ビジョン変換器（Vision Transformers: ViT）は、グローバルおよびローカルな表現を自己教師学習により学習する能力に優れており、その表現は下流のアプリケーションに転移可能であることが示されている。このような成果に着想を得て、本研究では医療画像解析に特化した新たな自己教師学習フレームワークを提案する。具体的には、以下の2点を提案する：(i) ハイエラルキーなエンコーダを備えた新しい3次元変換器ベースのモデル、Swin UNEt TRansformers（Swin UNETR）を導入し、自己教師学習による事前学習を実現；(ii) 人間の解剖学的構造の背後にあるパターンを学習するためのカスタマイズされた代理タスクを設計。本モデルは、複数の身体部位にまたがる5,050枚の公開CT画像を用いて、成功裏に事前学習が実施された。さらに、本手法の有効性は、「Beyond the Cranial Vault（BTCV）セグメンテーションチャレンジ」（13個の腹部臓器を対象としたセグメンテーションタスク）および「Medical Segmentation Decathlon（MSD）」データセットにおける微調整（fine-tuning）によって検証された。その結果、本モデルはMSDおよびBTCVの両方の公開テストリーダーボードにおいて、現時点で最も高い性能（1位）を達成している。コードは以下のURLから入手可能：https://monai.io/research/swin-unetr