Con la aparición de la enfermedad COVID-19 en 2019, las técnicas de aprendizaje automático (ML), específicamente las redes neuronales de aprendizaje profundo (DNN), jugaron un papel clave en el diagnóstico de la enfermedad en la industria médica debido a su rendimiento superior. Sin embargo, el costo computacional de las redes neuronales de aprendizaje profundo (DNN) puede ser bastante alto, lo que hace necesario externalizar a menudo el proceso de entrenamiento a proveedores de terceros, como el aprendizaje automático como servicio (MLaaS). Por lo tanto, se requiere una consideración cuidadosa para lograr robustez en los sistemas basados en DNN contra ataques cibernéticos. En este documento, proponemos un método llamado algoritmo de dropout-bagging (DB-COVIDNet), que funciona como un mecanismo de defensa robusto contra ataques de puerta trasera de envenenamiento. En este modelo, las características relacionadas con el desencadenante serán eliminadas por el algoritmo de dropout modificado, y luego utilizaremos el nuevo método de votación en el algoritmo de bagging para lograr los resultados finales. Consideramos a AC-COVIDNet como el inductor principal del algoritmo de bagging, que es una red neuronal convolucional contrastiva guiada por atención (CNN), y evaluamos el rendimiento del método propuesto con el conjunto de datos maliciosos COVIDx. Los resultados demostraron que DB-COVIDNet tiene una fuerte robustez y puede reducir significativamente el efecto del ataque de puerta trasera. El DB-COVIDNet propuesto anula las puertas traseras antes de que se active el ataque, lo que resulta en una tremenda reducción en la tasa de éxito del ataque con alta precisión en los datos limpios.