El campo de la inteligencia artificial explicativa (XAI) tiene como objetivo construir métodos de aprendizaje automático (o aprendizaje profundo) explicables e interpretables sin sacrificar el rendimiento de predicción. Las redes neuronales convolucionales (CNN) han tenido éxito en hacer predicciones, especialmente en la clasificación de imágenes. Estos éxitos populares y bien documentados utilizan CNN extremadamente profundas como VGG16, DenseNet121 y Xception. Sin embargo, estos modelos de aprendizaje profundo bien conocidos utilizan decenas de millones de parámetros basados en un gran número de filtros preentrenados que han sido reutilizados de conjuntos de datos anteriores. Entre estos filtros identificados, una gran parte no contiene información pero permanece como características de entrada. Hasta ahora, no existe un método efectivo para omitir estas características ruidosas de un conjunto de datos, y su existencia impacta negativamente en el rendimiento de predicción. En este artículo, se introduce una red neuronal convolucional basada en interacciones (ICNN) que no hace suposiciones sobre la relevancia de la información local. En su lugar, se propone un puntaje de influencia (I-score) sin modelo para extraer directamente la información influyente de las imágenes y formar módulos de variables importantes. Esta técnica innovadora reemplaza todos los filtros preentrenados encontrados por prueba y error con conjuntos variables (módulos) explicables, influyentes y predictivos determinados por el I-score. En otras palabras, los futuros investigadores no necesitan depender de filtros preentrenados; el algoritmo sugerido identifica solo las variables o píxeles con altos valores de I-score que son extremadamente predictivos e importantes. El método y algoritmo propuestos fueron probados en un conjunto de datos del mundo real y se logró un rendimiento de predicción de vanguardia del 99.8% sin sacrificar el poder explicativo del modelo. Este diseño propuesto puede cribar eficientemente a los pacientes infectados por COVID-19 antes del diagnóstico humano y puede ser un punto de referencia para abordar futuros problemas de XAI en conjuntos de datos a gran escala.