En respuesta a la crítica crisis de salud provocada por enfermedades respiratorias, en particular COVID-19, este estudio presenta una metodología innovadora y consciente de los recursos para analizar imágenes de radiografías de tórax. Revelamos una técnica de vanguardia que combina la búsqueda de arquitecturas neuronales (NAS) con algoritmos genéticos (GA), con el objetivo de refinar la arquitectura de las redes neuronales convolucionales (CNN) de manera que disminuya la demanda habitual de poder computacional. Aprovechando el aprendizaje por transferencia (TL), nuestro enfoque navega de manera eficiente los obstáculos que plantea la escasez de datos, optimizando tanto el tiempo como la utilización del hardware, un pilar fundamental para iniciativas de IA sostenibles. La investigación utiliza un conjunto de datos curado de 1184 imágenes de radiografías de tórax positivas para COVID y 1319 negativas, que sirve como base para el entrenamiento, evaluación y validación del modelo. Nuestra metodología no solo aumenta la precisión en el diagnóstico de COVID-19, sino que también establece un estándar pionero en el ámbito de las tecnologías de salud ecológicas y efectivas. A través de análisis comparativos exhaustivos contra modelos de vanguardia, nuestras soluciones optimizadas exhiben mejoras significativas en el rendimiento junto con un impacto ecológico minimizado. Esta contribución marca un avance significativo hacia la imagen médica eco-sostenible, presentando un paradigma que prioriza la gestión ambiental mientras aborda hábilmente las exigencias de la atención médica moderna. Comparamos nuestro enfoque con arquitecturas de última generación a través de múltiples estudios comparativos.