La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo que conduce a la pérdida de funciones cognitivas debido al deterioro del tejido cerebral. Los métodos de diagnóstico actuales son a menudo invasivos o costosos, lo que limita su uso generalizado. Desarrollar métodos de detección no invasivos y rentables es crucial, especialmente para identificar a pacientes con deterioro cognitivo leve (DCL) en riesgo de desarrollar la enfermedad de Alzheimer. Este estudio emplea un enfoque de Aprendizaje Automático (AA), específicamente la agrupación K-means, en un subconjunto de píxeles comunes a todas las imágenes de resonancia magnética (RM) para clasificar rápidamente a los sujetos con EA y aquellos con Cognición Normal (CN). En particular, nos beneficiamos de definir píxeles significativos, un subconjunto estrecho de puntos (en el rango del 1.5% al 6% del total) comunes a todas las imágenes de RM y relacionados con una degeneración más intensa de la materia blanca o gris. Realizamos agrupación K-means, con k = 2, en los píxeles significativos de las imágenes de RM de EA y CN para separar a los sujetos que pertenecen a las dos clases y detectar los centroides de clase. Posteriormente, clasificamos a los sujetos con DCL utilizando solo los píxeles significativos. Este enfoque permite una clasificación rápida de los sujetos con EA y CN, y lo que es más importante, predice la conversión de DCL a EA con alta precisión y bajo costo computacional, lo que lo convierte en una herramienta de diagnóstico rápida y efectiva para evaluaciones en tiempo real.