La rápida expansión de los datos médicos plantea numerosos desafíos para las tareas de Aprendizaje Automático (ML) debido a su potencial para incluir características excesivamente ruidosas, irrelevantes y redundantes. Como resultado, es crítico seleccionar las características más pertinentes para la tarea de clasificación, lo que se conoce como Selección de Características (FS). Entre los enfoques de FS, los métodos de envoltura están diseñados para seleccionar el subconjunto de características más apropiado. En este estudio, se implementan dos enfoques de FS de envoltura inteligente utilizando un nuevo algoritmo metaheurístico llamado Optimizador de Enjambre de Gatos de Arena (SCSO). Primero, se construye la versión binaria de SCSO, conocida como BSCSO, utilizando la función de transformación en forma de S para gestionar eficazmente la naturaleza binaria en el dominio de FS. Sin embargo, el BSCSO sufre de una estrategia de búsqueda deficiente porque no tiene memoria interna para mantener la mejor ubicación. Por lo tanto, convergerá muy rápidamente hacia el óptimo local. Por lo tanto, el segundo método de FS propuesto se dedica a formular un BSCSO mejorado llamado Optimizador de Enjambre de Gatos de Arena basado en Memoria Binaria (BMSCSO). Ha integrado una estrategia basada en memoria en el proceso de actualización de la posición del SCSO para explotar y preservar aún más las mejores soluciones. Se utilizaron veintiún conjuntos de datos de enfermedades de referencia para implementar y evaluar los dos métodos de FS mejorados, BSCSO y BMSCSO. Según los resultados, BMSCSO actuó mejor que BSCSO en términos de valores de aptitud, precisión y número de características seleccionadas. Basándose en los resultados obtenidos, BMSCSO como método de FS puede explorar eficientemente el dominio de características para el conjunto óptimo de características.