Рак легких представляет собой значительную проблему для здравоохранения как в Казахстане, так и в мире, являясь одной из самых смертельных форм рака. Диагностика рака легких сложна, так как симптомы часто остаются незаметными на ранних стадиях. Более того, рак легких имеет общие клинические признаки с различными другими легочными заболеваниями, что усложняет его точное выявление. Точная диагностика обычно требует прокола легкого для последующей биопсии, что является высокоинвазивной и болезненной процедурой для пациента. Поэтому крайне важно отличать ложноположительные случаи на этапе диагностики с использованием компьютерной томографии. Мы провели сравнительный анализ пяти моделей машинного обучения (логистическая регрессия, решающее дерево, случайный лес, метод опорных векторов и наивный байесовский алгоритм) на основе радиологических признаков, извлеченных из аннотированных компьютерных томографий. Мы выбрали классические методы машинного обучения, потому что их процесс принятия решений легче контролировать по сравнению с нейронными сетями. Мы оценили модели с точки зрения бинарной и многоклассовой классификации, чтобы определить, связано ли данное образование с кальцификацией или раком, а также его классификацию согласно Lung-RADS, что позволяет решить, требуется ли дальнейшая биопсия или достаточно только рутинного наблюдения. Мы использовали метрику Precision для оценки количества ложноположительных предсказаний в задаче бинарной классификации. Precision стал ключевой метрикой в нашей оценке, предоставляя информацию о количестве ложноположительных предсказаний именно в задаче бинарной классификации. Для аспекта многоклассовой классификации мы обратились к Quadratic Kappa, надежной мере, учитывающей порядковый характер классов Lung-RADS. Наш анализ основывался на комбинации местных казахстанских данных и общедоступного набора данных LIDC-IDRI, подчеркивая нашу приверженность использованию разнообразных источников данных для улучшения диагностических возможностей.