大腸癌（CRC）のグレーディングは重要な予後因子ですが、観察者間のばらつきや多機関データ共有のプライバシー制約によって制約されています。本研究は、プライバシーを保護しつつ、多スケールな特徴学習を組み込んだCRCの組織病理学的グレーディングのための拡張可能な連合学習（FL）フレームワークを提案しています。このアプローチは、細かい核の詳細と広範な組織レベルのコンテキストを同時に把握できる二重ストリームのResNetRS50アーキテクチャを採用し、複数の病院からの異種データ分布のクライアントドリフトを緩和するためにFedProxを使用して安定化します。CRC-HGDデータセットでの広範な評価により、提案フレームワークは全体精度83.5%を達成し、中央集権モデル（81.6%）を上回りました。特に、Grade IIIの腫瘍の高リコール87.5%を実現し、致命的な偽陰性を防ぐための重要な臨床的優先事項を満たします。この結果は、提案の連合的多スケールアプローチが患者のプライバシーを保護しつつ、モデルの性能と汎用性を向上させることを示しています。