膝骨关节炎的多模态诊断数据分散在不同机构，集中训练既贵又易泄露隐私。一套异步联邦学习方案把结构化病历、半结构化记录与影像先融合成可查询数据表，再在十家模拟机构上按纵向切分的特征列各自计算梯度，服务器端用Bulyan聚合与自适应差分隐私过滤恶意更新。在5580例膝骨关节炎数据上，该方案报告准确率99.64%、AUC 0.998，通信开销285MB，攻击成功率1.8%。
膝骨关节炎的Kellgren-Lawrence分级可以在不集中原始病历的前提下完成，机构只交换模型更新而非患者数据。 此前集中式模型需要把结构化病历、半结构化记录和影像汇总到一处，带来高计算成本与单点泄露风险。 在5580例膝骨关节炎数据上，该方案报告准确率99.64%、AUC 0.998，高于PHMS-Fed的95.91%与0.965、FL-TinyML-DP-HS的95%与0.942；对FL-CNN-LSTM-DPET-HS，来源给出的准确率为92%、AUC为0.90，而同一来源的AUC提升幅度与表2数值并不一致，因此这里不采用其AUC差值。
多模态数据先被融合成一张可查询的数据表，再进入特征提取与联邦训练。 Unified Element Tree Fusion按匹配键合并不同模态，把特征向量整合为Delta表或单个Spark DataFrame。 数据来自北京清华长庚医院的结构化病历、CSV/JSON/XML记录以及X射线、MRI、CT、PET影像，由Apache Spark管理的数据湖承载。
本地特征提取用带注意力模块的卷积网络突出与关节病变相关的通道和空间区域。 ResNet-34骨干后接Condensed Depthwise Squeeze-Excitation与Multi-Convolution Spatial Attention，分别对通道和空间位置加权。 该网络在标准化后的膝关节影像上提取关节间隙狭窄、骨赘形成、软骨退变与软骨下骨改变等特征，用于五级Kellgren-Lawrence分级。
服务器端用Bulyan聚合与自适应差分隐私同时抑制恶意更新和推断攻击。 Bulyan先用Multi-Krum筛选可靠梯度，再按坐标做截尾均值；自适应差分隐私按指数衰减调度高斯噪声。 十家模拟机构在纵向切分数据上计算局部梯度，报告攻击成功率1.8%、拜占庭韧性94%、隐私预算1.5、隐私-效用指数0.96。
该方案在5580例膝骨关节炎数据上验证，覆盖Kellgren-Lawrence五级分级，训练、验证、测试按60%、20%、20%划分，联邦侧为十家模拟机构。适用读者是关注隐私保护医学影像分级与联邦学习部署的研究人员和工程师。作者提出后续把MCSESEN架构扩展到其他肌肉骨骼与退行性疾病，并改进树状通信与梯度掩码以降低带宽需求。
联邦训练的十家机构是模拟客户端，而非真实医院部署；隐私预算、拜占庭韧性与攻击成功率均来自模拟攻击设置。来源在AUC上存在内部不一致：表2给出FL-CNN-LSTM-DPET-HS的AUC为0.928，而正文相关段落给出0.90，同时报告的AUC提升幅度与这些数值不相符，因此本报道不采用其AUC差值。作者未报告跨机构数据分布差异下的表现，也未给出真实网络条件下的通信测量。
