针对医院多中心医疗数据出于隐私及合规性考虑不能集中存储使用以及单中心 AI模型泛化能力不强的实际需求，探索了基于联邦学习的医院多中心数据协同方法，在横向联邦学习的基础上建立分布式协同建模架构，并引入差分隐私机制和同态加密算法进行梯度信息的安全性处理，同时结合FedProx和临床价值加权聚合方法处理非独立同分布的数据模型收敛问题，在数据格式标准规范制定、满足隐私保护的合作性协议设计、数据共享激励机制及信任建设三个方面重塑了多个机构合作的基础框架，并在几家三甲医院的实际应用中证明联邦学习能够有效提升罕见病检测召回率和疾病的预测精度，与此同时，还实现了在基层医院轻量级部署，以较低成本完成接入。联邦学习可以在不将数据搬出医院的情况下进行不同单位间的医疗数据协作，为精准医疗及公共卫生事件应对提供可行技术手段