Ⅱ型糖尿病是一种慢性代谢性疾病,影响全世界近1亿人。在过去的20年里,确诊患有Ⅱ型糖尿病的成人数量飞速增长。而对糖尿病患者来说,患病后可能会引起的其他并发症是医疗花费主要压力,也是造成患者死亡的最大因素。如果可以提前预测出糖尿病患者罹患并发症的情况,将给医生和患者提供很大的方便。也将大大降低医疗费用支出。当下医学上对于糖尿病并发症的检测,还停留在患者表现出症状以后再进行专门医学检测的阶段。一方面随着人工智能行业的发展,如何使用机器学习预测糖尿病患者的并发症情况,开始逐渐受到关注。另一方面因为医疗数据的私密性,如何保护病患的医疗的数据不被泄露也是一个非常重要的问题。本篇论文使用深度方法的方法,基于糖尿病患者的病例数据,研究如何精准预测患者罹患选定的几种并发症的概率的问题。在得到较高精确度的前提下,使用联邦学习的方式来实现患者的隐私保护,解决算力分配集中的问题。具体来说,本文同时构建了递归神经网络（RNN）、长短期记忆（LSTM）和RNN循环单元（GRU）三种深度学习方法模型,使用相同数据进行训练,对比来得到最为精确的模型参数。之后,应用联邦学习FATE框架搭建联邦学习平台,将模型的预测放在移动设备,保护使用者的隐私。通过对训练过的模型进行大量测试,结果发现RNN GRU模型效果最好,其次是RNN LSTM模型。RNN GRU模型的预测精度在73%～83%之间,而传统模型的预测精度在66%～76%之间。测试结果证实了本文所得到模型在实际中的可行性和优越性。并通过我们的测试发现,在联邦学习框架下的算法模型,实验的数据量更大,准确率基本保持不变。联邦学习结合人工智能预测糖尿病并发症达既可以使用医疗数据进行预测,达到及早预测,及早预防,为专家问诊治疗提供参考的目的,同时保护了数据的隐私。造福于民,为智慧医疗的落地做出了一点微小的探索和尝试。