El cáncer es una causa global prominente de mortalidad, principalmente debido a la detección tardía que conduce a opciones de tratamiento limitadas. Los métodos de detección actuales son en su mayoría invasivos e implican procesos complejos y prolongados con altos costos. Además, cada detección típicamente se centra en un solo tipo de cáncer. Esto impone una creciente necesidad de métodos innovadores, precisos y mínimamente invasivos para la detección temprana del cáncer. Con los avances actuales en tecnologías de ensayos y ciencia de datos, las pruebas de detección temprana de múltiples cánceres (MCED) están ganando un interés creciente en la comunidad de investigación, ya que ofrecen el potencial para un diagnóstico más temprano y mejores resultados para los pacientes. Se siguen diferentes enfoques para MCED y se consideran múltiples métodos de aprendizaje automático. En este artículo, exploramos sistemáticamente varios estudios de MCED y sus modelos de aprendizaje automático (ML) aplicados a diferentes tipos de datos de biomarcadores. Discutimos las fortalezas y limitaciones de diferentes diseños de estudio y comparamos su rendimiento. Se proponen direcciones futuras, enfatizando la importancia de integrar datos multi-ómicos, mejorar la transparencia del modelo y fomentar esfuerzos colaborativos para desarrollar herramientas de MCED robustas, rentables y clínicamente aplicables.