Antecedentes: La enfermedad de Alzheimer (EA) es la forma más común de demencia, lo que dificulta la vida de los pacientes y sus familias por diversas razones. Por lo tanto, la detección temprana de la EA es crucial para aliviar los síntomas a través de medicamentos y tratamientos. Objetivo: Dado que la EA induce fuertemente trastornos del lenguaje, este estudio tiene como objetivo detectar rápidamente la EA mediante el análisis de las características del lenguaje. Materiales y Métodos: El examen del estado mental mini-mental para la detección de demencia (MMSE-DS), que se utiliza más comúnmente en los centros de salud pública de Corea del Sur, se utiliza para obtener respuestas negativas basadas en el cuestionario. Entre las voces adquiridas, se seleccionan cuestionarios y respuestas significativos y se convierten en imágenes de espectrogramas basados en coeficientes cepstrales de frecuencia mel (MFCC). Después de acumular las respuestas significativas, se logró una validación de datos utilizando el modelo Densenet121. Se utilizaron cinco modelos de aprendizaje profundo, Inception v3, VGG19, Xception, Resnet50 y Densenet121, para entrenar y confirmar los resultados. Resultados: Teniendo en cuenta la cantidad de datos, los resultados de la validación cruzada de cinco pliegues son más significativos que los del método de retención. Densenet121 muestra una sensibilidad de 0.9550, una especificidad de 0.8333 y una precisión de 0.9000 en una validación cruzada de cinco pliegues para separar a los pacientes con EA del grupo de control. Conclusiones: El potencial para la atención médica remota puede aumentar al simplificar el proceso de detección de la EA. Además, al facilitar la atención médica remota, el método propuesto puede mejorar la accesibilidad de la detección de la EA y aumentar la tasa de detección temprana de la EA.