Persisten desafíos significativos en el diagnóstico de miocardiopatías no isquémicas (NICM) debido a la superposición morfológica temprana y a los sutiles cambios funcionales. Si bien la resonancia magnética cardíaca (CMR) ofrece una evaluación estructural de referencia, los modelos de IA actuales basados en morfología a menudo pasan por alto disfunciones biomecánicas clave como las anormalidades diastólicas/sistólicas. Para abordar esto, proponemos un marco de aprendizaje profundo híbrido de doble vía basado en CNN-LSTM y MLP, integrando características anatómicas de la CMR cine con marcadores biomecánicos derivados de gradientes de presión intraventricular (IVPGs), mejorando significativamente la clasificación de subtipos de NICM al capturar sutiles disfunciones biomecánicas pasadas por alto por modelos morfológicos tradicionales. Nuestra arquitectura de doble vía combina un codificador CNN-LSTM para el análisis de CMR cine y un codificador MLP para datos de series temporales IVPG, seguido de capas de fusión de características y de clasificación densa. Entrenado en un conjunto de datos multicéntrico de 1196 pacientes y validado externamente en 137 pacientes de una institución distinta, el modelo logró un rendimiento superior (AUC interno: 0.974; AUC externo: 0.962), superando a ResNet50, VGG16 y SVM basado en radiómica. Estudios de ablación confirmaron la contribución significativa de IVPGs, mientras que las visualizaciones de saliencia de gradiente y mapeo de activación de clase ponderada por gradiente (Grad-CAM) demostraron que el modelo presta atención a regiones y fases cardíacas fisiológicamente relevantes. El marco mantuvo una generalización robusta en protocolos de imagen e instituciones con una degradación mínima del rendimiento. Al sincronizar conocimientos biomecánicos con aprendizaje profundo, nuestro enfoque ofrece una solución interpretable y eficiente en datos para la detección temprana de NICM y la diferenciación de subtipos, con un fuerte potencial de traducción para la práctica clínica.