La neumonía es una inflamación del tejido pulmonar causada por varios microorganismos infecciosos y factores no infecciosos. Afecta a personas de todas las edades, pero los grupos de edad vulnerables son más susceptibles. Las técnicas de imagen, como las radiografías de tórax (CXRs), son cruciales para la detección temprana y la acción rápida. Las CXRs para esta condición se caracterizan por apariencias radiopacas o a veces una consolidación en la parte afectada del pulmón causada por secreciones inflamatorias que reemplazan el aire en los alvéolos infectados. La detección temprana y precisa de la neumonía es esencial para evitar sus potencialmente fatales consecuencias, especialmente en niños y ancianos. Este documento propone un marco mejorado basado en la arquitectura de red neuronal convolucional (CNN), utilizando específicamente una arquitectura basada en transferencia de aprendizaje (MobileNet V1), que ha superado a modelos recientes. El marco propuesto se mejora utilizando un método híbrido que combina la operación de dos algoritmos de optimización: el optimizador de escarabajos de estiércol (DBO), que mejora la exploración imitando las estrategias de navegación de los escarabajos de estiércol, y el algoritmo de la ley de Fick (FLA), que mejora la explotación guiando las soluciones hacia áreas óptimas. Esta optimización híbrida equilibra eficazmente la exploración y la explotación, mejorando significativamente el rendimiento del modelo. El modelo se entrenó con 7750 imágenes de radiografías de tórax. El marco puede distinguir entre saludable y neumonía, logrando una precisión del 98.19 +/- 0.94% y una sensibilidad del 98 +/- 0.99%. Los resultados son prometedores, lo que indica que este nuevo marco podría usarse para la detección temprana de neumonía con un bajo costo y alta precisión, especialmente en áreas remotas que carecen de experiencia en radiología, reduciendo así la tasa de mortalidad causada por la neumonía.