La detección de accidentes cerebrovasculares mediante imágenes médicas juega un papel crucial en el diagnóstico temprano y la planificación del tratamiento. En este estudio, proponemos un modelo basado en Redes Neuronales Convolucionales (CNN) para detectar accidentes cerebrovasculares a partir de imágenes de Tomografía Computarizada (TC) del cerebro. El modelo se entrena en un conjunto de datos que consta de 2501 imágenes, incluyendo casos normales y de accidentes cerebrovasculares, y emplea una serie de pasos de preprocesamiento, que incluyen redimensionamiento, normalización, aumento de datos y división en conjuntos de entrenamiento, validación y prueba. La arquitectura de la CNN comprende tres bloques convolucionales seguidos de capas densas optimizadas a través de ajuste de hiperparámetros para maximizar el rendimiento. Nuestro modelo logró una precisión de validación del 97.2%, con valores de precisión y recuperación del 96%, demostrando una alta eficacia en la clasificación de accidentes cerebrovasculares. Además, se utilizaron técnicas de interpretabilidad como Explicaciones Locales de Modelos Independientes de la Técnica (LIME), sensibilidad a la oclusión y mapas de saliencia para visualizar el proceso de toma de decisiones del modelo, mejorando la transparencia y la confianza para su uso clínico. Los resultados sugieren que los modelos de aprendizaje profundo, particularmente las CNN, pueden proporcionar un valioso apoyo a los profesionales médicos en la detección de accidentes cerebrovasculares, ofreciendo tanto un alto rendimiento como interpretabilidad. El modelo demuestra una generalización moderada, logrando una precisión del 89.73% en un conjunto de datos externo, independiente del paciente, de 9900 imágenes de TC, subrayando la necesidad de una mayor optimización en diversos entornos clínicos.