El cáncer de pulmón es una de las formas de cáncer más prevalentes y mortales, representando una parte significativa de las muertes relacionadas con el cáncer en todo el mundo. Típicamente se origina en los tejidos pulmonares, particularmente en las células que recubren las vías respiratorias, y la detección temprana es crucial para mejorar las tasas de supervivencia de los pacientes. La tomografía computarizada (TC) se ha convertido en una herramienta estándar para el cribado del cáncer de pulmón, proporcionando información detallada sobre las estructuras pulmonares y facilitando la identificación temprana de nódulos cancerosos. En este estudio, se emplea un modelo mejorado de Faster R-CNN para detectar el cáncer de pulmón en etapas tempranas. Para mejorar el rendimiento de Faster R-CNN, se utiliza una nueva arquitectura de CNN multi-escala optimizada con atención dual (DA OMS-CNN) para extraer características representativas de nódulos de diferentes tamaños. Además, se aplica el RoIPooling de atención dual (DA-RoIpooling) en la etapa de clasificación para aumentar la sensibilidad del modelo. En la etapa de reducción de falsos positivos, se diseña una combinación de múltiples transformadores de ventana de desplazamiento 3D (3D SwinT) para reducir los nódulos falsos positivos. El modelo propuesto fue evaluado en los conjuntos de datos LUNA16 y PN9. Los resultados demuestran que la integración de DA OMS-CNN, DA-RoIPooling y 3D SwinT en el marco mejorado de Faster R-CNN logra una sensibilidad del 96.93% y un puntaje CPM de 0.911. Experimentos exhaustivos demuestran que el enfoque propuesto no solo aumenta la sensibilidad en la detección del cáncer de pulmón, sino que también reduce significativamente el número de nódulos falsos positivos. Por lo tanto, el método propuesto puede servir como una referencia valiosa para aplicaciones clínicas.