El cáncer de pulmón es un importante desafío de salud global y la principal causa de mortalidad relacionada con el cáncer, debido a sus altas tasas de morbilidad y mortalidad. Un diagnóstico temprano y preciso es crucial para mejorar los resultados de los pacientes. La tomografía computarizada (TC) juega un papel vital en la detección, y el aprendizaje profundo (DL) ha surgido como una herramienta transformadora para mejorar la precisión diagnóstica y permitir la identificación temprana. Esta revisión sistemática examinó los avances, desafíos e implicaciones clínicas del DL en el diagnóstico de cáncer de pulmón a través de la imagenología por TC, centrándose en el rendimiento del modelo, la variabilidad de los datos, la generalizabilidad y la integración clínica. Siguiendo las pautas de 2020 para la presentación de informes preferidos para revisiones sistemáticas y metaanálisis (PRISMA), analizamos 1448 artículos publicados entre 2015 y 2024. Estos artículos se obtuvieron de importantes bases de datos científicas, incluyendo el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE), Scopus, Springer, PubMed y el Instituto de Publicación Digital Multidisciplinaria (MDPI). Después de aplicar criterios de inclusión y exclusión rigurosos, seleccionamos 80 artículos para revisión y análisis. Nuestro análisis evaluó las metodologías de DL para la detección, segmentación y clasificación de nódulos pulmonares, identificó limitaciones metodológicas y examinó los desafíos para la adopción clínica. Los modelos de aprendizaje profundo (DL) demostraron alta precisión, logrando tasas de detección de nódulos que superan el 95% (con una tasa máxima de falsos positivos de 4 por escaneo) y una precisión de clasificación del 99% (sensibilidad: 98%). Sin embargo, persisten desafíos, incluyendo la escasez de conjuntos de datos, la variabilidad en la anotación y la generalizabilidad de la población. Las arquitecturas híbridas, como las redes neuronales convolucionales (CNN) y los transformadores, muestran promesas en la mejora de la localización de nódulos. No obstante, menos del 15% de los estudios validaron modelos utilizando conjuntos de datos multicéntricos o datos demográficos diversos. Si bien el DL exhibe un potencial significativo para el diagnóstico de cáncer de pulmón, las limitaciones en la reproducibilidad y la aplicabilidad en el mundo real obstaculizan su traducción clínica. La investigación futura debería priorizar marcos de inteligencia artificial (IA) explicables, integración multimodal y validación externa rigurosa en diversos entornos clínicos y poblaciones de pacientes para cerrar la brecha entre la innovación teórica y el despliegue práctico.