El aprendizaje automático ha traído una transformación revolucionaria en la atención médica. Tradicionalmente se ha empleado para crear modelos predictivos a través del entrenamiento en datos disponibles localmente. Sin embargo, las preocupaciones sobre la privacidad pueden a veces obstaculizar la recopilación e integración de datos de diversas fuentes. Por el contrario, la falta de datos suficientes puede dificultar la construcción de modelos precisos, limitando así la capacidad de producir resultados significativos. Especialmente en el campo de la atención médica, la recopilación de conjuntos de datos de manera centralizada es un desafío debido a las preocupaciones sobre la privacidad. De hecho, el aprendizaje federado (FL) surge como un enfoque sofisticado de aprendizaje automático distribuido que viene al rescate en tales escenarios. Permite que múltiples dispositivos alojados en diferentes instituciones, como hospitales, entren de manera colaborativa un modelo global sin compartir datos en bruto. Además, cada dispositivo retiene sus datos de forma segura de manera local, abordando los desafíos de la anotación que consume tiempo y las preocupaciones sobre la privacidad. En este artículo, realizamos una revisión exhaustiva de la literatura con el objetivo de identificar las aplicaciones más avanzadas del aprendizaje federado en la investigación del cáncer y el análisis clínico de oncología. Nuestro objetivo principal fue presentar una visión general completa del desarrollo del aprendizaje federado en el campo de la oncología. Además, discutimos los desafíos y las direcciones futuras de la investigación.