背景与目的:早期胃癌（Early gastric cancer,EGC）患者整体生存期较长,临床上主要聚焦的结局之一是肿瘤的复发。早期胃癌复发的研究多为临床病理因素方面的研究,基因层面研究较少,且缺乏精确的肿瘤复发预测模型。本研究旨在通过将传统统计学与机器学习相结合的方法,筛选潜在与肿瘤复发相关的基因,构建早期胃癌复发预测模型,并前瞻性收集验证性样本对模型进行检验。材料与方法:本研究首先从两组基因芯片转录组数据（GSE130823和GSE55696）中筛选出在胃炎/对照组织→低级别上皮内瘤变（Low-grade intraepithelial neoplasia,LGIN）→高级别上皮内瘤变（High-grade intraepithelial neoplasia,HGIN）→EGC中表达呈现单调变化的差异表达基因（Monotonically changing differentially expressed genes,mcDEGs）,并通过 T 检验和单因素 COX 回归分析两种方法筛选出潜在与肿瘤复发相关的mcDEGs。再以包含预后数据的外部数据集GSE62254中Ⅰ/Ⅱ期患者作为训练集,筛选所得的mcDEGs作为训练变量,预测的结局为肿瘤复发情况,构建出三个预测肿瘤复发的模型,分别为根据多因素COX回归构建的风险评分模型、基于聚类分析的复发预测模型和基于决策树算法的复发预测模型。并进一步前瞻性收集16名HGIN或EGC患者作为验证集（4名复发,12名未复发）,通过实时定量聚合酶链反应（Quantitative real-time polymerase chain reaction,qRT-PCR）检测相应mcDEGs的表达量,作为测试集输入模型中,检验和对比各个模型的预测效能（敏感性、特异性等）。结果:1.利用GSE130823和GSE55696两批基因芯片转录组数据共筛选出25个潜在的与早期胃癌复发相关的基因。2.基于多因素COX回归的风险评分预测模型在训练集中表现优越,但在验证集中未能显示出良好的预测效能。3.根据机器学习算法训练的肿瘤复发预测模型在训练集和验证集中均表现出良好的预测效能。根据聚类分析训练所得的肿瘤复发预测模型在验证集中的敏感性高达100%,特异性为58.3%;根据决策树算法训练的预测模型在验证集中的敏感性高达100%,特异性为58.3%,曲线下面积值（Area under the curve,AUC）为 0.792。结论:1.部分在胃癌演变的不同阶段中表达呈现单调变化的差异表达基因能够预测患者肿瘤复发的风险。2.基于机器学习算法构建的预测模型可以发掘出基因与肿瘤复发之间复杂的潜在关系,拥有优秀的预测效能,能够在临床医生为EGC患者制定个体化随访方案时提供指导意义。