以假亂真的換臉軟件DeepFakes曾一度引起恐慌，甚至遭到卡內基國際和平基金會公開diss。該機構曾發表文章稱DeepFakes正在給政府與企業帶來破壞性的影響，但這項技術背後的算法“生成對抗網絡”（Generative adversarial networks，簡稱GAN）合成高度逼真圖像的能力將對醫學診斷產生重大影響。

深度學習算法在圖像模式匹配方面表現出色，可被應用於在CT掃描中檢測不同類型的癌症，鑑別磁共振成像中的疾病，以及識別x射線的異常。但由於隱私問題，研究人員往往沒有足夠的測試數據，這正是GAN的發展方向：通過“生成對抗網絡”合成更多與真實圖像難以區分的醫學圖像，有效地增加所需數據的數量。

不過，GAN應用於醫學研究還面臨一項重大挑戰。深度學習算法需要對高分辨率圖像進行訓練，才能產生最佳預測，然而合成這樣的高分辨率圖像，尤其是3D圖像，需要大量的計算能力。這意味著這項應用對硬件要求頗高，想要在醫院大規模推廣目前還不具備相應的條件。

但來自呂貝克大學醫學信息學研究所的研究人員提出了一種新方法，可以大大降低硬件的配置要求。研究人員把圖像生成的過程分解為幾個階段：首先利用GAN生成低分辨率圖像，然後在正確的分辨率下每次生成一小部分的細節圖像。通過實驗，研究人員發現這種方法不僅生成了逼真的高分辨率2D和3D圖像，而且無論圖像大小，支出費用都保持不變。