小细胞肺癌（small cell lung cancer,SCLC）是常见的肺癌类型之一,在所有肺癌中占比为10%-15%。目前关于SCLC患者的治疗方法是以铂类药物为基础的联合化疗,由于不同患者之间的治疗效果差异较大,故对于SCLC患者预后的预测变得尤为重要。本文通过传统的统计模型以及机器学习算法中的分类模型建立SCLC患者的预后预测模型。对比不同模型的泛化性能,找到性能较优的SCLC患者预后预测模型,为临床治疗提供辅助决策的工具。检索中国科学技术大学第一附属医院的病历数据库,按照既定的纳入标准收集患者的信息,结合相关医学知识及专业人员的建议确定预后影响因素的初始变量合集,再利用逐步判别法进行变量的筛选,最终得到可供建模分析的变量。由于建模所用数据为不平衡数据集,故在建模前需要对数据进行重抽样处理,确保建模时治疗有效与无效的患者数量一致。使用传统判别分析的距离判别分析、机器学习中的CART决策树,以及集成学习中以Bagging思想组合的Bagging-DT,Bagging-Bayes模型,通过10折交叉验证法以及一些评价指标对所构建的模型进行泛化性能的评估。最后,得到距离判别分析的AUC值为0.6423,Bagging-Bayes模型的AUC值为0.603,两个模型预测的效果不理想。而机器学习中的CATR决策树模型以及集成学习的Bagging-DT模型对于SCLC患者的预后预测有较高的准确度,其中CART决策树的AUC值为0.833,Bagging-DT模型的AUC值为0.909。从结果来看,利用机器学习的决策树算法对SCLC患者进行预后预测模型的构建,对医学专业人士进行治疗决策有一定的意义。