以假乱真的换脸软件DeepFakes曾一度引起恐慌，甚至遭到卡内基国际和平基金会公开diss。该机构曾发表文章称DeepFakes正在给政府与企业带来破坏性的影响，但这项技术背后的算法“生成对抗网络”（Generative adversarial networks，简称GAN）合成高度逼真图像的能力将对医学诊断产生重大影响。
深度学习算法在图像模式匹配方面表现出色，可被应用于在CT扫描中检测不同类型的癌症，鉴别磁共振成像中的疾病，以及识别x射线的异常。但由于隐私问题，研究人员往往没有足够的测试数据，这正是GAN的发展方向：通过“生成对抗网络”合成更多与真实图像难以区分的医学图像，有效地增加所需数据的数量。
不过，GAN应用于医学研究还面临一项重大挑战。深度学习算法需要对高分辨率图像进行训练，才能产生最佳预测，然而合成这样的高分辨率图像，尤其是3D图像，需要大量的计算能力。这意味着这项应用对硬件要求颇高，想要在医院大规模推广目前还不具备相应的条件。
但来自吕贝克大学医学信息学研究所的研究人员提出了一种新方法，可以大大降低硬件的配置要求。研究人员把图像生成的过程分解为几个阶段：首先利用GAN生成低分辨率图像，然后在正确的分辨率下每次生成一小部分的细节图像。通过实验，研究人员发现这种方法不仅生成了逼真的高分辨率2D和3D图像，而且无论图像大小，支出费用都保持不变。
