目的 通过与Dense-Net、Res-Net和Vision-Transformer(ViT)网络比较，探讨Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势。方法 收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活检证实的前列腺癌患者的MRI图像，包括T

2

WI和fT

2

WI两种序列共计3 017幅。依据临床T分期报告，将患者图像分为2类：低中危组(T≤T2c)和高危组(T≥T3a)

并将所有患者按照7∶1∶2的比例简单随机划分为训练集(n=107)、验证集(n=15)和测试集(n=30)用于训练智能T分期诊断模型。采用准确度、精确度、混淆矩阵、受试者工作特征曲线(ROC)以及ROC曲线下面积(AUC)等参数评估各网络的诊断效能。结果 在低中危组和高危组的二分类中，Dense-Net、Res-Net、ViT以及SwinT网络模型训练集中精确率分别为0.587、0.410、0.600、0.680

以及AUC分别为0.630、0.477、0.648、0.708。SwinT网络模型热力图的注意力主要集中在前列腺区域，特征提取效果最好。结论 相比Dense-Net、Res-Net及ViT网络，SwinT网络在前列腺癌MRI图像分类任务中取得了最优的预测性能，可用于前列腺癌T分期的智能诊断，提高诊疗效率。