视觉Transformer（Vision Transformers, ViT）在自监督学习中展现出优异性能，能够有效学习全局与局部表征，并可迁移至下游应用任务。受此启发，我们提出一种面向医学图像分析的新型自监督学习框架，设计了专用于该领域的代理任务。具体而言，本文提出：（i）一种基于3D Transformer的新型模型——Swin UNETR（Swin UNEt TRansformers），其采用分层编码器结构，用于自监督预训练；（ii）针对人体解剖结构内在规律设计的定制化代理任务。我们在5,050张来自不同人体器官的公开可用计算机断层扫描（CT）图像上成功实现了该模型的预训练。通过在“颅骨以外”（Beyond the Cranial Vault, BTCV）分割挑战赛（涵盖13个腹部器官）以及医学分割十项全能（Medical Segmentation Decathlon, MSD）数据集的分割任务上对预训练模型进行微调，验证了本方法的有效性。目前，该模型在MSD与BTCV两个数据集的公开测试排行榜上均位列第一，处于当前最先进水平。代码地址：https://monai.io/research/swin-unetr