Les patients infectés par le virus COVID-19 peuvent présenter des symptômes ressemblant à ceux de la pneumonie ainsi que des troubles respiratoires pouvant endommager les poumons. À partir d’images médicales, l’infection par le coronavirus peut être identifiée et prédite avec précision à l’aide de diverses méthodes d’apprentissage automatique. Toutefois, la plupart des méthodes d’apprentissage automatique publiées nécessitent un ajustement intensif des hyperparamètres et se révèlent inadaptées aux petits jeux de données. Les algorithmes d’apprentissage par peu d’exemples (few-shot learning) visent à réduire la dépendance aux grands jeux de données en exploitant efficacement les informations contenues dans des ensembles de données relativement restreints. Inspirés par cette approche, nous avons développé un modèle d’apprentissage par peu d’exemples pour la détection précoce du COVID-19, afin de limiter les conséquences tardives de cette maladie dangereuse. L’architecture proposée combine l’apprentissage par peu d’exemples avec un ensemble de réseaux de neurones convolutifs pré-entraînés afin d’extraire des vecteurs de caractéristiques à partir d’images de scanners TDM (tomodensitométrie). Le réseau siamois triplet proposé, utilisé comme modèle d’apprentissage par peu d’exemples, a classifié les images de scanners TDM en trois catégories : Normales, COVID-19 et Pneumonie communautaire. Le modèle suggéré a atteint une précision globale de 98,719 %, une spécificité de 99,36 %, une sensibilité de 98,72 % et un score ROC de 99,9 %, en utilisant uniquement 200 images de scanners TDM par catégorie pour l’entraînement.