La detección de tumores cerebrales es crucial para una planificación de tratamiento efectiva y mejores resultados para los pacientes. Sin embargo, los métodos existentes a menudo enfrentan desafíos, como la limitada interpretabilidad y el desequilibrio de clases en los datos de imágenes médicas. Este estudio presenta una nueva arquitectura de Red Neuronal Convolucional (CNN) personalizada, diseñada específicamente para abordar estos problemas mediante la incorporación de técnicas de interpretabilidad y estrategias para mitigar el desequilibrio de clases. Entrenamos y evaluamos cuatro modelos de CNN (CNN propuesta, ResNetV2, DenseNet201 y VGG16) utilizando un conjunto de datos de MRI de tumores cerebrales, con técnicas de sobremuestreo y ponderación de clases empleadas durante el entrenamiento. Nuestra CNN propuesta logró una precisión del 94.51%, superando a otros modelos en cuanto a precisión, recuperación y F1-Score. Además, la interpretabilidad se mejoró a través de métodos de atribución basados en gradientes y mapas de saliencia, proporcionando valiosos conocimientos sobre el proceso de toma de decisiones del modelo y fomentando la colaboración entre los sistemas de IA y los clínicos. Este enfoque contribuye a un marco altamente preciso e interpretable para la detección de tumores cerebrales, con el potencial de mejorar significativamente la precisión diagnóstica y la planificación de tratamientos personalizados en neuro-oncología.