Durante la pandemia de COVID-19, la urgencia de estrategias efectivas de pruebas nunca había sido tan evidente. La fusión de modelos de Inteligencia Artificial (IA) y Aprendizaje Automático (ML), especialmente en imágenes médicas (por ejemplo, radiografías de tórax), promete sistemas de salud inteligentes. El Aprendizaje Profundo (DL), un subconjunto de la IA, ha demostrado habilidades para mejorar la precisión de la clasificación, un aspecto crucial para acelerar el diagnóstico de COVID-19. Sin embargo, el camino para aprovechar el potencial del DL está lleno de desafíos: especialmente, el intrincado panorama de la privacidad de los datos médicos. Lograr un equilibrio entre utilizar los datos de los pacientes para obtener información y mantener la privacidad es formidable. El Aprendizaje Federado (FL) surge como una solución al permitir el entrenamiento colaborativo de modelos a través de fuentes de datos descentralizadas, evitando así la centralización de datos y preservando la privacidad de los datos. Este estudio presenta una arquitectura de FL colaborativa y adaptada para el cribado de COVID-19 a través de imágenes de radiografías de tórax. Diseñado para facilitar la cooperación entre instituciones médicas, el marco garantiza que los datos de los pacientes permanezcan localizados, eliminando la necesidad de compartir datos directamente. Abordando datos desequilibrados y no distribuidos de manera idéntica, la arquitectura es una solución robusta. La implementación implica modelos de FL basados en computación localizada y de niebla. Los modelos localizados utilizan Redes Neuronales Convolucionales (CNNs) en conjuntos de datos específicos de las instituciones, mientras que el modelo FL, refinado de forma iterativa, tiene prioridad en la clasificación final. Curiosamente, el modelo FL global, fortalecido por la computación de niebla, se destaca en la clasificación después del refinamiento de pesos, superando a los modelos locales. La validación en la plataforma COLAB evalúa el rendimiento del modelo a través de métricas como precisión, recall y puntuación F1. Notablemente, el modelo propuesto destaca en estas métricas, solidificando su eficacia. Esta investigación navega por la confluencia de la IA, FL e imágenes médicas, revelando ideas que podrían remodelar la prestación de servicios de salud. El estudio enriquece el discurso científico al abordar la privacidad de los datos en el aprendizaje colaborativo y tiene posibles implicaciones para mejorar la atención al paciente.