В данной статье представлен инновационный подход к цифровой патологии, основанный на использовании федеративного обучения (Federated Learning) с применением глубоких признаковых подсказок (deep feature prompts). Исследование направлено на решение проблемы конфиденциальности данных при обучении моделей на распределенных медицинских наборах данных, что критически важно для патологоанатомических исследований. Предложенная методология позволяет масштабировать процесс обучения, минимизируя необходимость передачи чувствительных изображений тканей между учреждениями. Использование механизмов prompt-learning в контексте глубоких признаков обеспечивает высокую точность классификации патологических состояний даже при ограниченных локальных данных. Результаты демонстрируют, что предложенная архитектура превосходит стандартные методы федеративного обучения по показателям гибкости и адаптивности к различным типам цифровых слайдов. Данная технология имеет высокую практическую значимость для создания глобальных диагностических систем, способных обучаться на разнообразных популяциях без нарушения законодательства о защите персональных данных.