یکی از برجسته ترین مزایای روش پرتودرمانی هدایت شده با تصویر، توانایی درمان تومورهای متحرکِ واقع در ناحیۀ قفسۀ سینه و شکم است. در پرتودرمانی به کمک نشانگرهای خارجی، تعقیب زمان- واقعی تومور به وسیلۀ مدل های پیش بین انجام می شود. اخیراً مدل های پیش بین هوشمند، مثل مدل های مبتنی بر شبکۀ عصبیِ مصنوعی، سیستم فازی و سیستم فازی-عصبی، به دلیل توانایی هایشان در پیش بینی حرکت تومور، بیش از پیش در کاربردهای بالینی مورد توجه قرار گرفته اند. دقت یک مدل پیش بین نقش مهمی در دقت هدف یابی سیستم پرتودرمانی هدایت شده با تصویر، بازی می کند. به منظور پرهیز از پیچیدگی مدل ساخته شدۀ فازی-عصبی، یک الگوریتم پیش پردازش داده مورد نیاز است تا تعداد بهینه ورودی ها را تعیین کند و تعادلی میان عملکرد مدل و پیچیدگی آن برقرار نماید. علاوه بر این، الگوریتم بهینه سازی با کاهش ابعاد مسئله و بنابراین ساده تر کردن ساختار مدل، موجب کاهش قابل توجهی در زمان لازم برای ایجاد مدل می شود و تعقیب زمان-واقعی تومور که در طول درمان بسیار حیاتی است، حاصل می شود. در این پژوهش، ما سه مدل پیش بین مختلف ایجاد کرده ایم و پس از معرفی قابلیت های این مدل ها، با استفاده از معیارهای مختلفی به مقایسه عملکرد آن ها پرداخته ایم و در نهایت به مدلی با عملکرد قابل توجه رسیده ایم. در ابتدا، روش جدیدی برای افزایش دقت هدف یابی یک مدل پیش بین فازی-عصبی با کمک بخشی از دیتاست، به عنوان دادۀ سنجش پیشنهاد شده و در مرحلۀ بعد از الگوریتم رقابت استعماری به عنوان یک فن گزینش ورودی استفاده شده است. این الگوریتم بهترین ورودی های موجود در دیتاست را گزینش می کند که منجر به کمترین خطای پیش بینی، بعلاوه حداقل زمان اجرای مدل فازی-عصبی می شود. مقایسه های انجام شده با عمـلکرد دو مدل دیگری که در این پژوهش ارائه شده اند، یعنی مدل پیش بین مبتنی بر شبکه های عصبی مصنوعی و همچنین یک مدل فازی-عصبی که از این الگوریتم استفاده نمی کند، نشان می دهد مدل فازی عصبی بهینه شده به کمک الگوریتم رقابت استعماری، کاهش خطا ،زمان اجرا و پایداری قابل توجهی داشته است.