Los microARN (miARN) desempeñan un papel crucial en el desarrollo del cáncer, pero no todos los miARN son igualmente significativos en la detección del cáncer. Los métodos tradicionales enfrentan desafíos para identificar de manera efectiva los miARN asociados al cáncer debido a la complejidad y volumen de los datos. Este estudio introduce una técnica novedosa basada en características para detectar atributos relacionados con los microARN que afectan al cáncer. Su objetivo es mejorar la precisión en el diagnóstico del cáncer identificando los miARN más relevantes para diversos tipos de cáncer mediante un enfoque híbrido. En particular, se utilizó una combinación de optimización por enjambre de partículas (PSO) y redes neuronales artificiales (ANNs) con este propósito. PSO se empleó para la selección de características, centrándose en identificar los miARN más informativos, mientras que las ANNs se utilizaron para reconocer patrones dentro de los datos de miARN. Este método híbrido tiene como objetivo superar las limitaciones en el análisis tradicional de miARN al reducir la redundancia de datos y centrarse en marcadores genéticos clave. La aplicación de este método mostró una mejora significativa en la precisión de detección para varios tipos de cáncer, incluidos el cáncer de mama, de pulmón y el melanoma. Nuestro enfoque demostró una mayor precisión en la identificación de miARN relevantes en comparación con los métodos existentes, como se evidencia en el análisis de diferentes conjuntos de datos. El estudio concluye que la integración de PSO y ANNs proporciona un método más eficiente, rentable y preciso para la detección de cáncer a través del análisis de miARN. Este método puede servir como una herramienta complementaria para el diagnóstico del cáncer y potencialmente ayudar en el desarrollo de tratamientos personalizados contra el cáncer.