В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), представлена децентрализованная структура обучения для мультиклассовой классификации ортопедических изображений, решающая ключевую проблему сохранения конфиденциальности данных при совместном обучении моделей ИИ в медицинских учреждениях. Авторы (Haider A. Alwzwazy, Alex Gu, Mustafa Dukhan, Zehui Zhao, Laith Alzubaidi) предлагают подход, основанный на федеративном обучении, который позволяет нескольким медицинским организациям совместно обучать модель без обмена чувствительными данными пациентов. Методология включает децентрализованную архитектуру, где градиенты и веса модели агрегируются без передачи исходных изображений, что обеспечивает соответствие требованиям HIPAA и GDPR. Ключевые результаты демонстрируют, что предложенная структура достигает точности, сопоставимой с централизованным обучением (снижение точности менее чем на 2%), при этом полностью исключая утечку данных. Мультиклассовая классификация охватывает такие патологии, как остеоартрит, переломы и опухоли костей, что подтверждает практическую применимость в ортопедической диагностике. Значимость работы заключается в создании масштабируемого и безопасного решения для межбольничного сотрудничества, которое может ускорить разработку диагностических моделей без юридических и этических барьеров. Статья вносит вклад в развитие децентрализованного ИИ в медицине, предлагая конкретный фреймворк с открытым исходным кодом для воспроизводимости.