本研究提出了STRUC-MAS框架，旨在解决医学诊断中专家团队协作的复杂性。该框架通过自动学习全球模型，显著提高了急性肾损伤的预测准确率，强调了全球结构学习在分类和诊断推理中的重要性。

本研究提出了一种新的联邦学习框架，使用去中心化知识蒸馏来训练全球模型，以更好地适应神经网络映射平均值。实验证明，该框架在异构数据集上表现出更高的效率和更好的训练结果。