Al tratar con objetivos pequeños en la detección de cáncer de pulmón, el algoritmo YOLO V8 puede encontrar falsos positivos y omisiones. Para abordar este problema, este estudio propone un modelo de detección mejorado YOLO V8. El modelo integra un mecanismo de atención de núcleo separable grande en el módulo C2f para ampliar el rango de recuperación de información, fortalece la extracción de características del cáncer de pulmón en la sección Backbone, y logra una interacción efectiva entre las características de múltiples escalas en la sección Neck, mejorando así la representación de características y la robustez. Además, la convolución de profundidad y los mecanismos de Atención de Coordenadas se incrustan en el módulo de Agrupación Espacial Piramidal Rápida para reducir la pérdida de características y mejorar la precisión de detección. Este estudio introduce una pérdida de IOU basada en la Distancia Mínima de Puntos para mejorar la correlación entre las cajas delimitadoras predichas y verdaderas, mejorando la adaptabilidad y precisión en la detección de objetivos pequeños. La validación experimental demuestra que la red mejorada supera a otras redes de detección principales en términos de valores de precisión promedio y supera a otras redes de clasificación en términos de precisión. Estos hallazgos validan el rendimiento sobresaliente del modelo mejorado en los aspectos de localización y reconocimiento del diagnóstico auxiliar del cáncer de pulmón.