با توجه به نرخ بالای مرگ و میر ناشی از بیماری سرطان سینه در میان زنان، آشکارسازی زودهنگام روشی موثر در تشخیص سریع و هدایت این بیماری و امکان معالجه به موقع و در نتیجه کاهش مرگ و میر می باشد. بسیاری از روش های هوشمند مانند دسته بندی کننده های عصبی که قابلیت یادگیری بر اساس داده های آموزشی را دارند دارای این مشکل اساسی هستند که نحوه و روند دسته بندی در هنگام ارزیابی نا مشخص و گنگ می باشد. به این منظور از دسته بندی کننده های فازی-عصبی به عنوان جایگزینی مناسب می توان نام برد. ولی سیستم های فازی-عصبی با داده هایی با ابعاد بالا مشکل دارند. این مشکل از اینجا ناشی می شود که تعداد قواعد فازی به صورت نمایی نسبت به تعداد ورودی ها افزایش می یابد. در این تحقیق دو سیستم فازی-عصبی سلسله مراتبی و فازی-عصبی پتانسیل گوسین برای حل این مشکل پیشنهاد شده است. کارایی این سیستم ها هم از نظر معیارهای ارزیابی و هم تعداد قواعد و پارامترها با دسته بندی کننده فازی-عصبی مورد مقایسه قرار گرفته است. ارزیابی تمامی الگوریتم ها روی پایگاه داده wbcd انجام شده است. نتایج بدست آمده علاوه بر کاهش تعداد قوانین و پارامترها بیانگر حساسیت، خصوصیت و صحت بالای دسته بندی کننده های پیشنهادی در آشکارسازی سرطان سینه می باشد.