Las redes neuronales convolucionales tridimensionales (CNN 3D) se han aplicado ampliamente para analizar imágenes cerebrales de la enfermedad de Alzheimer (EA) para una mejor comprensión del progreso de la enfermedad o predecir la conversión del estado de deterioro cognitivo (CU) o deterioro cognitivo leve. Es bien sabido que el entrenamiento de CNN 3D es computacionalmente costoso y con potencial de sobreajuste debido al pequeño tamaño de la muestra disponible en el campo de la imagen médica. Aquí propusimos un enfoque novedoso 3D-2D convirtiendo una imagen cerebral 3D en una imagen fusionada 2D utilizando un método de agrupación ponderada aprendible (LWP) para mejorar el entrenamiento eficiente y mantener un rendimiento de modelo comparable. Con la conversión de 3D a 2D, el modelo propuesto puede enviar fácilmente la imagen 2D fusionada a través de un modelo 2D pre-entrenado logrando un mejor rendimiento sobre diferentes líneas de base 3D y 2D. En la implementación, elegimos usar ResNet34 para la extracción de características ya que superó a otras estructuras de red CNN 2D. Además, demostramos que los pesos de las rebanadas dependen de la ubicación y el rendimiento del modelo depende de la vista de fusión de 3D a 2D, con los mejores resultados desde la vista coronal. Con el nuevo enfoque, pudimos reducir el 75% del tiempo de entrenamiento y aumentar la precisión a 0,88, en comparación con las CNN 3D convencionales, para clasificar la imagen PET de amiloide-beta de los pacientes con EA de los participantes CU utilizando el conjunto de datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer disponible públicamente. El novedoso modelo 3D-2D puede tener implicaciones profundas para el diagnóstico oportuno del EA en entornos clínicos en el futuro.