El cáncer es la segunda causa principal de muerte en todo el mundo, y la tasa de mortalidad por cáncer de pulmón es mucho más alta que la de otros tipos de cáncer. En los últimos años, se han diseñado numerosas técnicas novedosas de diagnóstico asistido por computadora con aprendizaje profundo para detectar el cáncer de pulmón en etapas tempranas. Sin embargo, los modelos de aprendizaje profundo son propensos al sobreajuste, y este problema siempre provoca un rendimiento inferior. Para resolver este problema de las tareas de clasificación del cáncer de pulmón, propusimos un marco híbrido llamado LCGANT. Específicamente, nuestro marco contiene dos partes principales. La primera parte es un GAN convolucional profundo de cáncer de pulmón (LCGAN) para generar imágenes sintéticas de cáncer de pulmón. La segunda parte es un modelo de transferencia de aprendizaje mejorado con regularización llamado VGG-DF para clasificar las imágenes de cáncer de pulmón en tres clases. Nuestro marco logra un resultado de (exactitud), (precisión), (sensibilidad) y (puntuación F1). El resultado alcanza el mejor rendimiento del conjunto de datos para la tarea de clasificación del cáncer de pulmón. El marco propuesto resuelve el problema de sobreajuste para las tareas de clasificación del cáncer de pulmón, y logra un mejor rendimiento que otros métodos de vanguardia.