Los avances recientes en técnicas de neuroimagen, como la imagen de tensor de difusión (DTI), representan un recurso crucial para el análisis estructural del cerebro y permiten la identificación de alteraciones relacionadas con trastornos neurodegenerativos graves, como la enfermedad de Alzheimer (EA). Al mismo tiempo, se adoptan herramientas computacionales basadas en aprendizaje automático para el diagnóstico temprano y sistemas de apoyo a decisiones para descubrir patrones ocultos en los datos para la estratificación fenotípica e identificar escenarios patológicos. En este contexto, los enfoques de aprendizaje en conjunto, concebidos para simular el comportamiento humano en la toma de decisiones, son métodos adecuados en tareas de predicción en salud, mejorando generalmente el rendimiento de clasificación. En este trabajo, proponemos una técnica novedosa para la discriminación automática entre controles sanos y pacientes con EA, utilizando medidas DTI como características predictivas y un enfoque de conjunto de votación suave para la clasificación. Mostramos que este enfoque, combinando eficientemente clasificadores individuales entrenados en grupos específicos de características, es capaz de mejorar el rendimiento de clasificación con respecto al enfoque exhaustivo de la concatenación de características globales (con un aumento de hasta en promedio) y el uso de grupos individuales de características (con un notable aumento en la sensibilidad de hasta ). En última instancia, la fase de selección de características en tareas de clasificación similares puede aprovechar este tipo de estrategia, permitiendo explotar el contenido informativo de los datos y al mismo tiempo reducir la dimensionalidad del espacio de características, y a su vez el esfuerzo computacional.