El cáncer de pulmón, el segundo tipo de cáncer más común en todo el mundo, presenta importantes desafíos de salud. La detección temprana de esta enfermedad es esencial para mejorar los resultados de los pacientes y simplificar el tratamiento. En este estudio, proponemos un marco híbrido que combina el aprendizaje profundo (DL) con la computación cuántica para mejorar la precisión de la detección de cáncer de pulmón utilizando radiografías de tórax (CXR) e imágenes de tomografía computarizada (CT). Nuestro sistema utiliza modelos pre-entrenados para la extracción de características y circuitos cuánticos para la clasificación, logrando un rendimiento de vanguardia en diversas métricas. No solo nuestro sistema logra una precisión general del 92.12%, sino que también destaca en otras medidas de rendimiento cruciales, como la sensibilidad (94%), la especificidad (90%), la puntuación F1 (93%) y la precisión (92%). Estos resultados demuestran que nuestro enfoque híbrido puede identificar con mayor precisión las señales de cáncer de pulmón en comparación con los métodos tradicionales. Además, la incorporación de la computación cuántica mejora la velocidad de procesamiento y la escalabilidad, convirtiendo nuestro sistema en una herramienta prometedora para el cribado y diagnóstico temprano del cáncer de pulmón. Al aprovechar las fortalezas de la computación cuántica, nuestro enfoque supera a los métodos tradicionales en cuanto a velocidad, precisión y eficiencia. Este estudio destaca el potencial de las tecnologías computacionales híbridas para transformar la detección temprana del cáncer, abriendo el camino para aplicaciones clínicas más amplias y mejores resultados en la atención al paciente.