El cáncer de mama representa el mayor riesgo para la salud a largo plazo para las mujeres en todo el mundo, tanto en naciones industrializadas como en países en desarrollo. La detección temprana del cáncer de mama permite que el tratamiento comience antes de que la enfermedad tenga la oportunidad de extenderse a otras partes del cuerpo. El Internet de las Cosas (IoT) permite el análisis y la clasificación automatizados de imágenes médicas, lo que permite un procesamiento de datos más rápido y efectivo. Sin embargo, se deben utilizar los principios de la computación en la niebla en lugar de los conceptos de computación en la nube por sí solos para proporcionar respuestas rápidas, cumpliendo al mismo tiempo con los requisitos de baja latencia, consumo de energía, seguridad y privacidad. En este documento, presentamos CanDiag, un enfoque para el diagnóstico del cáncer basado en Transferencia de Aprendizaje Profundo (TDL) que utiliza la computación en la niebla. Este documento detalla un enfoque automatizado y en tiempo real para diagnosticar el cáncer de mama utilizando aprendizaje profundo (DL) e imágenes de mamografía de la biblioteca de la Sociedad de Análisis de Imágenes Mamográficas (MIAS). Para obtener mejores resultados de predicción, se combinaron técnicas de aprendizaje por transferencia (TL) como GoogleNet, ResNet50, ResNet101, InceptionV3, AlexNet, VGG16 y VGG19 con el conocido enfoque de DL de la red neuronal convolucional (CNN). También se aplicaron la técnica de reducción de características de análisis de componentes principales (PCA) y el clasificador de máquina de soporte vectorial (SVM) con estos TDL. Se realizaron simulaciones detalladas para evaluar siete métricas de rendimiento y siete métricas de red para demostrar la viabilidad del enfoque propuesto. Este estudio sobre un enorme conjunto de datos de imágenes de mamografía categorizadas como normales y anormales, respectivamente, logró una precisión, MCR, precisión, sensibilidad, especificidad, f1-score y MCC de 99.01%, 0.99%, 98.89%, 99.86%, 95.85%, 99.37% y 97.02%, superando algunos estudios anteriores basados en imágenes de mamografía. Se puede demostrar a partir de las pruebas que la inclusión de los conceptos de computación en la niebla potencia el sistema al reducir la carga en los servidores centralizados, aumentar la productividad y mantener la seguridad e integridad de los datos del paciente.