Este estudio propone y desarrolla un marco seguro de detección automática de COVID-19 basado en aprendizaje profundo (DL) asistido en el borde que utiliza la asistencia de computación en la nube y en el borde como un servicio con una red 5G y tecnologías de blockchain. El desarrollo de métodos de inteligencia artificial a través de servicios en el borde desempeña un papel significativo en el servicio de muchas aplicaciones en diferentes dominios. Recientemente, se han propuesto algunos enfoques de DL para detectar con éxito COVID-19 mediante el análisis de imágenes de radiografías de tórax (CXR) en entornos de computación en la nube y en el borde. Sin embargo, los métodos de DL existentes aprovechan solo conjuntos de datos de entrenamiento locales y pequeños. Para superar estas limitaciones, empleamos los bordes para realizar tres tareas. La primera tarea fue recopilar datos de diferentes hospitales y enviarlos a una nube global para entrenar un modelo de DL en conjuntos de datos masivos. La segunda tarea fue integrar todos los modelos entrenados en la nube para detectar automáticamente casos de COVID-19. La tercera tarea fue volver a entrenar el modelo entrenado en datos específicos de COVID-19 localmente en hospitales para mejorar y generalizar el modelo entrenado. Se adoptó una fusión y reducción a nivel de características para mejorar el rendimiento del modelo. Los resultados experimentales en un conjunto de datos de CXR público demostraron una mejora frente a trabajos relacionados recientes, logrando los requisitos de calidad de servicio.