新型コロナウイルス感染症（COVID-19）を有する患者は、肺炎様の症状および肺に悪影響を及ぼす呼吸器系の問題を呈する場合がある。医学画像を用いることで、さまざまな機械学習手法を活用してコロナウイルス感染症を正確に同定および予測することが可能である。しかし、これまでに発表された多数の機械学習手法は、広範なハイパーパラメータ調整を必要とし、小規模なデータセットには不適切である。一方、少サンプル学習（few-shot learning）アルゴリズムは、比較的小規模なデータセットの情報を効果的に活用することで、大規模なデータセットの必要性を低減することを目指している。このような背景から、この危険な疾患の後遺症を軽減するため、早期にCOVID-19を検出するための少サンプル学習モデルの開発を試みた。提案するアーキテクチャは、事前学習済みの畳み込みニューラルネットワーク（CNN）のアンサンブルを用いてCT画像から特徴ベクトルを抽出し、類似度学習を行う。提案モデルとして採用したトリプレット・シモネスネットワーク（Triplet Siamese Network）は、CT画像を「正常」、「COVID-19」、「院内感染性肺炎（Community-Acquired Pneumonia）」の3クラスに分類した。訓練データとして各クラスに200枚のCTスキャン画像を用いた場合、本モデルは全体の正解率98.719%、特異度99.36%、感度98.72%、ROCスコア99.9%を達成した。