La enfermedad de Alzheimer (EA) es una condición neurodegenerativa que deteriora gradualmente la memoria y las habilidades cognitivas, lo que representa un desafío significativo para la salud global. Aunque las redes neuronales convolucionales (CNN) aplicadas a la resonancia magnética estructural (RM) han logrado una alta precisión diagnóstica, sus procesos de toma de decisiones a menudo carecen de transparencia, lo que puede limitar la confianza clínica. Este estudio presenta un marco de evaluación estructurado al aplicar múltiples métodos de interpretabilidad basados en gradientes y agnósticos al modelo, como Grad-CAM, Grad-CAM++, HiRes-CAM, retropropagación, retropropagación guiada, Kernel SHAP, LIME y RISE, a arquitecturas de CNN preentrenadas y personalizadas para la clasificación de EA. Utilizamos el conjunto de datos de RM de ADNI y evaluamos los modelos en función de la precisión, sensibilidad, especificidad y alineación visual de las regiones cerebrales resaltadas con biomarcadores establecidos. Al analizar tanto el rendimiento predictivo como la validez de la explicación, este estudio tiene como objetivo ayudar a los clínicos a realizar diagnósticos informados, fortaleciendo en última instancia la confianza en las herramientas asistidas por IA.