Los modelos basados en IA han mostrado resultados prometedores en el diagnóstico de enfermedades oculares basadas en múltiples fuentes de datos recopilados de sistemas médicos de IOT. Sin embargo, existen preocupaciones sobre su generalización y robustez, ya que estos métodos son propensos al sobreajuste de conjuntos de datos específicos. El desarrollo de técnicas de Inteligencia Artificial Explicable (XAI) ha abordado el problema de la caja negra de los modelos de aprendizaje automático y aprendizaje profundo, lo que puede mejorar la interpretabilidad y confiabilidad y optimizar su rendimiento en el mundo real. La degeneración macular relacionada con la edad (AMD) es actualmente la principal causa de pérdida de visión entre las personas mayores. En este estudio, se aplicaron métodos de XAI para detectar AMD utilizando diversas modalidades de imágenes oftálmicas recopiladas de sistemas médicos de IOT, como la fotografía en color del fondo de ojo (CFP), la tomografía de coherencia óptica (OCT), imágenes de fondo de ojo ultra-anchas (UWF) y la angiografía de fondo de ojo con fluoresceína (FAF). Se propusieron un modelo de aprendizaje profundo optimizado (DL) y sistemas novedosos de identificación de AMD basados en las ideas extraídas por XAI. Los hallazgos de este estudio demuestran que XAI no solo tiene el potencial de mejorar la transparencia, confiabilidad y confiabilidad de los modelos de IA para aplicaciones oftálmicas, sino que también tiene ventajas significativas para mejorar el rendimiento robusto de estos modelos. XAI podría desempeñar un papel crucial en la promoción de la oftalmología inteligente y ser una de las técnicas más importantes para evaluar y mejorar los sistemas de IA oftálmica.