摘要
感染新冠肺炎的患者可能出现类似肺炎的症状以及呼吸系统问题，这些症状可能对肺部造成损害。通过医学影像，可利用多种机器学习方法对冠状病毒疾病进行准确识别与预测。然而，大多数已发表的机器学习方法通常需要大量超参数调优，且不适用于小规模数据集。为此，少样本学习（few-shot learning）算法通过充分利用相对有限的数据，旨在降低对大规模数据集的依赖。受此启发，我们提出了一种少样本学习模型，用于新冠肺炎的早期检测，以减轻该疾病带来的严重后遗症。所提出的架构将少样本学习与预训练卷积神经网络的集成方法相结合，从CT扫描图像中提取特征向量，用于相似性学习。所设计的三重塔孪生网络（Triplet Siamese Network）作为少样本学习模型，能够将CT扫描图像分类为正常、新冠肺炎及社区获得性肺炎三类。该模型在每类仅使用200张CT扫描图像作为训练数据的情况下，达到了98.719%的整体准确率、99.36%的特异性、98.72%的敏感性以及99.9%的ROC曲线下面积（AUC）得分，展现出卓越的性能。