La integración del Aprendizaje Profundo y la Inteligencia Artificial Simbólica (IA) ofrece un marco híbrido prometedor para mejorar la precisión diagnóstica y la explicabilidad en aplicaciones críticas como la detección de COVID-19 mediante tomografías computarizadas (TC). Este estudio propone un nuevo modelo híbrido de IA que aprovecha las fortalezas de ambos enfoques: las capacidades de extracción y clasificación de características automatizadas del Aprendizaje Profundo y el razonamiento lógico y la interpretabilidad de la IA Simbólica. Los componentes clave del modelo incluyen el módulo deformable adaptativo, que mejora la extracción de características espaciales al abordar las variaciones en la anatomía pulmonar, y el codificador basado en atención, que mejora la saliencia de las características al centrarse en regiones críticas dentro de las TC. La validación experimental utilizando métricas de rendimiento como la puntuación F1, precisión, exactitud y recuperación demuestra la mejora significativa del modelo sobre las configuraciones base, logrando una precisión casi perfecta (99.16%) y una puntuación F1 (0.9916). Este marco híbrido de IA no solo logra un rendimiento diagnóstico de vanguardia, sino que también asegura la interpretabilidad a través de su capa de razonamiento simbólico, facilitando su adopción en entornos de atención médica. Los hallazgos subrayan el potencial de combinar técnicas avanzadas de aprendizaje automático con enfoques simbólicos para crear sistemas de IA robustos y transparentes para aplicaciones médicas críticas.