یکی از بیماری های شایع در جوامع امروزی، سرطان است. تشخیص و درمان سریع آن اهمیت حیاتی دارد و شناسایی افراد در معرض ابتلاء، یکی از اهداف مهم در تحقیقات سرطان است. تشخیص بیماری سرطان همواره کار آسانی نیست. اخیراً داده های توصیف ژنی برای تشخیص بیماری سرطان بکار گرفته شده اند که این نوع داده ها از آزمایشات میکروآرایه استخراج می شوند. تعداد زیاد ژن ها و تعداد نمونه های کم بدلیل محدودیت در انجام آزمایشات، موجب پیچیدگی استخراج دانش از این نوع مجموعه داده ها شده است. در این پژوهش یک دسته بند فازی برای حل مسأله ی تشخیص بیماری سرطان مبتنی بر داده های توصیف ژنی ارائه شده است. در این دسته بند، دانش خروجی به صورت قوانین فازی نمایش داده می شود. توانایی سیستم های فازی در مدل کردن ابهام و قابل تفسیر بودن دانش خروجی کمک می کند تا راهکار پیشنهادی توسط متخصصان پزشکی قابل فهم باشد. اما مفهوم قابلیت تفسیر و کارایی با یکدیگر نسبت عکس دارند که یکی از چالش های این پژوهش می باشد. یک سیستم فازی متشکل از مولفه های مبدل فازی، یادگیرنده ی قانون و مفسر فازی می باشد. در مبدل فازی ویژگی های مجموعه داده ای برای سادگی نرمال می شوند. مولفه ی یادگیرنده ی قانون از الگوریتم مِمِتیک برای استخراج قانون بهره می برد. الگوریتم های ممتیک مشابه با الگوریتم های ژنتیک هستند با این تفاوت که جستجوی محلی قدرت اکتشاف الگوریتم را افزایش می دهد. در مولفه ی مفسر فازی، به منظور دسته بندی نمونه های آزمون روش استنتاج مبتنی بر معیار شباهت پیشنهاد شده است. نتایج ارزیابی روی مجموعه داده ی تومورهای سرطانی نشان می دهد که راهکار پیشنهادی توانسته است مصالحه ای قابل قبول میان قابلیت تفسیر و کارایی برقرار کند. نتایج ارزیابی ها نشان می دهد که الگوریتم دارای کارایی قابل قبولی بر روی مجموعه داده فوق بوده و از لحاظ قابلیت تفسیر نیز قابل رقابت با روش های تفسیر پذیر می باشد.