Tıpta yumuşak hesaplama yöntemi birkaç yıldır büyüyen bir alandır. Biyoinformatik araştırmada ilerlemeye giderek, ve aynı zamanda karmaşık, büyük ve çok boyutlu verisetlerine bakan. Örneğin, yönbağımlı doğrusal olmayan difüzyon ile biyomedikal ve yapısal hücre biyolojisi 3 boyut görüntülerden ilgisiz verilerin ortadan kaldırılması hesaplamada pahalı. ECG Holter kaydedildi ve görevi öğrenmek için 100 binden fazla kalp atışları saklanan, hangi bilgiyi değerlendirecek ve daha sonra nihai bir çalışma veya test için tercih edilecegi hangi kalp atışları belirlenecegi zor bir iştir; bir hesaplama açısından pahalı ve büyük bir bellek alanı gerektirir [1]. Tıbbi görüntülerde hastadan hastaya birçok ortak özellik sunmak, ancak aralarındaki farklılıklar her zaman bazı anormalliklere neden olmayabilir. Bu tür görüntüler için biçimi çeşitli görüntü işleme başarı sınırlayan bir karmaşıklığa yol açar. Veri azaltma hedefliyor işlenecek konuyu kolay hale getirmek için de orijinal veri kümesinden gereksiz verileri ortadan kaldırmaktır. Veri azaltılması için etkili bir yaklaşımdır. Dahası, etkin biyoinformatik uygulamalarında önemli bir işlemdir.
The soft computing method in medicine is a growing field for several decades. Bioinformatics research advance increasingly, and facing at the same time complex, complicated, large and multidimensional datasets. For example; removing irrelevant data from 3 dimensions images in biomedicine and structural cellular biology by Anisotropic nonlinear diffusion is computationally expensive. ECG Holter recorded and stored more than 100 thousand heartbeats for it learning task, which is a difficult work to evaluate the information and then determine which heartbeats are to be choose for an eventual study or test; from a computational perspective it is costly and require a large memory space [1]. Medical images present many common features from patient to patient but the differences between them may not always be due to some abnormality. This variety of format for such images leads to a complexity that restricts the success of image processing. Data reduction aims is to remove the irrelevant data, reduce the dimensionality, the instances, the redundancy and the complexity of a dataset in order to make it easy to be processed. It is an efficacious approach for data reduction. Moreover, it is a crucial procedure in effective bioinformatics applications.