El aprendizaje automático explicativo es un nuevo dominio emergente fundamental para aplicaciones del mundo real confiables. La falta de confianza y comprensión son los principales inconvenientes de los modelos de aprendizaje profundo cuando se aplican a sistemas de decisión del mundo real y tareas de predicción. Tales modelos se consideran como cajas negras porque no pueden explicar las razones de sus predicciones en términos humanos; por lo tanto, no pueden ser universalmente confiables. En aplicaciones críticas del mundo real, como en las médicas, legales y financieras, se considera crucialmente significativa y obligatoria una explicación de las decisiones del modelo de aprendizaje automático (ML) para adquirir confianza y evitar errores fatales de ML, que podrían perturbar la seguridad, los derechos y la salud humanos. Sin embargo, los modelos explicativos son más a menudo menos precisos; por lo tanto, es esencial inventar nuevas metodologías para crear predictores interpretables que sean casi tan precisos como los de caja negra. En este trabajo, proponemos un nuevo marco de extracción y predicción de características explicativas aplicado al reconocimiento de imágenes 3D. En particular, proponemos un nuevo conjunto de características explicativas basadas en conceptos matemáticos y geométricos, como líneas, vértices, contornos y el tamaño del área de los objetos. Estas características se calculan en base a los contornos extraídos de cada corte de imagen 3D de entrada. Para validar la eficiencia del enfoque propuesto, lo aplicamos a una aplicación crítica del mundo real: la detección de neumonía basada en imágenes 3D de TC. En nuestros resultados experimentales, el marco de predicción de caja blanca propuesto logra un rendimiento similar o ligeramente mejor que los modelos de caja negra 3D-CNN de última generación. Teniendo en cuenta que el enfoque propuesto es explicativo, dicho rendimiento es particularmente significativo.