目的:探讨机器学习模型在预测胸段食管鳞状细胞癌患者术后生存风险分层中的应用价值,构建有效的胸段食管鳞状细胞癌生存预测模型。方法:回顾性分析2014年1月-2017年6月在苏北人民医院胸外科行食管癌根治术的胸段食管鳞状细胞癌患者的临床资料。将患者按7:3比例随机分为训练集和测试集。并在训练集中通过Cox比例风险回归模型进行单因素和多因素分析,筛选出预后风险因素。基于筛选出的特征,我们开发了五个机器学习模型,并通过嵌套交叉验证（Nested cross-validation）对其进行验证。使用受试者工作特性曲线（Receiver Operating Characteristic Curve,ROC）下面积（Area Under Curve,AUC）、准确度（accuracy,ACC）和F1值（F1-Score）评估每个模型的性能。综合各模型的平均表现,选择最佳模型作为进行生存风险分层和生存分析的最终模型。将最终模型放入测试队列中进行测试,绘制ROC曲线评价模型性能,绘制校准曲线（Calibration Curve）评估模型的拟合情况,绘制决策曲线（Decision Curve Analysis,DCA）评价模型的临床效用。分别将最终模型在训练集和测试集预测的5年生存概率作为模型得分,在训练集使用X-tile软件确认最佳分界点,并将训练集患者分为高危组、中危组和低危组,在测试集中采用与训练集相同的分界点作为分组标准进行分组。使用Kaplan-Meier方法和log-rank检验对训练集的不同风险分组进行生存分析,并在测试集中进行测试。基于训练好的预测模型,开发网页形式的应用程序,以便于模型能在实践中简单应用。结果:本研究共纳入胸段食管鳞癌患者810例,其中男性611例（75.4%）、女性199例（24.5%）,年龄分布为63.4±6.97（范围:41-84）岁,中位随访时间为66个月（范围:1-83个月）,纳入研究的患者的术后5年生存率为65.8%。将纳入研究的训练集和测试集的临床病理特征进行了比较,结果显示,所有的P值均＞0.05。单因素和多因素Cox回归分析显示:年龄、高血压史、吸烟史、组织分化程度、pT分期和pN分期是影响胸段食管鳞癌患者预后的独立危险因素。基于这6项特征进行建模,在训练集中训练并验证了 5个机器学习模型,各模型在嵌套交叉验证中的平均AUC为:决策树（AUC=0.763）,支持向量机（AUC=0.809）,随机森林（AUC=0.809）,梯度提升机（AUC=0.830）和极端梯度提升（AUC=0.831）。综合各机器学习模型的AUC、ACC和F1值,极端梯度提升（eXtreme Gradient Boosting,XGBoost）模型被选为最终模型。在训练集中对XGBoost模型进行调参优化,并在测试集中测试模型的性能（AUC=0.855;95%CI,0.808-0.902）。将XGBoost模型预测的5年生存概率作为模型得分,分数≤0.21;0.22-0.75;≥0.76者分别被划分为高危组、中危组、低危组,在训练集和测试集中,三组差异均有统计学意义（P＜0.0001）。结论:1、年龄、高血压史、吸烟史、组织分化程度、pT分期和pN分期是是影响胸段食管鳞癌患者预后的独立危险因素。2、机器学习模型在预测胸段食管鳞癌术后预后方面具有较高价值,XGBoost模型的预测性能优于其他常见机器学习方法,可以为胸段食管鳞癌患者术后的预后评估和术后治疗决策提供重要参考,从而推动胸段食管鳞癌患者的个体化诊疗。