Al aprovechar las tecnologías de aprendizaje profundo, los enfoques basados en datos han alcanzado un gran éxito con el rápido aumento de datos generados para aplicaciones médicas. Sin embargo, las preocupaciones de seguridad y privacidad son obstáculos para los proveedores de datos en muchos escenarios sensibles impulsados por datos, como la rehabilitación y los servicios de atención médica las 24 horas. Aunque se han propuesto muchos enfoques de aprendizaje federado (FL) con DNN para aplicaciones médicas, estos trabajos aún sufren de baja usabilidad de datos debido a la incompletitud de los datos, baja calidad, cantidad insuficiente, sensibilidad, etc. Por lo tanto, proponemos un esquema de aprendizaje federado descentralizado basado en topología de anillo (RDFL) para modelos generativos profundos (DGM), donde DGM es una solución prometedora para resolver los problemas de usabilidad de datos mencionados anteriormente. Nuestros esquemas RDFL proporcionan eficiencia de comunicación y mantienen el rendimiento de entrenamiento para impulsar los DGM en tareas objetivo en comparación con los trabajos de FL existentes. Se diseñó una nueva topología de FL de anillo y un método de sincronización basado en map-reduce en el RDFL propuesto para mejorar el rendimiento de FL descentralizado y la utilización del ancho de banda. Además, se introduce un sistema de archivos interplanetario (IPFS) para mejorar aún más la eficiencia de comunicación y la seguridad de FL. Se han realizado experimentos extensos para demostrar la superioridad de RDFL con conjuntos de datos independientes e idénticamente distribuidos (IID) o conjuntos de datos no independientes e idénticamente distribuidos (No IID).