El diagnóstico preciso de la enfermedad de Alzheimer (EA) se ha centrado en gran medida en sus etapas posteriores, a menudo pasando por alto la necesidad crítica de la detección temprana del deterioro cognitivo leve temprano (DCLET). La detección temprana es esencial para reducir potencialmente las tasas de mortalidad; sin embargo, distinguir el DCLET de los individuos con cognición normal (CN) es un desafío debido a las similitudes en sus patrones cerebrales. Para abordar esto, hemos desarrollado una arquitectura de CNN 3D a nivel de sujeto mejorada por técnicas de preprocesamiento para mejorar la precisión de clasificación entre estos grupos. Nuestros experimentos utilizaron datos de imágenes por resonancia magnética estructural (IRM) del conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI), específicamente la colección ADNI3. Incluimos 446 sujetos de las fases de línea base y año 1, que comprenden 164 individuos diagnosticados con DCLET y 282 individuos con CN. Al evaluarse utilizando validación cruzada estratificada de 4 pliegues, nuestro modelo logró un AUC de validación del 91.5%. En el conjunto de prueba, alcanzó una precisión del 81.80% junto con un recall del 82.50%, una precisión del 81.80% y una especificidad del 80.50%, distinguiendo efectivamente entre los grupos CN y DCLET. Además, se empleó un mapa de activación de clase de gradiente para resaltar las regiones clave que influyen en las predicciones del modelo. En evaluaciones comparativas contra modelos preentrenados y literatura existente, nuestro enfoque demostró un rendimiento decente en la detección temprana de la EA.