Como la principal causa de demencia en todo el mundo, la Enfermedad de Alzheimer (EA) ha suscitado un interés significativo en el desarrollo de enfoques de Aprendizaje Profundo (DL) para su clasificación. Sin embargo, actualmente no está claro si estos modelos se basan en indicadores biológicos establecidos. Este trabajo compara un modelo novedoso de DL que utiliza conectividad estructural (específicamente, BC-GCN-SE adaptado de tareas de conectividad funcional) con un modelo establecido que utiliza escáneres de resonancia magnética estructural (MRI) (específicamente, ResNet18). A diferencia de la mayoría de los estudios que se centran principalmente en el rendimiento, nuestro trabajo sitúa la explicabilidad en primer plano. Específicamente, definimos una métrica novedosa de Inteligencia Artificial Explicable (XAI), basada en mapeo de activación de clase ponderada por gradiente. Su objetivo es medir cuantitativamente qué tan efectivamente estos modelos se desempeñan frente a biomarcadores de EA establecidos en la toma de decisiones. La evaluación de XAI se realizó en 132 parcelas cerebrales. Los resultados se compararon con regiones relevantes para la EA para medir la adherencia al conocimiento del dominio. Luego, se evaluaron las diferencias en los patrones de explicabilidad entre los dos modelos para explorar las perspicacias ofrecidas por cada conjunto de datos (es decir, MRI vs. conectividad). El rendimiento de clasificación fue satisfactorio en términos de la mediana de verdaderos positivos (ResNet18: 0.817, BC-GCN-SE: 0.703) y verdaderos negativos (ResNet18: 0.816; BC-GCN-SE: 0.738). Las pruebas estadísticas (< 0.05) y la clasificación de las 15% parcelas más relevantes revelaron la implicación de áreas objetivo: el lóbulo temporal medial para ResNet18 y la red de modo predeterminado para BC-GCN-SE. Además, nuestros hallazgos sugieren que diferentes modalidades de imagen proporcionan información complementaria a los modelos de DL. Esto sienta las bases para avances en bioingeniería en el desarrollo de modelos de DL más completos y confiables, mejorando potencialmente su aplicabilidad como herramientas de apoyo diagnóstico para enfermedades neurodegenerativas.