Predecir enfermedades en las etapas tempranas es sumamente importante. Aprovechando los avances en técnicas de aprendizaje profundo y lógica difusa, se propone en este documento un nuevo modelo para la evaluación de enfermedades dependiendo del sistema de inferencia neuro-difuso adaptativo (ANFIS) con un algoritmo genético (GA) para clasificación, y el modelo pre-entrenado DenseNet-201 para extracción de características, además del algoritmo de optimización de ballenas (WOA) para selección de características. Se utilizaron dos bases de datos médicas (radiografía de tórax y tumor cerebral por resonancia magnética) para el diagnóstico de dos tipos de enfermedades como entrada en el modelo sugerido. La optimización de los parámetros de ANFIS fue realizada por GA para lograr la capacidad de predicción óptima. DenseNet-201 para extracción de características fue empleado para obtener una mejor precisión de clasificación. Tener más características a veces conlleva a una menor precisión, y este problema puede ser corregido utilizando una estrategia de selección de características WOA que dio buenos resultados. El modelo propuesto fue evaluado utilizando métricas estadísticas error cuadrático medio (RMSE), error cuadrático medio (MSE), desviación estándar (STD), y coeficiente de determinación (), y fue comparado con el modelo ANFIS convencional, siendo el modelo propuesto (ANFIS-GA) el que mostró una capacidad de predicción superior sobre el modelo ANFIS. Como resultado, se puede concluir que el modelo propuesto ANFIS-GA es eficiente y tiene el potencial para una evaluación robusta de enfermedades con buena precisión. Además, se concluye en este trabajo que la integración de algoritmos de optimización con ANFIS mejora su rendimiento, resultando en un modelo más preciso y confiable.