准确评估下肢冠状位力线参数是合理治疗的前提，目前仍然依赖于骨科亚专科医生的专业判断。本研究的目的是建立并验证一款多任务深度学习(Deep-learning, DL)模型，在站立位下肢全长X线正位片(long-leg anteroposterior radiographs, LLRs)上自动评估冠状位力线参数和畸形位置。

本回顾性研究收集了两个中心的4台X光设备的 LLRs数据。将来自其中三个X光设备的LLRs数据按60% (n=186)、20% (n=62)和20% (n=61)的比例随机分成训练、验证和测试数据集，剩余LLRs数据(n=75)归为外部验证数据集。一名高级专家进行标注和测量，两次测量的平均值作为金标准。我们根据标注数据，利用YOLOv5算法开发了一款多任务DL模型，比较了低年资医生和DL模型的测量误差和效率，并在测试和外部验证数据集中对模型性能进行了评估。

DL模型预测的解剖标志点与标注点的误差在0.7~1.3 mm之间。低年资医生测量结果与金标准之间的组内相关系数（intra-class correlation coeffcient，ICC）在0.871 ~ 0.997之间；DL模型预测结果与金标准之间的ICCs范围在0.925 ~ 0.999之间。在测试数据集上，DL模型在关节线汇聚角-1 (joint line convergence angle-1，JLCA1)测量中的失败率显著低于低年资医生(p=0.003)；在外部验证数据集上，DL模型在负重线百分比（Weight-bearing line ratio，WBLR）、JLCA1和膝关节线导向（Knee joint line orientation，KJLO）测量中的失败率显著低于低年资医生(p值：<0.001、0.025和0.032)。在测试和外部验证数据集中，DL模型分析每张LLR平均花费的时间分别为22.1±2.4s和24.3±0.7s，明显少于人工测量，比专科医生少89%，比低年资医生少91% (p<0.001)。在测试数据集上，DL模型评估髋-膝-踝角(hip-knee-ankle angle，HKAA)、 机械股骨远端外侧角(mechanical lateral distal femoral angle，mLDFA)、JLCA1、JLCA2、机械胫骨近端内侧角-1 (mechanical medial proximal tibial angle-1，mMPTA1)和mMPTA2畸形的准确性分别为：99.18%、95.08%、78.69%、81.15%、86.89%和87.70%。在外部验证数据集上，DL模型评估HKAA、mLDFA、JLCA1、JLCA2、mMPTA1和mMPTA2畸形的准确性分别为98.00%、96.67%、82.00%、93.33%、96.00%和96.00%。

本多任务DL模型可准确评估下肢冠状位力线参数和畸形情况，可媲美专科医生手动测量，有潜力提升下肢力线参数评估的效率和准确性。