Pneumonie ist eine der Hauptursachen für kindliche Sterblichkeit, insbesondere in einkommensschwachen Regionen der Welt. Obwohl Pneumonie mit relativ einfachen Geräten und Medikamenten erkannt und behandelt werden kann, bleibt ihre Diagnose in Entwicklungsländern weiterhin eine große Herausforderung. Computergestützte Diagnosesysteme (Computer-Aided Diagnosis, CAD) eignen sich besonders für solche Länder aufgrund ihrer geringeren Betriebskosten im Vergleich zu Fachärzten. In diesem Artikel präsentieren wir ein CAD-System zur Pneumoniediagnose aus Thorax-Röntgenaufnahmen, das auf Konzepten des Deep Learning und einem Meta-Heuristik-Algorithmus basiert. Zunächst extrahieren wir tiefe Merkmale aus dem vortrainierten ResNet50-Modell, das an einem spezifischen Pneumonie-Datensatz feinabgestimmt wurde. Anschließend stellen wir eine Merkmalsauswahltechnik vor, die auf dem Partikelschwarm-Optimierungsverfahren (Particle Swarm Optimization, PSO) basiert und durch einen speicherbasierten Anpassungsparameter verbessert sowie durch die Einbeziehung eines altruistischen Verhaltens der Agenten erweitert wurde. Wir bezeichnen unsere Methode als adaptives und altruistisches PSO (AAPSO). Die vorgeschlagene Methode eliminiert erfolgreich nicht-informative Merkmale, die aus dem ResNet50-Modell stammen, und verbessert dadurch die Fähigkeit des Gesamtsystems zur Pneumoniediagnose. Umfassende Experimente und detaillierte Analysen an einem öffentlich verfügbaren Pneumonie-Datensatz belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber mehreren anderen Frameworks zur Pneumoniediagnose. Neben der Anwendung auf die Pneumoniediagnose wird AAPSO zudem an mehreren Standard-UCI-Datensätzen, Gen-Ausdrucksdatensätzen zur Krebsvorhersage sowie an einem Datensatz zur Vorhersage von COVID-19 evaluiert. Die Gesamtergebnisse sind zufriedenstellend und bestätigen die Nützlichkeit von AAPSO bei der Lösung vielfältiger realer Probleme. Der unterstützende Quellcode dieses Werkes ist unter https://github.com/rishavpramanik/AAPSO verfügbar.