Este estudio presenta un nuevo Módulo de Atención de Bloque de Convolución Dinámica Mejorada con Atención Semántica (CBAM) Transformer (DSC-Transformer) para la clasificación de imágenes de ultrasonido de ganglios linfáticos. El modelo integra la extracción de características semánticas y mecanismos de atención multi-escala con la arquitectura del Transformer Swin, lo que permite un procesamiento eficiente de regiones significativas desde el punto de vista diagnóstico mientras suprime el ruido. Las innovaciones clave incluyen preprocesamiento impulsado por semántica para un enfoque diagnóstico localizado, compresión adaptativa para escenarios con limitación de ancho de banda y módulos de atención multi-escala para capturar tanto el contexto anatómico global como los detalles de textura locales. La efectividad del modelo se valida a través de experimentos exhaustivos en conjuntos de datos diversos y visualizaciones del Módulo de Atención Grad-CAM (CAM), demostrando un rendimiento de clasificación superior al tiempo que mantiene una alta eficiencia en entornos de diagnóstico remoto. Esta mejora de atención semántica hace que el DSC-Transformer sea particularmente efectivo para aplicaciones de telemedicina, representando un avance significativo en el análisis de imágenes médicas impulsado por IA con amplias implicaciones para el despliegue de telemedicina.