在这项研究中，我们提出了一种生成数据增强技术，以克服设计基于深度学习的自动化链球菌诊断系统时严重有限的数据的挑战。我们基于用于系统设计的stylegan2-ADA模型实现生成模型，并使用两个分类器评估斜视分类性能。我们根据传统数据增强技术评估了我们提出的方法的能力，并确认了性能的实质性增强。此外，我们进行了实验，以探索眼科医生之间的诊断一致性与生成模型的产生性能之间的关系。超越FID，我们验证了分类器上的生成样本以建立其实用性。通过这些实验，我们证明了基于生成模型的数据增强功能在极端数据稀缺的情况下提高了总体定量性能，并且有效地减轻了深度学习模型培训期间的过度拟合问题。