心电图（Electrocardiography）是评估心血管疾病最常用的方法之一。然而，过去十年的研究表明，深度卷积神经网络（Deep Convolutional Neural Networks, CNN）能够从心电图（ECG）中提取超越传统诊断范畴的信息，例如预测个体的生理年龄。在本研究中，我们基于公开数据集，训练了两种不同的1维卷积神经网络（1D CNN），以实现从个体心电图中预测年龄。模型训练与交叉验证使用了10秒长度的12导联心电图记录，并以100 Hz的采样频率进行重采样。训练与交叉验证共使用了59,355例心电图数据，而来自独立队列的21,748例心电图则作为测试集。我们对比了模型在交叉验证集上的表现与在测试集上的表现。此外，我们利用心脏科医生标注的心血管疾病状态，对测试集中的患者进行分类，以评估特定心脏疾病是否会导致CNN预测年龄与实际生理年龄之间出现更大偏差。表现最佳的CNN模型采用Inception Time架构，在平均绝对误差（Mean Absolute Error, MAE）指标上，其性能从训练集的交叉验证结果（7.90 ± 0.04年）下降至测试集上的表现（8.3年），显示出显著的性能下降。然而，在均方误差（Mean Squared Error, MSE）方面，模型表现则有所改善：训练集上的MSE为117.5 ± 2.7年²，测试集上为111年²。我们还发现，在所有心血管疾病亚组中，起搏心律（pacing rhythm）患者的预测年龄与生物年龄之间的MAE偏差最大（10.5年），而QT间期延长（prolonged QT-interval）患者的MAE偏差最小（7.4年）。本研究通过展示训练好的深度CNN模型在独立队列测试集上的表现，进一步丰富了利用深度学习模型从心电图中预测年龄的现有知识体系，揭示了模型在真实世界外部数据上的泛化能力及其受特定心血管疾病影响的潜在差异。