Mejorar el diagnóstico del cáncer de pulmón requiere métodos precisos de detección temprana. Este estudio presenta un sistema de diagnóstico automatizado que aprovecha las tomografías computarizadas (TC) para la identificación temprana del cáncer de pulmón. El enfoque principal es la integración de tres análisis de características distintas: el novedoso descriptor 3D-Patrón Octal Local (LOP) para análisis de textura, la Red Neuronal Convolucional (CNN) 3D para extraer características profundas y el análisis de características geométricas para caracterizar nódulos pulmonares. El método 3D-LOP captura de manera innovadora la textura del nódulo mediante el análisis de la orientación y magnitud de las relaciones de los voxels, permitiendo la distinción de características discriminativas. Simultáneamente, la CNN 3D extrae características profundas de las TC crudas, proporcionando información completa sobre las características del nódulo. Las características geométricas y la evaluación de la forma del nódulo complementan aún más este análisis, ofreciendo una visión holística de posibles malignidades. Al amalgamar estos análisis, nuestro sistema emplea un clasificador lineal basado en probabilidades para ofrecer un resultado diagnóstico final. Validado en 822 casos de la Base de Datos de Imágenes Pulmonares del Consorcio (LIDC), el rendimiento del sistema fue excepcional, con medidas de , , , y para precisión, sensibilidad, especificidad y Área Bajo la Curva ROC (AUC), respectivamente. Estos resultados resaltan el potencial del sistema como un avance significativo en diagnósticos clínicos, ofreciendo una herramienta confiable y no invasiva para la detección del cáncer de pulmón que promete mejorar los resultados de los pacientes a través de un diagnóstico temprano.