随着医疗机构信息化建设的发展,诸多医疗服务流程中产生了海量多源异构医学数据。隐私考虑导致数据孤岛问题在医疗大数据中尤其显著,给现今以数据驱动为主的研究带来一定阻碍和挑战。除此之外,对于诊断等特定医疗服务,高效利用医学数据进行综合分析也是难点之一。针对上述问题,探究利用联邦学习和强化学习技术分别解决数据孤岛和医疗信息融合问题的技术方案。以甲状腺癌的辅助诊断为例,论证该医学数据分析系统的可行性。甲状腺疾病是最常见的内分泌系统疾病,其诊断涉及超声、血液检查、病理学等多种方式。早期高精度诊断有利于减少不必要的细针穿刺活检,减轻病患负担,节约医疗资源。首先,利用联邦学习技术,采用协同训练方式传递参数,利用各医疗机构数据训练深度神经网络模型,对甲状腺超声图像进行良恶性的粗分类;其中考虑隐私保护问题,在参数传递过程中进行模糊处理,避免参数泄露导致的数据泄露问题;其次,设计一个强化学习框架,模拟实际诊断过程,将其抽象为马尔科夫决策模型。通过抽象信息到状态空间,该框架能够在输出层次融合多种诊断信息,因此提高精确度、特异性、灵敏度等指标。此外,随着针对各种信息源的信息抽取技术发展,该框架具有一定可扩展性,能够包含更多复杂的诊断信息。基于所收集的临床数据,实验证实了协同训练模型的可行性,在保护隐私性的同时,未明显损失神经网络的精度。与基准方法相比,强化学习模型在精确度指标上提升约2～9%,特异性指标提升约2～5%,敏感性指标提升约4～7%,能够对辅助诊断服务起到促进作用,且具有一定的信息融合能力。