Los avances en el aprendizaje profundo y la disponibilidad de datos de imágenes médicas han llevado al uso de arquitecturas basadas en CNN en sistemas de asistencia diagnóstica de enfermedades. A pesar del uso abundante de pruebas basadas en la reacción en cadena de la polimerasa de transcriptasa inversa en el diagnóstico de COVID-19, las imágenes de TC ofrecen un suplemento aplicable con sus altas tasas de sensibilidad. Aquí, estudiamos la clasificación de neumonía por COVID-19 y neumonía no COVID-19 en escáneres de TC de tórax utilizando métodos eficientes de aprendizaje profundo para ser implementados fácilmente por cualquier hospital. Informamos sobre el diseño de nuestro marco de red profunda que abarca redes neuronales convolucionales y arquitecturas de memoria a corto y largo plazo bidireccionales. Nuestro estudio logró una alta especificidad (neumonía por COVID-19: 98,3%, neumonía no COVID-19: 96,2% Saludable: 89,3%) y una alta sensibilidad (neumonía por COVID-19: 84,0%, neumonía no COVID-19: 93,9% Saludable: 94,9%) en la clasificación de neumonía por COVID-19, neumonía no COVID-19 y pacientes sanos. A continuación, proporcionamos explicaciones visuales para las predicciones de la Red Neuronal Convolucional con mapeo de activación de clase ponderada por gradiente (Grad-CAM). Los resultados proporcionaron una explicabilidad del modelo al mostrar que las opacidades en vidrio esmerilado, indicadores de la enfermedad de neumonía por COVID-19, fueron capturadas por nuestra red neuronal convolucional. Finalmente, hemos implementado nuestro enfoque en tres hospitales, demostrando su compatibilidad y eficiencia.