Pour résoudre le problème des modalités manquantes dans le diagnostic de la maladie d'Alzheimer (MA), où de nombreux patients ne disposent pas de données d'imagerie complètes en raison de coûts et de contraintes cliniques, nous proposons un cadre de distillation adaptative guidée par prototype (PGAD) qui intègre directement les données multimodales incomplètes à l'apprentissage. PGAD améliore la représentation des modalités manquantes grâce à l'appariement de prototypes et équilibre l'apprentissage grâce à une stratégie d'échantillonnage dynamique. Nous validons PGAD sur l'ensemble de données ADNI avec différents taux d'absence (20 %, 50 % et 70 %), démontrant des améliorations significatives des performances par rapport aux approches de pointe existantes. D'autres expériences confirment l'efficacité de l'appariement de prototypes et de l'échantillonnage adaptatif, soulignant le potentiel de ce cadre pour un diagnostic de la MA robuste et évolutif en contexte clinique réel.