El cáncer de pulmón se identifica por la proliferación descontrolada de células en los tejidos pulmonares. La detección oportuna de células malignas en los pulmones, crucial para procesos como la provisión de oxígeno y la eliminación de dióxido de carbono en el cuerpo humano, es imperativa. La aplicación de aprendizaje profundo para discernir la implicación de los ganglios linfáticos en tomografías computarizadas y en imágenes histopatológicas ha atraído una atención generalizada debido a su impacto potencial en el diagnóstico y tratamiento de los pacientes. Este artículo sugiere emplear DenseNet para la detección del cáncer de pulmón, aprovechando su capacidad para transmitir características aprendidas hacia atrás a través de cada capa de manera continua. Esta característica no solo reduce los parámetros del modelo, sino que también mejora el aprendizaje de características locales, facilitando una mejor comprensión de la complejidad estructural y la distribución desigual en las tomografías computarizadas y en las imágenes histopatológicas del cáncer. Además, DenseNet acompañado de un mecanismo de atención (ATT-DenseNet) permite que el modelo se enfoque en partes específicas de una imagen, otorgando más peso a las regiones relevantes. En comparación con los algoritmos existentes, el ATT-DenseNet demuestra una mejora notable en precisión, exactitud, recuperación y el F1-Score. Logra una mejora promedio del 20% en precisión, 19.66% en exactitud, 24.33% en recuperación y 22.33% en el F1-Score a través de estas métricas. La motivación detrás de la investigación es aprovechar las tecnologías de aprendizaje profundo para mejorar la precisión y fiabilidad de los diagnósticos de cáncer de pulmón, abordando así la brecha en la detección y tratamiento temprano. Esta búsqueda está impulsada por el potencial de los modelos de aprendizaje profundo, como DenseNet, para proporcionar mejoras significativas en el análisis de imágenes médicas complejas para mejores resultados clínicos.