, A.; Muto, G.; Bove, P.; Vittori, M.; Bozzini, G.; Castellan, P.; Mugavero, F.; Panfilo, D.; Saccani, S.; Falsaperla, M.; Schips, L.; Celia, A.; Bada, M.; Porreca, A.; Pastore, A.; Al Salhi, Y.; Giampaoli, M.; Novella, G.; Mantica, G.; Pini, G.; Lombardo, R.; Rocco, B.; Antonelli, A.; Tubaro, A.. - In: EUROPEAN UROLOGY OPEN SCIENCE. - ISSN 2666-1691. - (2020), pp. 47-47. (Intervento presentato al convegno EAU 2020 Virtual Congress tenutosi a Online).
File allegati a questo prodotto
File Dimensione Formato  
Sarchi_Using_machine_learning_2020.pdf

solo gestori archivio

Tipologia: Documento in Post-print (versione successiva alla peer review e accettata per la pubblicazione)
Licenza: Tutti i diritti riservati (All rights reserved)
Dimensione 40.84 kB
Formato Adobe PDF
40.84 kB Adobe PDF   Contatta l'autore

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11573/1452228
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? 0
social impact