我们提出了一个联邦主动学习（FedAL）框架，通过周期性和交互式地执行主动学习来减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用50％的样本的情况下，取得了与全数据联邦学习相媲美的性能。