Tema ovog završnog rada je izrada modela za procjenu rizičnosti raka prostate na osnovu biopsije prostate. Rad je namijenjen promicanju umjetne inteligencije kako u medicinskoj sferi tako i u ostalim sferama života. Rad je zasnovan na prednostima i nedostatcima dijagnostike izvršene od strane umjetne inteligencije te ukazuje na odstupanja u rezultatima s obzirom od koje institucije slike dolaze tj. ovisno o kvaliteti slike koju koristimo. Model je razvijen u sklopu programskog jezika Python. Za razvojno okruženje korištena je MiniConda. Programski kod napisan je u Jupyter Notebook. Implementacija neuronskih mreža i treniranje modela izvršeno je koristeći Tensorflow i Keras modula. U početku ovog rada je pojašnjeno na koji način se dolazi do biopsije prostate, kako se vrednuje agresivnost raka prostate te su pojašnjene ISUP skala te Gleason vrijednost po kojima se vrednuje agresivnost. Nakon toga su pojašnjene tehnologije koje su korištene za izradu i testiranje modela s velikim naglaskom na programski jezik Python te programske okvire bez kojih treniranje modela ne bi bilo moguće Tensorflow i Keras. Pripremanje podataka i učenje modela obrađeno je u praktičnom dijelu rada kroz Jupyter Notebook kao razvojna okolina u jeziku Python uz upotrebu okvira Tensorflow-a i Keras-a. Korisničko sučelje je implementirao u vidu macOS aplikacije, koristeći programski jezik Swift te kroz korištenje biblioteka za pokretanje programskog koda Python u Swiftu. Vizualni prikaz implementiran je koristeći SwiftUI.