El análisis de imágenes médicas basado en aprendizaje profundo es un método efectivo y preciso para identificar varios tipos de cáncer. Sin embargo, debido a preocupaciones sobre la privacidad de los pacientes, compartir imágenes diagnósticas entre instalaciones médicas generalmente no está permitido. El aprendizaje federado (FL) intenta construir un modelo compartido entre clientes dispersos bajo tales restricciones de preservación de la privacidad. Aunque hay una buena probabilidad de éxito, lidiar con datos de clientes no IID (distribución no independiente e idéntica), que es una circunstancia típica en tareas de FL del mundo real, sigue siendo difícil para FL. Utilizamos dos algoritmos de FL, FedAvg y FedProx, para gestionar la heterogeneidad de los clientes y los datos no IID en un entorno federado. Una división heterogénea de datos de conjuntos de cáncer con tres formas diferentes de cáncer -cervical, pulmonar y de colon- se utiliza para validar la eficacia del FL. Además, dado que la optimización de hiperparámetros presenta nuevas dificultades en un entorno de FL, también examinamos el impacto de varios valores de hiperparámetros. Utilizamos la optimización bayesiana para ajustar los hiperparámetros e identificar los valores apropiados con el fin de aumentar el rendimiento. Además, investigamos la optimización de hiperparámetros en modelos locales y globales del entorno de FL. A través de una serie de experimentos, descubrimos que FedProx supera a FedAvg en escenarios con niveles significativos de heterogeneidad.