Este trabajo propone un sistema de diagnóstico automatizado para enfermedades pulmonares mediante el uso de redes neuronales convolucionales (CNN) aplicadas a radiografías de tórax. El estudio se centra en cuatro patologías de alta incidencia clínica: cardiomegalia, neumotórax, engrosamiento pleural y nódulo pulmonar. Ante la carencia de radiólogos en entornos clínicos vulnerables, se busca ofrecer una herramienta que brinde soporte diagnóstico confiable y explicable. Se utilizó el conjunto de datos público ChestX-ray14, que contiene más de 100,000 imágenes con etiquetas clínicas. Se aplicaron técnicas de preprocesamiento y etiquetado multiclase, seguidas de la implementación de tres arquitecturas CNN de referencia: DenseNet121, MobileNetV2 y ResNet50. Estas se entrenaron y evaluaron utilizando métricas como accuracy, recall y F1-score. El estudio integra la técnica Grad-CAM para la generación de mapas de activación que permiten interpretar visualmente qué zonas de la imagen influyeron en la predicción del modelo. Esta funcionalidad es clave para incrementar la confianza clínica y facilitar la validación de los resultados. Se llevó a cabo una comparativa exhaustiva entre las tres arquitecturas, evaluando su rendimiento cuantitativo y su capacidad de explicabilidad visual. DenseNet121 demostró un enfoque más preciso sobre regiones afectadas, mientras que ResNet50 ofreció un equilibrio entre precisión y activación visual coherente. MobileNetV2, aunque eficiente computacionalmente, mostró limitaciones en la focalización de algunas patologías. Finalmente, se discutieron las limitaciones del sistema y se propusieron líneas futuras, como la integración de segmentación, el uso de etiquetas clínicas expertas y la validación en escenarios hospitalarios reales.