تُعدّ الأشعة السينية للصدر أداة حيوية في تقييم العديد من المرضى. وتشبه معظم وسائل التصوير الطبي الأخرى، فهي متعددة الأوجه بشكل كبير وقدرتها على عرض مجموعة متنوعة من التوليفات المرضية. هناك حاجة مستمرة لزيادة كميات البيانات المُعلّمة لتطوير أدوات تشخيصية جديدة، لكن هذا يتعارض مباشرة مع مخاوف الخصوصية الطبية التي تُحدّ من الوصول عبر طلبات التصريح والموافقات الأخلاقية. سبق أن حاولت أبحاث سابقة معالجة هذه المخاوف من خلال إنشاء نماذج GAN مخصصة لكل فئة لاستخلاص صور تُستخدم لتعزيز بيانات التدريب. لكن هذه النماذج لا يمكن توسيع نطاقها، إذ تفرض تنازلات حسابية بين حجم النموذج وعدد الفئات، مما يضع قيودًا ثابتة على الجودة التي يمكن تحقيقها في الصور المُولّدة. ونعالج هذه المشكلة من خلال تقديم تحسين الفئة في الفضاء المخفي (latent class optimisation)، والذي يمكّن من أخذ عينات متعددة الأوجه بكفاءة من نموذج GAN، ونستخدمه لاستخلاص أرشيف واسع من الصور المُولّدة والمعطاة بملصقات. ونطبّق نموذج PGGAN على مهمة استخلاص الأشعة السينية دون تعلّم، ونطلب من الأطباء المُختصين تقييم الواقعية السريرية للعينات الناتجة. ونقدّم مراجعة معمقة لخصائص أنواع مختلفة من الأمراض التي تظهر في الصور المُولّدة، بالإضافة إلى نظرة عامة على مدى تنوع الأمراض التي تم التقاطها بواسطة النموذج. ونُحقق من تطبيق مقياس Fréchet Inception Distance (FID) لقياس جودة الصور المُولّدة، ونجد أنها مماثلة لتلك المستخدمة في المهام ذات الدقة العالية الأخرى. ونقيّم الواقعية السريرية للأشعة المُولّدة من خلال طلب من الأطباء التمييز بين الصور الحقيقية والصورية، ونجد أن الصور المُولّدة أكثر احتمالًا لأن تُصنف كحقيقية من مجرد التخمين العشوائي، لكن ما زال هناك مجال للتحسين لتحقيق واقعية حقيقية. ونؤكد هذه النتائج من خلال تقييم أداء نموذج تصنيف مُولّد على صور حقيقية. ونختتم بمناقشة القيود المرتبطة بالصور المُولّدة من نموذج PGGAN، وكيفية تحقيق صور مُولّدة قابلة للتحكم وواقعية.