El éxito del aprendizaje profundo en la ampliación de las fronteras de la inteligencia artificial ha acelerado la aplicación de sistemas habilitados para IA para abordar varios desafíos en diferentes campos. En el campo de la salud, el aprendizaje profundo se implementa en plataformas de computación en el borde para abordar desafíos de seguridad y latencia, aunque estas plataformas a menudo tienen recursos limitados. Los sistemas de aprendizaje profundo se basan en redes neuronales artificiales convencionales, que son computacionalmente complejas, requieren alta potencia y tienen baja eficiencia energética, lo que los hace inadecuados para plataformas de computación en el borde. Dado que estos sistemas también se utilizan en aplicaciones críticas como la biomedicina, es necesario considerar su confiabilidad al diseñarlos. Para aplicaciones biomédicas, la naturaleza espacio-temporal del procesamiento de información de las redes neuronales puntuales podría fusionarse con una red en chip tridimensional (3D-NoC) tolerante a fallos para obtener una excelente precisión de rendimiento multiobjetivo manteniendo una baja latencia y un bajo consumo de energía. En este trabajo, proponemos un sistema neuromórfico basado en 3D-NoC reconfigurable para aplicaciones biomédicas basado en un esquema de enrutamiento de pico tolerante a fallos. Los resultados de la evaluación de rendimiento sobre imágenes de rayos X para la detección de neumonía (es decir, COVID-19) muestran que el sistema propuesto logra una precisión de detección del 88.43% sobre los datos de prueba recopilados y podría acelerarse para lograr una latencia de inferencia un 4.6% mejor que el sistema basado en ANN, consumiendo un 32% menos de energía. Además, el sistema propuesto mantiene una alta precisión para hasta un 30% de fallas de comunicación entre neuronas con una latencia aumentada.