La llegada del aprendizaje profundo (DL) ha revolucionado la imagen médica, ofreciendo avenidas sin precedentes para la clasificación y diagnóstico preciso de enfermedades. Los modelos de DL han mostrado una notable promesa para clasificar tumores cerebrales a partir de escaneos de Resonancia Magnética (MRI). Sin embargo, a pesar de su impresionante rendimiento, la naturaleza opaca de los modelos de DL plantea desafíos para entender sus mecanismos de toma de decisiones, lo cual es particularmente crucial en contextos médicos donde la interpretabilidad es esencial. Este artículo explora la intersección del análisis de imágenes médicas y la interpretabilidad del DL, con el objetivo de elucidar la lógica de toma de decisiones de los modelos de DL en la clasificación de tumores cerebrales. Aprovechando diez marcos de DL de última generación con aprendizaje por transferencia, realizamos una evaluación integral que abarca tanto la precisión de clasificación como la interpretabilidad. Estos modelos fueron sometidos a un exhaustivo entrenamiento, prueba y ajuste, resultando en que EfficientNetB0, DenseNet121 y Xception superaron a los otros modelos. Estos modelos de mejor rendimiento fueron examinados utilizando técnicas adaptativas basadas en rutas para entender los mecanismos subyacentes de toma de decisiones. Grad-CAM y Grad-CAM++ destacaron regiones críticas de la imagen donde los modelos identificaron patrones y características asociadas con cada clase de tumor cerebral. Las regiones donde los modelos identificaron patrones y características corresponden visualmente a las regiones donde se encuentran los tumores en las imágenes. Este resultado muestra que los modelos de DL aprenden características y patrones importantes en las regiones donde se encuentran los tumores para la toma de decisiones.