El cáncer de pulmón puede ser descubierto en una etapa temprana para mejorar la supervivencia del paciente. Sin embargo, las herramientas de detección existentes son intensivas en recursos e inaccesibles en países de bajos recursos. Este documento presenta un modelo de aprendizaje automático que utiliza un enfoque de conjunto para predecir el cáncer de pulmón a partir de un conjunto de datos basado en encuestas de individuos según los síntomas. El método sugerido aprovecha los datos desbalanceados utilizando aprendizaje ponderado por clases y una división estratificada de entrenamiento-validación-prueba para prevenir la fuga de datos y optimizando el umbral de decisión en el conjunto de validación para maximizar la sensibilidad clínica. Se probaron varios modelos de conjunto, y CatBoost logró el mejor rendimiento de validación. El modelo optimizado alcanzó una precisión y un ROC-AUC de 95.16 y 93.75, respectivamente, en el conjunto de prueba reservado, con un recuerdo perfecto y sin falsos negativos. Análisis extensos, incluyendo calibración, análisis de subgrupos, análisis de rendimiento, análisis de importancia de características y evidencia de estratificación de riesgos, demuestran la solidez y legibilidad del marco propuesto. Los hallazgos anteriores sugieren que los modelos de aprendizaje en conjunto basados en síntomas pueden ser útiles como medidas complementarias para la evaluación inicial del riesgo y el triaje clínico del cáncer de pulmón.