本文提出了一种基于安全多方计算（MPC）的隐私保护框架，用于从高维单细胞数据中检测稀有疾病相关细胞亚群。单细胞测量技术（如流式细胞术、质谱流式）能够揭示免疫细胞异质性，但识别罕见细胞亚群（如频率低至0.01%的疾病相关细胞）需要足够大且多样化的患者队列，这往往超出单一机构的样本规模。然而，原始单细胞数据属于高度敏感的医疗信息，受GDPR等隐私法规限制，无法直接在机构间共享。本文以CellCnn（一种用于表型相关细胞群识别的卷积神经网络）为基线，利用秘密共享技术实现了完全在密文状态下的模型训练与推理，确保参与方和计算服务器都无法接触原始患者数据或中间计算结果。作者在巨细胞病毒（CMV）感染和急性髓系白血病（AML）两个公共单细胞数据集上进行了评估，结果表明所提出的MPC方案在保持与明文版本接近的准确率的同时，显著优于已有的隐私保护基线。与先前移除ReLU激活函数和偏置项以简化计算的做法不同，本文方法保留了CellCnn的完整关键结构，从而在不泄露患者数据的前提下支持准确的分析。该研究为跨机构协作的罕见病细胞亚群发现提供了可行的隐私保护路径，适用于生物医学研究中的敏感数据共享场景。