La enfermedad del tumor cerebral se desarrolla debido a la proliferación celular anormal. La identificación temprana de los tumores cerebrales es vital para su tratamiento efectivo. La mayoría de los métodos de examen actualmente disponibles son laboriosos, requieren instrucciones manuales extensas y producen hallazgos de calidad inferior. Se utilizó la arquitectura EfficientNet-B0 para diagnosticar tumores cerebrales utilizando imágenes por resonancia magnética (IRM). Se propuso un modelo EfficientNet-B0 ajustado para el entorno de Internet de las Cosas Médicas (IoMT). La arquitectura EfficientNet-B0 ajustada se empleó para clasificar cuatro etapas diferentes de tumores cerebrales a partir de las imágenes de IRM. El modelo ajustado mostró un 99% de precisión en la detección de cuatro clases diferentes de tumores cerebrales (glioma, sin tumor, meningioma y pituitaria). El modelo propuesto tuvo un rendimiento muy bueno en la detección de la clase pituitaria con una precisión de 0.95, un recall de 0.98 y un puntaje F1 de 0.96. El modelo propuesto también tuvo un rendimiento muy bueno en la detección de la clase sin tumor con valores de 0.99, 0.90 y 0.94 para precisión, recall y puntaje F1, respectivamente. Las precisiones, recalls y puntajes F1 para las clases Glioma y Meningioma también fueron altos. La solución propuesta tiene varias implicaciones para mejorar las investigaciones clínicas de tumores cerebrales.