阿茲海默症（AD）是一種神經退化性腦部疾病，會隨著時間導致腦部功能持續衰退，通常影響老年人。臨床診斷透過神經纖維纏結和腦部 β-類澱粉蛋白斑塊的積聚來進行病理學診斷。然而，對其潛在原因的知識匱乏導致此疾病目前無藥可醫。這成為在 prodromal 階段識別 AD 的主要原因，而傳統方法在準確性、可靠性和早期偵測方面常面臨限制。這些傳統方法，如神經心理學測試和臨床評估，成本高昂且耗時，對所有人的可及性較低。另一方面，機器學習演算法提供了更好且更有效率的結果。採用深度學習方法實現的自動化早期偵測技術，具有更高的效率和可擴展性，可能對預測更大範圍的疾病人口有所幫助。儘管已有研究提供了準確度足夠的 CNN 模型，但這些模型在遷移學習模型中，僅透過批次大小、學習率和優化器等極少的超參數進行優化。本研究提出了一個客製化的 CNN 模型，與基準模型相比，其效率和準確度提高了 3.37%，同時具有令人印象深刻的精確度和 F1 分數。此外，實施了 5 折分層交叉驗證策略，使模型的平均準確度達到 98.47% ± 0.26%。該模型包含具有微調超參數和濾波器的卷積層，用於分類阿茲海默症的機率。這種方法有潛力革新 AD 的早期篩檢，並促進及時的介入治療。