该论文提出了一个基于联邦学习（Federated Learning, FL）的隐私保护口腔癌筛查框架，旨在解决医学AI模型训练中数据获取困难与隐私合规的痛点。口腔临床图像因患者隐私和法规限制难以集中获取，联邦学习允许多个机构在不共享原始数据的情况下协作训练模型。作者构建了一个实用框架：客户端设备通过 Tailscale 建立安全网络连接，实现跨地域分布式协作；服务端使用 Flower 框架进行聚合，客户端部署和编排手动配置，未依赖企业级 FL 平台。研究聚焦于智能手机端口腔癌筛查应用，评估了多种轻量级移动端友好架构，包括 MobileNetV2、MobileNetV3Large 和 MobileNetV4-Conv-Small（MNv4-Conv-S）。基于 FedAvg 聚合的全局模型实验中，MNv4-Conv-S 的全局模型（GM-V4）表现最佳，AUC 达 0.929，准确率为 87%。主要贡献是展示了一个无需企业平台、仅使用开源工具即可实现的 FL 工作流，并验证了轻量模型在移动端口腔癌筛查中的有效性，为资源受限环境下的医学影像协作建模提供了参考。适合关注联邦学习落地、移动医疗AI、隐私保护与分布式训练的研究者和工程人员阅读。