La clasificación multi-clase es una tarea fundamental en Aprendizaje Automático. Sin embargo, los modelos complejos pueden ser vistos como cajas negras, lo que dificulta obtener información sobre cómo el modelo realiza sus predicciones y construir confianza en su proceso de toma de decisiones. Este documento presenta un método novedoso llamado Multi-Class Fuzzy-LORE (mcFuzzy-LORE) para explicar las decisiones tomadas por clasificadores basados en lógica difusa de múltiples clases como Bosques Aleatorios Difusos (FRF). mcFuzzy-LORE es una adaptación del método Fuzzy-LORE que utiliza árboles de decisión difusos como alternativa a los árboles de decisión clásicos, proporcionando reglas interpretables y legibles por humanos que describen el razonamiento detrás de la decisión del modelo para una entrada específica. El método propuesto fue evaluado en un conjunto de datos privado que se utilizó para entrenar un clasificador multi-clase basado en FRF que evalúa el riesgo de desarrollar retinopatía diabética en pacientes diabéticos. Los resultados muestran que mcFuzzy-LORE supera a los métodos previos basados en LORE clásicos en la generación de instancias contrafácticas.