En este estudio, se utilizó la Red Generativa Antagónica de Wasserstein con Penalización de Gradiente (WGAN-GP) para mejorar el diagnóstico de la enfermedad de Alzheimer utilizando imágenes médicas y el conjunto de datos de imágenes de la enfermedad de Alzheimer en cuatro clases diagnósticas. El WGAN-GP se empleó para la ampliación de datos. El conjunto de datos original, el conjunto de datos aumentado y los datos combinados se mapearon utilizando la Aproximación y Proyección de Manifold Uniforme (UMAP) tanto en un espacio 2D como 3D. Luego, se realizó el mismo análisis de red de interacción combinada en los datos de prueba. Los resultados mostraron que, para la precisión de la prueba, la puntuación fue del 30.46% para el conjunto de datos original (desbalanceado), mientras que para el conjunto de datos aumentado por WGAN-GP (balanceado), mejoró al 56.84%, lo que indica que la ampliación con WGAN-GP puede abordar efectivamente el problema de desbalanceo.