该论文提出并实现了一个面向智能手机口腔癌筛查的联邦学习（FL）框架，旨在解决医疗AI领域因数据隐私法规和患者数据敏感性导致的高质量临床影像获取困难的问题。传统集中式训练需要汇聚分散在各医疗机构的患者数据，这存在严重的隐私泄露风险，而联邦学习通过仅在本地训练模型并共享模型更新参数，避免了原始数据的集中存储和传输。作者构建了一个实际可运行的FL系统：使用Tailscale作为安全组网层，实现跨地理区域的客户端节点间加密通信和实时协作；服务端聚合采用Flower框架，而客户端部署与调度为手工配置，未使用任何企业级FL平台，体现了轻量化、可复现的特点。为了适配基于智能手机的筛查应用，论文评估了多种轻量级移动端友好架构，包括MobileNetV2、MobileNetV3Large和MobileNetV4-Conv-Small。在FedAvg全局聚合策略下，基于MobileNetV4-Conv-Small构建的全局模型（GM-V4）表现最佳，取得了AUC 0.929和准确率87%的优异成绩。这项工作展示了联邦学习在口腔癌筛查领域的实用可行性，为医疗影像AI的协作开发提供了一套开源、可落地的技术路线，尤其适用于数据分散且隐私要求严格的场景。研究面向医疗AI研究人员、联邦学习工程师以及移动健康应用开发者，核心贡献在于验证了轻量化模型在联邦框架下的有效性，并给出了具体的网络和聚合配置方案。