الحصول على التسميات الخبيرة في التصوير السريري يُعد أمرًا صعبًا نظرًا لكون التسمية الشاملة تستهلك وقتًا طويلًا. علاوةً على ذلك، قد لا تكون جميع المؤشرات المرتبطة بالمرض معروفة مسبقًا، أو موصوفة بشكل كافٍ لتسهيل عملية التسمية. بينما تُعطي التعلم المُراقب نتائج جيدة إذا توفرت بيانات تدريب مُسَمَّة خبراء، فإن التباين البصري، وبالتالي المفردات المستخدمة للكشف عن النتائج والاعتماد عليها، يظل محدودًا بالآفات المُسَمَّة فقط. هنا، نقدم نموذج AnoGAN السريع (f-AnoGAN)، وهو نهج تعليم غير مراقب مبني على شبكة توليدية متنافسة (GAN)، قادر على تحديد الصور والمقاطع الصورية غير الطبيعية، والتي يمكن أن تُعد مرشحات لعلامات تشخيصية تصويرية. نُنشئ نموذجًا توليديًا للبيانات التدريبية الصحية، ونُقدِّم ونُقيِّم تقنية خريطة سريعة للبيانات الجديدة إلى الفضاء الخفي لـ GAN. تعتمد هذه الخريطة على مشفر مدرب، وتُكتشف الاختلالات من خلال مقياس مركب للانحراف يعتمد على مكونات النموذج المدرب – بما في ذلك خطأ البقايا في ميزات المُميِّز (discriminator) وخطأ إعادة بناء الصورة. في التجارب التي أجريت على بيانات التصوير بالتوافق الضوئي (OCT)، قارنا الطريقة المقترحة مع النماذج البديلة، وقمنا بتقديم أدلة تجريبية شاملة تُظهر أن f-AnoGAN يتفوّق على النماذج البديلة ويحقق دقة عالية في كشف الاختلالات. بالإضافة إلى ذلك، أظهر اختبار تورينغ البصري مع خبيرين في الشبكية أن الصور المولدة لا يمكن التمييز بينها وبين الصور الطبيعية الحقيقية لشبكية العين من خلال التصوير بالتوافق الضوئي. يُتاح كود f-AnoGAN على الرابط: https://github.com/tSchlegl/f-AnoGAN.