В статье представлена инновационная архитектура федеративных модульных сетей (FM-CDSN), разработанная для обеспечения высокоточной поддержки принятия клинических решений в медицинских учреждениях с ограниченными вычислительными и сетевыми ресурсами. Методология исследования базируется на использовании федеративного обучения, что позволяет обучать глобальную модель на распределенных данных без необходимости их передачи в центральное хранилище, обеспечивая строгую конфиденциальность пациентов. Ключевой особенностью является модульная структура сети, которая позволяет адаптировать локальные модели к специфическим особенностям данных конкретного медицинского центра, сохраняя при этом общие знания. Результаты демонстрируют, что предложенный подход значительно превосходит традиционные методы федеративного обучения в задачах диагностики при наличии гетерогенных данных. Технология имеет критическое значение для внедрения ИИ в развивающихся регионах и сельских больницах, где инфраструктура не позволяет использовать облачные вычисления. Данная разработка открывает путь к созданию глобальных диагностических систем, уважающих суверенитет данных и локальную специфику клинической практики.