La opacidad del aprendizaje profundo hace que su aplicación sea desafiante en el campo médico. Por lo tanto, es necesario habilitar la inteligencia artificial explicativa (XAI) en el campo médico para garantizar que los modelos y sus resultados puedan explicarse de una manera que los humanos puedan entender. Este estudio utiliza un modelo de algoritmo de visión por computadora de alta precisión para transferir aprendizaje a tareas de texto médico y utiliza el método de visualización explicativa conocido como mapeo de activación de clase ponderada por gradiente (Grad-CAM) para generar mapas de calor y garantizar que la base para la toma de decisiones se pueda proporcionar de manera intuitiva o a través del modelo. El sistema consta de cuatro módulos: preprocesamiento, incrustación de palabras, clasificador y visualización. Utilizamos Word2Vec y BERT para comparar incrustaciones de palabras y usamos ResNet y redes neuronales convolucionales (CNN) de 1 dimensión para comparar clasificadores. Finalmente, se utilizó Bi-LSTM para realizar la clasificación de texto para una comparación directa. Con 25 épocas, el modelo que utilizó ResNet preentrenado en el texto formalizado presentó el mejor rendimiento (recuperación del 90.9%, precisión del 91.1% y un puntaje F1 del 90.2% ponderado). Este estudio utiliza ResNet para procesar textos médicos a través de inteligencia artificial explicativa basada en Grad-CAM y obtiene un efecto de clasificación de alta precisión; al mismo tiempo, a través de la visualización de Grad-CAM, muestra de manera intuitiva las palabras a las que el modelo presta atención al realizar predicciones.