Antecedentes: El diagnóstico de tumores cerebrales requiere una detección precisa y oportuna, que impacta directamente en las decisiones de tratamiento y los resultados para el paciente. La integración de tecnologías de aprendizaje profundo en diagnósticos médicos ha mejorado la precisión y eficiencia de estos procesos, sin embargo, el procesamiento en tiempo real sigue siendo un desafío debido a la intensidad computacional de los modelos actuales. Este estudio presenta el Detector de Objetos en Tiempo Real para Diagnósticos Médicos (RTMDet), que tiene como objetivo abordar estas limitaciones mediante la optimización de arquitecturas de redes neuronales convolucionales (CNN) para una velocidad y precisión mejoradas. Métodos: El modelo RTMDet incorpora bloques convolucionales de profundidad novedosos diseñados para reducir la carga computacional manteniendo la precisión diagnóstica. La efectividad del RTMDet fue evaluada a través de pruebas extensas contra arquitecturas de CNN tradicionales y modernas utilizando conjuntos de datos de imágenes médicas completos, con un enfoque en las capacidades de procesamiento en tiempo real. Resultados: El RTMDet demostró un rendimiento superior en la detección de tumores cerebrales, logrando una mayor precisión y velocidad en comparación con los modelos de CNN existentes. La eficiencia del modelo fue validada a través de su capacidad para procesar grandes conjuntos de datos en tiempo real sin sacrificar la precisión necesaria para un diagnóstico confiable. Conclusiones: El RTMDet representa un avance significativo en la aplicación de tecnologías de aprendizaje profundo en diagnósticos médicos. Al optimizar el equilibrio entre eficiencia computacional y precisión diagnóstica, el RTMDet mejora las capacidades de imágenes médicas, potencialmente mejorando los resultados para el paciente a través de una detección de tumores cerebrales más rápida y precisa. Este modelo ofrece una solución prometedora para entornos clínicos donde los diagnósticos rápidos y precisos son críticos.