La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo y una creciente preocupación de salud pública. A pesar de los avances significativos en el aprendizaje profundo para el análisis de imágenes médicas, el diagnóstico temprano y preciso de la EA sigue siendo un desafío. En este estudio, nos enfocamos en optimizar el proceso de entrenamiento de modelos de aprendizaje profundo proponiendo una versión mejorada del optimizador Adam. El optimizador propuesto introduce una escala adaptativa de la tasa de aprendizaje, corrección de momento y modulación de decaimiento para mejorar la velocidad de convergencia, la estabilidad del entrenamiento y la precisión de clasificación. Integramos el optimizador mejorado con las arquitecturas Vision Transformer (ViT) y Convolutional Neural Network (CNN). El modelo basado en ViT comprende una proyección lineal de parches de imagen, codificación posicional, un codificador transformer y una cabeza de Multi-Layer Perceptron (MLP) con un clasificador Softmax para la clasificación multiclase de la EA. Los experimentos en conjuntos de datos públicos de la enfermedad de Alzheimer (ADNI-1 y ADNI-2) mostraron que el optimizador mejorado permitió que el modelo ViT alcanzara una precisión de clasificación del 99.84% en el Conjunto de Datos-1 y del 95.75% en el Conjunto de Datos-2, superando a Adam, RMSProp y SGD. Además, el optimizador redujo la pérdida de entropía y mejoró la estabilidad de convergencia en un 0.8-2.1% en diversas arquitecturas, incluyendo ResNet, RegNet y MobileNet. Este trabajo contribuye con un marco robusto centrado en el optimizador que mejora la eficiencia de entrenamiento y la precisión diagnóstica para la detección automatizada de la enfermedad de Alzheimer.