No existe una herramienta de detección establecida para la miocardiopatía hipertrófica (MCH) y la miocardiopatía dilatada (MCD). Este estudio tuvo como objetivo desarrollar un modelo basado en aprendizaje profundo para identificar MCH y MCD utilizando imágenes estándar de electrocardiograma (ECG) de 12 derivaciones. Obtenemos una cohorte de pacientes con MCH (171 imágenes de ECG) o MCD (364 imágenes de ECG), confirmados por resonancia magnética cardiovascular (RMC), que se sometieron tanto a ECG como a RMC dentro de los 30 días en nuestra institución. Se seleccionaron controles sanos emparejados por edad y sexo (2314 imágenes de ECG) de nuestro Centro de Chequeo de Salud. Un total de 2849 imágenes de ECG fueron procesadas a través de una arquitectura ResNet50 ajustada finamente, con validación cruzada estratificada de cinco pliegues para el entrenamiento, validación y pruebas del modelo. El modelo propuesto demostró un rendimiento sólido en la distinción de MCD, logrando un área bajo la curva de operación del receptor (AUROC) de 0.996 y un área bajo la curva de precisión-recuperación (AUPRC) de 0.940. Para la detección de MCH, el modelo también logró un AUROC de 0.980 y un AUPRC de 0.953, respectivamente. El modelo mostró estabilidad prospectiva en la validación temporal. Además, las imágenes representativas de la técnica de Mapeo de Activación de Clase Ponderada por Gradiente (Grad-CAM) mostraron que las regiones correspondientes a las derivaciones anterior y anteroseptal eran las áreas más importantes para la predicción de MCH o MCD. Este modelo ResNet50 ajustado finamente validado temporalmente muestra promesa para detectar de manera económica a individuos con MCH o MCD.