La detección temprana es crucial para la supervivencia y recuperación de los pacientes con cáncer de pulmón. Un sistema de diagnóstico asistido por computadora puede ayudar en el diagnóstico temprano del cáncer de pulmón al proporcionar apoyo en la toma de decisiones. Mientras que los métodos de aprendizaje profundo se están aplicando cada vez más a tareas como el CAD (sistema de diagnóstico asistido por computadora), estos modelos carecen de interpretabilidad. En este documento, proponemos un modelo de red neuronal convolucional que combina características semánticas (SCCNN) para predecir si un nódulo pulmonar dado es maligno. El modelo sintetiza las ventajas de los módulos de múltiples vistas, múltiples tareas y atención para simular completamente el proceso de diagnóstico real de los radiólogos. Las muestras de nódulos pulmonares de múltiples vistas en 3D (tridimensionales) se extraen mediante un método de muestreo espacial. Mientras tanto, las características semánticas comúnmente utilizadas en informes de radiología se utilizan como tarea auxiliar y sirven para explicar cómo interpreta el modelo. La introducción del módulo de atención en la etapa de fusión de características mejora la clasificación de los nódulos pulmonares como benignos o malignos. Nuestros resultados experimentales utilizando el LIDC-IDRI (Consorcio de Base de Datos de Imágenes Pulmonares e Iniciativa de Recursos de Base de Datos de Imágenes) muestran que este estudio logra una precisión del 95.45% y un área de curva ROC (Característica Operativa del Receptor) del 97.26%. Los resultados muestran que el método que propusimos no solo realiza la clasificación de benigno y maligno en comparación con los enfoques estándar de CNN en 3D, sino que también se puede utilizar para explicar de manera intuitiva cómo el modelo realiza predicciones, lo que puede ayudar en el diagnóstico clínico.