El Internet de las Cosas (IoT) ha sido influyente en la predicción de enfermedades importantes en la práctica actual. La técnica de aprendizaje profundo (DL) es vital para monitorear y controlar el funcionamiento del sistema de salud y garantizar un proceso de toma de decisiones efectivo. En este estudio, nuestro objetivo fue desarrollar un marco que implemente el IoT y DL para identificar el cáncer de pulmón. La predicción precisa y eficiente de enfermedades es una tarea desafiante. El modelo propuesto despliega un proceso de DL con un modelo de Bayes no local (NL Bayes) de múltiples capas para gestionar el proceso de diagnóstico temprano. El Internet de las Cosas Médicas (IoMT) podría ser útil para determinar factores que podrían permitir la clasificación efectiva de valores de calidad a través del uso de sensores y técnicas de procesamiento de imágenes. Estudiamos el modelo propuesto analizando sus resultados en relación con atributos específicos como precisión, calidad y eficiencia del proceso del sistema. En este estudio, nuestro objetivo fue superar los problemas en el proceso existente a través de los resultados prácticos de un proceso de comparación computacional. El modelo propuesto proporcionó una tasa de error baja (2%, 5%) y un aumento en el número de valores de instancia. Los resultados experimentales nos llevaron a concluir que el modelo propuesto puede hacer predicciones basadas en imágenes con una alta sensibilidad y mejores valores de precisión en comparación con otros resultados específicos. El modelo propuesto logró la precisión esperada (81%, 95%), la especificidad esperada (80%, 98%) y la sensibilidad esperada (80%, 99%). Este modelo es adecuado para sistemas de monitoreo de salud en tiempo real en la predicción del cáncer de pulmón y puede permitir la toma de decisiones efectiva con el uso de técnicas de DL.