大量之糖尿病視網膜病變影像對於AI辨識系統十分重要，但這也常常造成臨床人員在收集這些影像上造成極大的成本。有鑑於此，本技術採用近期熱門之生成對抗網路技術來自動化的生成系統所需之訓練影像，進而減少臨床人員之負擔。於初步實驗結果證明，其方法能有效的將訓練資料擴增兩倍並讓其辨識系統有7%之辨識率提升。

本技術可對資料庫的資料進行擴增，並經實驗證實，比傳統的資料擴增模式，提高更多的辨識率。本團隊針對兩種不同的深度學習模型訓練資料擴增方式進行比較，分別是本技術提出之以生成對抗網路進行資料擴增，另一種則是一般常見之以直接複製既有資料進行資料擴增。結果顯示，透過本技術進行資料擴增後，可以達到較佳的辨識率效果。

本技術可透過資料擴增的方式，降低人工智慧模型開發在資料蒐集及整理的時間與成本。舉凡需要經過大數據訓練的人工智慧系統，皆可應用本技術來節省開發成本。根據麥肯錫研究報告，在2030年之前，人工智慧可為全球帶來13兆美元的額外經濟活動。若能節省一半的資料搜集整理成本，可帶來很大的經濟效益。

本技術正在準備專利申請