Patienten mit einer COVID-19-Infektion können Symptome aufweisen, die einer Pneumonie ähneln, sowie Atembeschwerden, die die Lungen schädigen können. Anhand medizinischer Bilder kann die Coronavirus-Erkrankung mithilfe verschiedener maschineller Lernverfahren genau erkannt und vorhergesagt werden. Die meisten veröffentlichten maschinellen Lernmethoden erfordern eine umfangreiche Anpassung von Hyperparametern und eignen sich nicht für kleine Datensätze. Few-Shot-Lernalgorithmen zielen darauf ab, den Bedarf an großen Datensätzen zu verringern, indem sie das vorhandene Datenmaterial in vergleichsweise kleinen Datensätzen effizient nutzen. Dies hat uns motiviert, ein Few-Shot-Lernmodell zur Früherkennung von COVID-19 zu entwickeln, um die nachhaltigen Folgen dieser gefährlichen Erkrankung zu reduzieren. Die vorgeschlagene Architektur kombiniert Few-Shot-Lernen mit einem Ensemble vortrainierter konvolutioneller Neuronalen Netze, um Merkmalsvektoren aus CT-Bildern zur Ähnlichkeitslernung zu extrahieren. Das vorgeschlagene Triplet-Siamese-Netzwerk als Few-Shot-Lernmodell klassifizierte CT-Bilder in die Kategorien Normal, COVID-19 und Gemeinschaftserworbenes Pneumonie. Das vorgeschlagene Modell erreichte eine Gesamtgenauigkeit von 98,719 %, eine Spezifität von 99,36 %, eine Sensitivität von 98,72 % sowie ein ROC-Score von 99,9 %, wobei jeweils nur 200 CT-Bilder pro Kategorie als Trainingsdaten verwendet wurden.