【目的】　　探讨磁共振影像组学（Radiomics）的随机生存森林（Random survival forests, RSF）模型预测鼻咽癌患者无进展生存期（Progression-Free Survival，PFS）的可行性；并进一步寻找最佳的机器学习算法分类预测鼻咽癌复发及远处转移。　　【材料与方法】　　本研究共纳入晚期鼻咽癌患者118例，（随机分为训练集n=88例；测试集n=30例）。收集临床资料包括年龄、性别、TNM分期、血红蛋白浓度、血小板计数、随访时间等。收集每个病人的MRI轴位T2WI及T1WI增强的DICOM图像并绘制肿块感兴趣区，使用Matlab 2014a软件提取包括一阶统计特征，大小、外形特征，纹理特征及小波特征等共970个影像组学特征。RSF模型（最大树深度ntree=100）用于影像组学特征选择及预测模型构建，确定RSF模型最小袋外（out-of-bag, oob）误差率。此外，我们进一步将随访时间内发生局部复发和远处转移的患者依次分别标记为1和2，而在随访时间内没有发生局部复发和远处转移的患者，标记为0。我们纳入了6种机器学习特征选择方法和9种机器学习分类方法共54种不同组合分别构建分类预测模型。将十倍交叉验证作为特征选择和分类的标准。重复每个组合50次，以获得曲线下的平均面积（AUC）和测试误差（test error）。 然后对54种交叉组合的AUC和测试误差test error进行比较。我们将AUC和测试误差的平均值作为阈值，将特征选择和分类方法组合划分为低性能组和高性能组。AUC≥0.7669（范围上限）和测试误差≥0.3820（范围下限）的特征选择和分类方法组合被认为是高度准确性的方法。　　【结果】　　RSF模型筛选出12个与PFS相关的影像组学特征。训练集及验证集中TNM分期的模型袋外最小误差率分别为30.8%, 37.4%, TNM分期联合12个影像组学特征后，模型最小袋外误差率分别减小至3.3%, 20.4%, 继续加入其他临床指标得到的综合模型最小袋外误差率进一步降低，分别为2.8%, 18.4%。本研究发现随机森林（RF）＋随机森林（RF）组合模型（AUC, 0.8464 ± 0.0069;test error, 0.3135 ± 0.0088）预测效能最高，其次为随机森林（RF）＋自适应提升(AdaBoost) (AUC, 0.8204 ± 0.0095;test error, 0.3384 ± 0.0097)。　　【结论】　　基于磁共振影像组学的随机生存森林模型能够显著提高传统TNM分期及临床指标预测晚期鼻咽癌患者PFS的效能。利用机器学习方法优化影像组学能够提高晚期鼻咽癌患者局部复发及远处转移的预测效能，这将进一步推进影像组学在肿瘤精准医学及临床实践上的应用。