فیبروز کبدی یکی از پیامدهای مهم بیماری‌های مزمن کبدی است که در صورت تشخیص دیرهنگام می‌تواند به مراحل پیشرفته و سیروز منجر شود. تشخیص و درجه‌بندی دقیق این بیماری، به‌ویژه در مراحل میانی، نقش مهمی در انتخاب راهبرد درمانی و پایش روند بیماری دارد. با وجود کاربرد گسترده سونوگرافی به‌عنوان روشی غیرتهاجمی، در دسترس و کم‌هزینه، تفسیر تصاویر آن تا حد زیادی به تجربه متخصص وابسته است. پژوهش حاضر با هدف طراحی و پیاده‌سازی یک مدل مبتنی بر یادگیری عمیق برای تشخیص و درجه‌بندی خودکار فیبروز کبدی از تصاویر سونوگرافی و استفاده از آن به‌عنوان هسته هوشمند یک سامانه تحت وب انجام شده است. در این پژوهش، معماری ترکیبی چندشاخه‌ای MultiBranch-AHCTNet ارائه شد که از شبکه پایه ازپیش‌آموزش‌دیده ConvNeXt-Tiny، چهار شاخه پردازشی مبتنی بر شبکه‌های عصبی پیچشی و ترنسفورمر، واحد مسیریاب و سازوکار دروازه‌گذاری تنک با انتخاب دو گزینه برتر بهره می‌گیرد. این ساختار با هدف استخراج و ترکیب ویژگی‌های محلی، سراسری و چندمقیاسی و انتخاب تطبیقی مسیرهای پردازشی طراحی شد. همچنین، نسخه توسعه‌یافته MultiBranch-AHCTNet-SF با استفاده از یک واحد قابل‌آموزش فضایی–فرکانسی ارائه شد که اطلاعات تصویر اصلی و ویژگی‌های حاصل از تبدیل فوریه را پیش از ورود به شبکه پایه ترکیب می‌کند. مجموعه‌داده پژوهش شامل ???? تصویر سونوگرافی کبد در پنج کلاس F0 تا F4 بود. عملکرد مدل اصلی با اعتبارسنجی متقاطع طبقه‌بندی‌شده پنج‌بخشی ارزیابی شد. نتایج نشان داد MultiBranch-AHCTNet به میانگین دقت ?????? درصد، دقت مثبت ????? درصد، بازخوانی ????? درصد، امتیاز F1 برابر با ????? درصد و AUROC   برابر با ????? درصد دست یافته است. مدل اصلی با حدود ????? میلیون پارامتر، پیچیدگی محاسباتی برآوردشده ?????? GFLOPs ، میانگین زمان استنتاج ?????? ثانیه برای هر تصویر و بیشینه مصرف حافظه GPU حدود ??????? مگابایت ارزیابی شد. نسخه MultiBranch-AHCTNet-SF نیز با تعداد پارامتر تقریباً مشابه، پیچیدگی محاسباتی برآوردشده ?????? GFLOPs ، میانگین زمان استنتاج ?????? ثانیه و بیشینه مصرف حافظه GPU حدود ??????? مگابایت، در ارزیابی مبتنی بر تقسیم ??/?? به دقت ????? درصد و AUROC برابر با ????? درصد دست یافت. با توجه به تفاوت پروتکل ارزیابی دو مدل، مقایسه مستقیم عملکرد تشخیصی آن‌ها باید با احتیاط انجام شود.