En este estudio, utilizamos redes LSTM (Memoria a corto y largo plazo) para evaluar datos de Resonancia Magnética (RM) con el fin de superar las limitaciones de las técnicas convencionales de detección de la enfermedad de Alzheimer (EA). Nuestro método ofrece una mayor fiabilidad y precisión en la predicción de la posibilidad de EA, en contraste con las pruebas cognitivas y los análisis de la estructura cerebral. Utilizamos un conjunto de datos de RM que descargamos de la fuente de Kaggle para entrenar nuestra red LSTM. Aprovechando las características de memoria temporal de las LSTMs, la red fue creada para capturar y evaluar eficientemente los patrones secuenciales inherentes en las exploraciones de RM. Nuestro modelo obtuvo un notable AUC de 0.97 y una precisión del 98.62%. Durante el proceso de entrenamiento, utilizamos Validación Cruzada Estratificada por Mezcla Aleatoria para asegurarnos de que nuestros hallazgos fueran fiables y generalizables. Nuestro estudio añade significativamente al cuerpo de conocimiento al demostrar el potencial de las redes LSTM en el campo específico de la predicción de la EA y ampliar la variedad de métodos investigados para la clasificación de imágenes en la investigación de la EA. También hemos diseñado una aplicación web fácil de usar para ayudar con la accesibilidad de nuestro modelo desarrollado, cerrando la brecha entre la investigación y la implementación real.