В работе рассматривается создание генеративно-состязательной модели нейронной сети (GAN) для синтеза новых медицинских данных. GAN состоит из двух моделей, обучаемых одновременно: генеративная сеть (G – Generator), фиксирующая распределение данных, и дискриминирующая модель (D- Discriminator), оценивающая вероятность того, что выборка получена из обучающих данных, а не от генератора G. Для создания генератора применяется собственная архитектура нейронной сети, основанная на сверточных слоях, с применением экспериментальных методов глубокого обучения на основе Tensor Flow Addons. Для создания дискриминатора применяется подход Transfer Learning. Процедура обучения состоит в максимизации вероятности того, что D допустит ошибку. Эксперименты показывают, что предложенная архитектура GAN, полностью справляется с поставленной задачей – синтез новых медицинских данных.