喉癌是头颈部常见的恶性肿瘤,且大多数是鳞状细胞癌。下咽癌在临床上相对少见,占头颈部恶性肿瘤的3.0%-5.0%,同时它也是头颈部肿瘤中相对预后最差的恶性肿瘤^[1]。近年来,喉癌和下咽癌的发病率呈逐年上升的趋势^[2]。基因表达失调是许多疾病发生的内在条件,因此,识别喉癌和下咽癌的预后基因标志物,既可以为喉癌和下咽癌的治疗提供新的有效靶点,也可以提供可靠的诊断。本文将喉癌和下咽癌患者的预后基因标志物的筛选分为三个阶段,分别为初筛阶段、特征选择阶段和验证比较阶段。在初筛阶段,在包含20531个基因的微阵列中用Log-rank检验筛选出26个基因。在特征选择阶段,分别使用Lasso回归、Boruta、XGBoost和基于注意力机制的深度神经网络（Attention-based DNN）在26个基因的基础上做进一步特征选择。Lasso回归筛选出的基因标志物为DGCR9、FXYD6、LOC220930、PLAC1和PRAM1,Boruta筛选出的基因标志物为ST13、STIL和DGCR9,XGBoost筛选出的基因标志物为STIL、PLAC1、ZNF578和MRPL35,Attention-based DNN筛选出的基因标志物为DGCR9、KRTAP12、PRPF19和SELL。在验证比较阶段,分别用不同模型筛选出的基因标志物建立Cox回归模型,然后按照所有样本的风险比率（HR）的中位数分为两组,进行Log-rank检验,Lasso回归、Boruta、XGBoost和Attention-based DNN的Log-rank P值分别为1.564321e-06、0.0001945455、0.009050826和1.187648e-05。其中,Lasso回归的Log-rank P值最小。接下来在Lasso回归的基础上做了进一步改进,提出一种基于强化学习和Lasso结合的特征选择方法。该方法让智能体不断尝试特征子集的搜索,以Lasso分类器的准确率作为即时收益,根据特征子集得到的收益动态调整特征子集内特征。最终,智能体会选择最大收益的特征子集作为最优策略,该特征子集即是筛选的预后基因标志物。强化学习和Lasso结合的特征选择方法筛选的预后基因标志物有BMP2,LOC220930,OR52B4和SNORA71D,其对应的HR值中位数分组后的Log-rank检验的P值为8.732182e-07,小于Lasso回归的Log-rank P值。