يمكن أن يعاني المرضى المصابون بفيروس كورونا من أعراض تشبه الالتهاب الرئوي، بالإضافة إلى مشكلات تنفسية قد تؤدي إلى تلف في الرئتين. ويمكن تحديد مرض فيروس كورونا وتنبؤه بدقة باستخدام مجموعة من طرق التعلم الآلي بناءً على الصور الطبية. ومع ذلك، فإن معظم الأساليب المنشورة للتعلم الآلي تتطلب ضبطًا واسع النطاق للبارامترات الفائقة، وهي غير مناسبة للبيانات الصغيرة. وتهدف خوارزميات التعلم القليل (Few-shot Learning) إلى تقليل الحاجة إلى مجموعات بيانات كبيرة من خلال الاستفادة من البيانات المتاحة في مجموعة بيانات صغيرة نسبيًا. وقد دفعنا هذا التوجه إلى تطوير نموذج للتعلم القليل للكشف المبكر عن فيروس كورونا، بهدف تقليل الآثار السلبية لهذا المرض الخطر. ويُركّب الهيكل المقترح بين التعلم القليل والجمع بين شبكات عصبية تلافيفية مُدرّبة مسبقًا لاستخراج متجهات الميزات من صور الأشعة المقطعية (CT)، بهدف التعلم القائم على التشابه. وتم تصنيف صور الأشعة المقطعية بواسطة الشبكة المزدوجة المثلثية (Triplet Siamese Network) كنموذج للتعلم القليل إلى فئات: طبيعية، ومرض كوفيد-19، والتهاب رئوي مكتسب من المجتمع. وقد حقق النموذج المقترح دقة إجمالية بلغت 98.719%، ودقة تخصصية بلغت 99.36%، ودقة حساسية بلغت 98.72%، ودرجة AUC تبلغ 99.9%، وذلك باستخدام فقط 200 صورة أشعة مقطعية لكل فئة في بيانات التدريب.