目的:传统的常用的生存预测模型是Cox回归,但其受到比例风险假定的限定,不适用于分析如今的变量数远大于病例数的高维数据。本文针对公共数据库中的肺癌患者的生存数据对患者的预后构建风险预测模型,将探讨基于RSF变量选择偏倚进行改进的最大选择秩统计分裂规则与常用RSF分裂规则的四种RSF模型在低维的临床数据和高维的临床及基因表达数据中预测的优劣,丰富临床生存资料的预测模型,为临床不同患者得到更精确的预后预测及个性化预后治疗提供统计学支撑。方法:介绍RSF在不同的分裂规则下的模型构建的基本原理,针对不同维度的数据来进行研究,低维数据来源于山西省某三甲医院呼吸科,随访队列人群为首次确诊并住院治疗的肺癌患者共342名患者,12个预测变量以及生存时间和生存结局。高维数据为通过公共数据库TCGA下载肺癌患者的生存数据共422例,包含临床资料10个变量,基因表达量330个,以及生存时间和生存结局;分别对低维和高维数据,以患者的生存结局和生存时间作为响应变量,构建肺癌患者预后预测模型Cox（或LassoCox）、RSF,以及最大选择秩统计的RSF,探讨不同模型筛选出的重要影响因素,对比不同模型的预测效果。结果:不同模型在低维生存数据上结果显示:RSF各类分裂规则均筛出5个预测变量,分别是treat,stage,size,degree,lni5个变量,但变量的重要性排序略有差异。不同模型预测能力比较:训练集上,Cox模型的i AUC为0.742,与RSF各类分裂规则的模型相比为最低。RSF各类分裂规则的模型中,log-rank分裂规则与MSR-RF的i AUC最高为0.997;C指数上log-rank分裂规则最高为0.711;MSR-RF的IBS得分最低为0.116（p<0.001）。测试集上,MSR-RF的i AUC仅次于log-rank分裂规则排名第二,其IBS最低为0.141（p<0.001）。在高维生存数据上的结果:Lasso-Cox模型最终筛出的变量为19个,四类RSF模型筛出的变量均大于30个。模型预测能力比较:与四类RSF模型相比,Lasso-Cox模型性能在训练集与测试集差异大。RSF的四类模型中,表现最好的是log-rank分裂规则,其i AUC与IBS表现均优于其他三类模型,最差的是log-rank score,其IBS最高为0.375（p<0.05）。本研究介绍的基于RSF模型改善的MSR-RF模型的预测表现无明显优势。结论:本研究通过比较不同预后预测模型在低维数据和高维数据中模型的预测效果,介绍了基于RSF改进的MSR-RF模型来建立肺癌患者预后的预测模型,在不同维度下,将Cox模型（或Lasso-Cox）与RSF内置的3类模型以及MSR-RF,共6类模型进行比较后得出,RSF可识别变量间复杂的交互作用,模型的预测区分度与预测准确性均较好。MSR-RF在低维数据中表现较好,但在高维数据中其优势并未体现出来。研究将MSR-RF运用在肺癌患者的生存预测中,在较低维度的临床数据中能够较为准确的进行结局预测与影响因素的鉴别,但当数据维度较高时,RSF的log-rank分裂规则预测性能与其他模型相比性能较优。