1.一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，具体步骤包括如下：步骤(1.1)、通过病历分析，获取疾病特征和标签数据并将数据上传至本地服务器；

步骤(1.2)、采用改进的生成对抗网络，本地服务器检测接收的疾病数据并随机将无误的数据等比例的加密上传到云端；

步骤(1.3)、云端对加密数据进行异常数据检测和概率分布分析得到权重系数以及标签识别准确率；

步骤(1.4)、云端将初始训练模型迁移到本地服务器，本地服务器结合所有的无误数据进行模型训练；

步骤(1.5)、本地服务器上传训练模型参数给云端，再由云端分配给模型权重系数；

步骤(1.6)、云端共享模型信息给本地服务器，本地服务器结合标签识别准确率进行融合学习。

2.根据权利要求1所述的一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，在步骤(1.2)中，所述本地服务器检测接收的疾病数据并随机将无误的数据等比例的加密上传到云端的具体操作步骤如下：(1.2.1)、基于改进的生成对抗网络进行异常数据检测；

(1.2.2)、随机选择等比例的无误数据并采用相同的同态加密手段；

(1.2.3)、本地服务器上传加密数据以及样本数据的概率分布信息。

3.根据权利要求1所述的一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，在步骤(1.3)中，所述云端对加密数据进行异常数据检测和概率分布分析的具体操作步骤如下：(1.3.1)、云端对加密数据采用统计方法进行异常数据检测；

(1.3.2)、云端根据异常数据检测结果设置权重系数；

(1.3.3)、云端根据数据库样本的概率分布制定标签识别准确度。

4.根据权利要求1所述的基一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，在步骤(1.4)中，所述本地服务器结合所有的无误数据进行模型训练的具体操作步骤如下：(1.4.1)、云端向本地服务器发送相同迁移学习模型；

(1.4.2)、本地服务器以迁移模型为初始模型并结合所有的无误数据进行模型训练。

5.根据权利要求1所述的一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，在所述步骤(1.5)中，由于各个数据库的数据分布不平衡，从而导致其中一部分服务器的数据与总的数据分布出现差异，因此，通过设置信任度，给各服务器分配权重系数，改进模型的可信度，从而使用本地服务器上传训练模型参数给云端。

6.根据权利要求1所述的一种基于迁移联邦学习的医疗疾病分析方法，其特征在于，在所述步骤(1.6)中，由于各数据库之间的数据分布不平衡，各服务器训练的模型对其中一部分标签的特征敏感，因此，通过共享所有模型信息，结合云端制定的标签识别准确度，从而进行模型融合学习。