Con la evolución de la patología digital moderna, el examen de tejidos de células cancerosas ha allanado el camino para cuantificar síntomas sutiles, por ejemplo, mediante procedimientos de tinción de imágenes utilizando Eosina y Hematoxilina. Los tejidos cancerosos en el caso del cáncer de mama y pulmón son bastante desafiantes de examinar mediante análisis manual de expertos de pacientes que padecen cáncer. Simplemente confiar en las características observables por histopatólogos para el perfilado celular puede limitar la escala y calidad diagnóstica debido a la repetición tediosa con concentración constante. Por lo tanto, se ha propuesto el análisis automático de células cancerosas con técnicas algorítmicas y de cómputo suave para aprovechar la velocidad y confiabilidad. La novedad del artículo radica en la utilidad de los momentos de imagen de Zernike para extraer características complejas de imágenes de células cancerosas y utilizar redes neuronales simples para la clasificación, seguido de la explicabilidad de los resultados de prueba utilizando la técnica de Explicaciones Model-Agnostic Interpretables Local (LIME) e Inteligencia Artificial Explicable (XAI). El flujo de trabajo general de la estrategia de alto rendimiento propuesta implica adquirir el conjunto de datos públicos BreakHis, que consta de imágenes microscópicas, seguido por la aplicación de técnicas de procesamiento de imágenes y aprendizaje automático. La técnica recomendada ha sido matemáticamente fundamentada y comparada con el estado del arte para justificar la base empírica en la búsqueda de nuestro descubrimiento algorítmico. El sistema propuesto es capaz de clasificar imágenes de células cancerosas malignas y benignas de resolución 40x con una tasa de reconocimiento del 100%. XAI interpreta y razona los resultados de prueba obtenidos del modelo de aprendizaje automático, haciéndolo confiable y transparente para el análisis y ajuste de parámetros.