چکیده: سرطان ریه یکی از شایع‌ترین و کشنده‌ترین انواع سرطان‌ها در سراسر جهان است. تشخیص زودهنگام این بیماری می‌تواند تأثیر بسزایی در افزایش میزان بقا و بهبود بیماران داشته باشد. با این حال، استفاده از مدل‌های یادگیری عمیق برای تشخیص سرطان ریه از تصاویر CT با چالش‌هایی مانند کمبود داده‌های آموزشی و نگرانی‌های مربوط به حریم خصوصی بیماران مواجه است. در این پژوهش، یک روش مبتنی بر یادگیری فدرالی با مدل پایه CNN پیشنهاد شده است که بدون نیاز به اشتراک‌گذاری مستقیم داده‌های بیماران، امکان آموزش مدل را در بین چندین کلاینت فراهم می‌سازد. علاوه بر این، برای افزایش نمونه‌های آموزشی و بهبود تعمیم‌پذیری مدل، از تکنیک data augmentation استفاده شده است. روش پیشنهادی بر روی پایگاه داده IQ-OTH/NCCD ارزیابی شده و میانگین دقت 99.61٪ را به دست آورده است. نتایج ارزیابی نشان می‌دهند که این رویکرد عملکرد مطلوبی در تشخیص سرطان ریه دارد و در مقایسه با روش‌های مرسوم، تعادل مناسبی بین دقت تشخیص و حفظ حریم خصوصی ایجاد می‌کند. این پژوهش گامی مؤثر در جهت استفاده از فناوری‌های پیشرفته هوش مصنوعی برای بهبود تشخیص بیماری‌های پیچیده مانند سرطان ریه است.