急性心肌梗死（AMI）是一种常见的心血管急症，具有较高的死亡率和发病率，对患者的生命构成严重威胁[1]。AMI主要分为ST段抬高型心肌梗死（STEMI）和非ST段抬高型心肌梗死（NSTEMI）。STEMI是由于血栓导致冠状动脉完全阻塞引起的，而NSTEMI通常是由于冠状动脉严重狭窄伴随持续性缺血所致[2],[3]。目前，经皮冠状动脉介入治疗（PCI）是AMI的核心再血管化方法，可以有效清除冠状动脉阻塞病变并恢复心肌血流灌注，从而改善患者的短期心脏功能[4]。然而，在临床实践中，部分患者在接受PCI后仍会发生左心室重构（LVR），LVR是导致AMI预后不良的关键病理环节，甚至可能进展为心力衰竭（HF）[5]。更令人担忧的是，临床数据显示，AMI患者PCI后无症状左心室收缩功能障碍（LVSD）的发生率高达30%至60%。这些患者缺乏胸痛和呼吸困难等典型临床症状，其潜在的LVR风险容易被忽视，从而错过早期干预的机会，显著增加LVR的发生概率[6]。因此，准确识别和评估PCI后AMI患者的LVR风险对于制定个性化的早期干预计划、延缓疾病进展和改善长期预后具有重要意义。
目前，临床实践中用于LVR评估的主要技术包括超声心动图、心脏磁共振成像和放射性核素成像。尽管这些技术可以定量检测左心室容积和射血分数等关键指标，为LVR诊断提供客观证据，但它们存在侵入性和电离辐射风险等明显局限性[7],[8]。此外，设备购置和维护成本高昂，以及操作技术的严格要求，不仅限制了其在医疗资源匮乏地区的普及，也无法满足PCI后AMI患者长期随访的临床需求[9]。相比之下，心电图（ECG）作为心血管疾病最基本的诊断工具，具有非侵入性、便捷性、经济性和广泛可用性等独特优势。ECG能够实时捕捉心脏多个解剖区域的电活动，包含丰富的病理生理学信息。通过波形形态、节律变化和多导联协调性，它可以直接或间接反映各种心血管异常状态[10],[11],[12],[13],[14]。先前的研究已经证实，ECG参数如QRS间期延长、ST段偏移和复极化离散度增加与LVR显著相关，显示出ECG在评估LVR风险方面的潜在价值[15],[16]。然而，传统的ECG解读在LVR风险评估中仍存在显著瓶颈。首先，心脏解剖结构的个体差异、电极放置错误以及心肌电传导的复杂性会干扰ECG波形的精确解读。此外，PCI后的ECG变化在超急性期、再灌注期等不同阶段表现多样，难以基于单一点全面捕捉病理特征进行评估[17]。而且，ECG解读高度依赖于医生的临床经验，面对复杂的术后并发症时，不同医生对波形的判断可能存在主观差异，从而影响LVR风险评估的一致性。最后，与LVR相关的关键ECG信号（如微伏级ST段偏移和QRS形态的细微动态变化）本身幅度较小且隐藏在变化中，超出了常规视觉分辨率的能力范围，容易因仪器噪声而被忽略。因此，迫切需要智能辅助诊断技术来突破传统解读的局限[18]。
近年来，基于ECG信号的心血管疾病检测研究取得了显著进展[19],[20],[21],[22]。现有方法主要分为两类：传统机器学习方法和深度学习方法。传统方法依赖于特征工程和分类器构建。例如，Ullloa-Cerna等人[23]基于ECG图像构建的机器学习模型通过0.91的AUC值成功识别出结构性心脏病的高风险人群。Fatimah等人[24]通过傅里叶分解提取了II导联ECG的熵、峰度和能量特征，并结合K最近邻算法，实现了99.65%的准确率。尽管传统方法在可解释性方面具有一定优势，但在处理高维和非平稳复杂生理数据时存在特征工程依赖性强和泛化能力不足的瓶颈，尤其是在处理个体间波形和病理特征差异时尤为困难。深度学习通过构建多层非线性神经网络，以端到端的学习方式自动捕捉数据中的隐含层次特征，突破了手动特征设计的经验局限。Sun等人[25]基于26,786对ECG-超声心动图配对数据构建的卷积神经网络（CNN）模型，在测试集上的准确率为73.9%，验证了CNN在筛查左心室射血分数（LVEF）≤50%方面的应用价值。Mayourian等人[26]开发的AI-pECG模型在训练92,377对ECG-超声心动图数据后，在多中心验证中的AUROC值分别为0.88（内部测试）和0.86（外部验证），其显著性图分析显示前导联的QRS复合波和T波是关键特征，为儿童左心室异常筛查提供了新工具。Chen等人[27]基于PTB-XL数据库的ResNet模型在测试集上的AUC值为0.98，验证了CNN及其变体在心肌梗死诊断中的优势。Yao等人[28]提出的MRTNet模型通过多尺度卷积核和通道注意力机制以及Transformer编码器结合，实现了82.98%的准确率、0.6693的F1分数和0.7687的AUC性能，在TPB-XL数据集上显著优于单尺度卷积架构，为ECG分析提供了整合时间局部性和全局依赖性的新范式。
鉴于LVR患者的ECG同时具有多尺度时间特征和跨导联空间特征，本研究构建了一个集成多尺度卷积和通道交互机制的深度学习分类模型，旨在充分利用12导联ECG中丰富的时空信息，提高PCI后不同类型AMI患者LVR风险评估的准确性和效率。主要创新点如下：
(1) 构建了一个专门的一维残差网络MCL-ResNet，以解决PCI后AMI患者12导联ECG的时间特征和导联间异质性问题，增强了模型对ECG数据的适应性；
(2) 将多尺度卷积与通道注意力机制相结合，实现了多尺度关键ECG特征的提取，并增强了对重要导联特征的关注；
(3) 结合标签平滑损失和多尺度卷积核设计，有效缓解了在私有临床数据集训练过程中的过拟合问题，提高了模型的泛化能力；
(4) 采用显著性图方法直观解释了模型的决策过程，明确了驱动LVR预测的核心ECG特征，为模型提供了可解释的支持。
