摘要背景与目的:肝外胆管癌(ECCA)是一类起病隐匿、侵袭性强且预后较差的恶性肿瘤,其术后复发率高,5年生存率不足20％.现有多数预后模型基于Cox比例风险模型,受比例风险假设及线性关系限制.随机生存森林(RSF)模型作为一种新型机器学习算法,能够捕捉变量间复杂的交互和非线性效应,但在ECCA领域的应用仍较少.因此,本研究基于RSF模型这一机器学习算法,构建根治术后ECCA患者预后模型,旨在精准化、个体化评价根治术后ECCA患者的预后,为临床决策制定提供参考.方法:回顾性纳入2016-2021年SEER数据库中符合纳入标准的根治术后ECCA患者515例,按7∶3比例随机分为训练集(361例)和测试集(154例).收集人口学及临床特征,采用单、多因素Cox回归构建Cox模型,并通过VIMP法与最小深度法筛选变量建立RSF模型.通过一致性指数(C指数)、曲线下面积(AUC)、Brier评分、校准曲线及决策曲线评估模型性能,并结合Kaplan-Meier生存分析及可解释性工具(SurvSHAP与SurvLIME)进行解释.结果:多因素Cox回归筛选出年龄、人种、收入、T分期、N分期、肿瘤大小及化疗7个独立预后因素.RSF模型则筛选出年龄、肿瘤大小、区域淋巴结阳性率和化疗4个核心变量.测试集中,RSF模型的C指数为0.751,优于Cox模型的0.711;RSF模型1、2、3年AUC分别为0.843、0.749和0.814,整体性能更佳,校准度与临床获益也优于Cox模型.进一步分析显示,区域淋巴结阳性率、年龄及肿瘤大小与生存风险呈非线性关系,化疗则显著降低死亡风险.分层生存曲线提示,不化疗、淋巴结阳性率高、年龄＞70岁及肿瘤大小＞20 mm患者预后更差.结论:基于RSF的预后模型仅依赖4个临床可及变量,预测性能优于Cox模型,可为ECCA术后个体化生存预测及随访策略制定提供可靠依据.其结合可解释性分析,具有较强的临床应用潜力,有望改善患者生存质量与预后.