Los expertos en neuroimagen en las industrias biotecnológicas pueden beneficiarse del uso de técnicas de inteligencia artificial de vanguardia para la predicción de la etapa de la enfermedad de Alzheimer (EA) y demencia, aunque sea difícil anticipar la etapa precisa de demencia y EA. Por lo tanto, proponemos un método de vanguardia asistido por computadora basado en un algoritmo avanzado de aprendizaje profundo para diferenciar entre personas con diferentes grados de demencia, incluidas las clases de salud, demencia muy leve, demencia leve y demencia moderada. En este documento, se desarrollaron cuatro modelos separados para clasificar diferentes etapas de demencia: redes neuronales convolucionales (CNN) construidas desde cero, VGG16 preentrenadas con capas convolucionales adicionales, redes convolucionales de grafos (GCN) y modelos CNN-GCN. Las CNN se implementaron y luego la salida de la capa aplanada se alimentó al clasificador GCN, lo que resultó en la arquitectura propuesta de CNN-GCN. Se obtuvieron un total de 6400 exploraciones de resonancia magnética de cerebro completo de la base de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer para entrenar y evaluar los métodos propuestos. Aplicamos la técnica de validación cruzada de 5 pliegues (CV) para todos los modelos. Presentamos los resultados del mejor pliegue de los cinco pliegues al evaluar el rendimiento de los modelos desarrollados en este estudio. Por lo tanto, para el mejor pliegue de la CV de 5 pliegues, los modelos mencionados anteriormente lograron una precisión general del 43.83%, 71.17%, 99.06% y 100%, respectivamente. El modelo CNN-GCN, en particular, demuestra un excelente rendimiento en la clasificación de diferentes etapas de demencia. Comprender las etapas de la demencia puede ayudar a los investigadores de la industria biotecnológica a descubrir marcadores moleculares y vías conectadas con cada etapa.