Propomos um framework de aprendizado federado com privacidade diferencial adaptado ao contexto de pesquisa biomédica multicêntrica, onde dados de pacientes não podem ser compartilhados entre instituições. Nossa abordagem calibra automaticamente os parâmetros de privacidade com base na sensibilidade dos atributos clínicos, preservando maior utilidade estatística em atributos não sensíveis. Validamos o sistema em dados de imagem de ressonância magnética de 8 hospitais com 12.000 pacientes, demonstrando que modelos federados privados alcançam 94% da acurácia de modelos centralizados sem proteção de privacidade.