目的：常规炎性指标相关预后研究基于切割值，损失了炎性指标蕴含的大量信息。本研究采用可解释机器学习算法 RuleFit，探索反映鼻咽癌患者炎性指标预后因子并建立相关预后模型。
方法：采用队列研究设计，收集 2010 年 1 月至 2014 年 3 月在中山大学肿瘤医院及佛山市第一人民医院就诊的 1706 名鼻咽癌患者，根据患者来源分为训练组（N=1320）和外部验证组（N=486）。卡方分析筛选出在两个独立医疗中心分布无差异的炎性指标，通过 RuleFit 算法构建具有预后价值的炎性规则，多因素 Cox 回归进一步筛选出时间相关高预测效能炎性规则，并分别建立 RuleFit 模型，常规临床模型及二者的联合模型。同时，采用自动机器学习算法包 AutoML，最小绝对收缩和选择算法（LASSO）及 COX 回归算法建立对照模型。采用受试者工作特征曲线下面积（AUC）和一致性指数（C-index）评估不同模型的预测效能。基于最优预测模型评分将晚期患者分为高风险组和低风险组，通过 Kaplan-Meier 生存曲线分析预后分层与 AJCC 早晚期分层的患者预后差异。
结果：RuleFit 确定了 22 条基线炎性指标规则，其直接构建的模型在训练组和验证组中 AUC 分别为 0.69 和 0.64；基于 AutoML 的最优模型 AUC 分别为 1.00 和 0.58。对于总体生存率，最终模型的一致性指数在训练和验证队列均明显高于 TN 分期基础模型（0.769 vs 0.717，P<0.001; 0.752 vs 0.688，P<0.001），并且在训练和验证队列中显示出较大的泛化性。相较于其他模型，基于 RuleFit 规则的预后预测性能更优。在其他生存率指标中，也呈现出类似的趋势。Kaplan-Meier 生存曲线显示约 22.9%（390/1706）的患者在 AICC 分期中 “错误” 分期，提出的最终模型能对这批患者进行准确风险分型评估。
结论：炎性指标可显著提高当前 TN 分期系统预测鼻咽癌患者预后预测能力，有利于实现预后精准分层。基于 Rulefit 算法的 Rules 模型具有更优的预测效能和泛化能力，为预后模型研究提供一种新的建模范本。
Keywords: machine learning, nomograms, nasopharyngeal carcinoma, prognosis, survival analysis