Los hechos pueden intercambiarse en múltiples campos con la ayuda de ontologías específicas de enfermedades. Un rango de valores diversos puede ser producido mediante enfoques ontológicos para demostrar mecanismos de enfermedades. La enfermedad de Alzheimer (EA) es una enfermedad cerebral neurológica incurable. Un diagnóstico temprano de la EA puede ser útil para un mejor tratamiento y la prevención de la destrucción del tejido cerebral. Los investigadores han utilizado técnicas de aprendizaje automático para predecir la detección temprana de la EA. Sin embargo, los trastornos de Alzheimer aún están poco explorados en el dominio del conocimiento. En el campo biomédico, la ilustración de terminologías y conceptos es esencial. Se adoptan múltiples métodos para representar estos conceptos, pero las ontologías son las más frecuentes y precisas. La construcción de ontologías es un proceso complejo y que consume tiempo. La ontología diseñada se basa en la Ontología de Enfermedades (DO), que se considera el punto de referencia en la práctica médica. Los mecanismos de razonamiento de la ontología pueden ser adoptados para la identificación de la EA. En este documento, se propone un enfoque basado en una red neuronal convolucional profunda para diagnosticar la enfermedad de Alzheimer, utilizando un conjunto de datos de EA adquirido de Kaggle. Enfoques basados en aprendizaje automático (regresión logística, aumento de gradiente, XGB, SGD, MLP, SVM, KNN, bosque aleatorio) también se utilizan para una comparación justa. Los resultados de la simulación se generan utilizando tres estrategias (parámetros predeterminados, validación cruzada de 10 pliegues y búsqueda en cuadrícula), y MLP proporciona resultados superiores en una estrategia de parámetros predeterminados con una precisión del 92.12%. Además, el enfoque basado en aprendizaje profundo con red neuronal convolucional (CNN) logró una precisión del 94.61%. Los resultados experimentales indican que la construcción de ontología, con la ayuda del conocimiento de aprendizaje profundo, puede producir mejores resultados donde la robustez y la escalabilidad pueden ser mejoradas. En comparación con otros métodos, los resultados de CNN son excelentes y alentadores.