Detectar nódulos pulmonares malignos a partir de tomografías computarizadas (TC) es una tarea difícil y que consume mucho tiempo para los radiólogos. Para aliviar esta carga, se han propuesto sistemas de diagnóstico asistido por computadora (CAD). En los últimos años, los enfoques de aprendizaje profundo han mostrado resultados impresionantes superando a los métodos clásicos en varios campos. Hoy en día, los investigadores están probando diferentes técnicas de aprendizaje profundo para aumentar el rendimiento de los sistemas CAD en la detección de cáncer de pulmón con tomografía computarizada. En este trabajo, revisamos los algoritmos y arquitecturas de aprendizaje profundo más avanzados propuestos como sistemas CAD para la detección de cáncer de pulmón. Se dividen en dos categorías: (1) Sistemas de detección de nódulos, que detectan nódulos candidatos a partir de la TC original; y (2) Sistemas de reducción de falsos positivos, que clasifican los nódulos candidatos dados en tumores benignos o malignos. Se presentan las principales características de las diferentes técnicas y se analiza su rendimiento. También se presentan los conjuntos de datos de TC pulmonar disponibles para la investigación. Se presenta y se discute la comparación entre las diferentes técnicas.