L’une des observations cliniques principales utilisées pour le dépistage des infections par le nouveau coronavirus consiste à acquérir une radiographie thoracique. Chez la majorité des patients, cette radiographie révèle des anomalies telles que des consolidations, qui sont des conséquences de la pneumonie virale due au COVID-19. Dans cette étude, une recherche est menée sur la détection efficace des caractéristiques d’imagerie associées à ce type de pneumonie à l’aide de réseaux neuronaux convolutifs profonds sur un grand jeu de données. Il est démontré que des modèles simples, ainsi que la majorité des réseaux préentraînés présents dans la littérature, se concentrent sur des caractéristiques non pertinentes pour la prise de décision. Dans cet article, un grand nombre d’images de radiographies thoraciques provenant de diverses sources sont collectées, permettant ainsi la constitution du plus grand jeu de données publiquement accessible à ce jour. Enfin, en appliquant le paradigme du transfer learning, le modèle bien connu CheXNet est utilisé pour développer COVID-CXNet. Ce modèle puissant est capable de détecter la pneumonie provoquée par le nouveau coronavirus en se basant sur des caractéristiques pertinentes et significatives, avec une localisation précise. COVID-CXNet représente une avancée importante vers un système entièrement automatisé et robuste de détection du COVID-19.