摘要
肺炎是导致儿童死亡的主要原因之一，尤其在经济欠发达地区更为突出。尽管肺炎可通过简单设备和基础药物进行检测与治疗，但在发展中国家，其早期识别仍面临严峻挑战。计算机辅助诊断（CAD）系统因其相较于专业医疗专家更低的运营成本，成为此类地区极具潜力的解决方案。本文提出一种基于深度学习与元启发式算法的CAD系统，用于从胸部X光片中自动检测肺炎。首先，我们从在目标肺炎数据集上微调过的预训练ResNet50模型中提取深层特征。随后，提出一种基于粒子群优化（PSO）的特征选择方法，该方法通过引入记忆自适应参数进行改进，并在个体智能体中融入利他行为机制，从而增强算法的搜索能力与全局收敛性。该方法被命名为自适应利他粒子群优化（Adaptive and Altruistic PSO, AAPSO）。所提方法能够有效剔除ResNet50模型提取出的冗余或非信息性特征，显著提升整体诊断框架对肺炎的识别能力。在公开可用的肺炎数据集上开展的大量实验与深入分析表明，所提出的AAPSO方法在多项性能指标上均优于当前主流的肺炎检测框架。此外，为验证该方法的通用性，我们进一步将其应用于多个标准UCI数据集、癌症基因表达预测数据集以及新冠（COVID-19）预测数据集。实验结果表明，AAPSO在各类实际问题中均表现出良好的适应性与优越性能，充分验证了其在解决复杂现实问题中的实用价值。本研究的相关源代码已开源，可通过以下链接获取：https://github.com/rishavpramanik/AAPSO