Antecedentes: La enfermedad de Alzheimer (EA) es una afección neurodegenerativa progresiva e irreversible que cada vez más afecta las funciones cognitivas y las actividades diarias. Dada la naturaleza incurable de la EA y su profundo impacto en las personas mayores, el diagnóstico temprano (en la etapa de deterioro cognitivo leve (DCL)) y la intervención son cruciales, centrándose en retrasar la progresión de la enfermedad y mejorar la calidad de vida de los pacientes. Métodos: Este trabajo tuvo como objetivo desarrollar un método automático basado en sMRI para detectar EA en tres etapas diferentes, a saber, controles sanos (CN), deterioro cognitivo leve (DCL) y la propia EA. Con este propósito, las imágenes cerebrales sMRI de la base de datos ADNI fueron preprocesadas, y se extrajo un conjunto de 22 características estadísticas de textura de la matriz de co-ocurrencia en niveles de gris (GLCM) de sMRI de diversas secciones en diferentes planos anatómicos. Se utilizaron diferentes combinaciones de características y planos para alimentar algoritmos clásicos de aprendizaje automático (cML) para analizar su poder de discriminación entre los grupos. Resultados: Los algoritmos cML lograron la siguiente clasificación: 85.2% para vs., 98.5% para vs., 95.1% para vs., y 87.1% para vs. Conclusiones: Para el par vs., el modelo propuesto superó a estudios de origen de imágenes de vanguardia en un 0.1% y a estudios de origen no imagenológico en un 4.6%. Estos resultados son particularmente significativos en el campo de la clasificación de la EA, abriendo la puerta a un diagnóstico temprano más eficiente en entornos del mundo real, ya que el DCL se considera un precursor de la EA.