药物诱导的自身免疫样肝炎（DI-ALH）与自身免疫性肝炎（AIH）在临床及组织学特征上高度重叠，鉴别诊断极具挑战。本研究旨在通过常规临床与病理指标构建机器学习模型，为两者鉴别提供辅助决策工具。

回顾性分析经肝活检及长期随访诊断证实37例DI-ALH及60例AIH患者资料，按8:2比例随机分为训练集与验证集。经单因素逻辑回归与Lasso筛选特征变量，构建RF、LR、SVM及XGBoost模型。利用SHAP图解释变量贡献度，并通过ROC、DCA及校准曲线等综合评价模型性能。

DI-ALH组与AIH组在性别分布和PLT有显著差异，DI-ALH组嗜酸性粒细胞浸润及微小肉芽肿更为常见，AIH组淋巴-浆细胞浸润及肝纤维化比例显著升高（P<0.05）。筛选出PLT、淋巴细胞浸润、纤维化分期等7项指标为特征变量。训练集RF模型判别效能最优（C-index=0.931）；验证集RF继续保持高区分度（C-index=0.869）及高灵敏度（Recall=1.000），LR模型展现出最佳校准度（Brier=0.090）。SHAP分析证实淋巴细胞浸润与纤维化分期贡献最大。ROC、DCA与校准曲线显示RF模型效果较好。

本研究构建的RF模型能有效整合临床病理特征，捕捉两者细微差异。