Sneltest voor het opsporen van rood–groene kleurenziendeficiënties met behulp van een neuronaal netwerk bij een kleurnaamopdracht

Waarom dit belangrijk is voor het dagelijks leven

Miljoenen mensen zien kleuren anders zonder dat ze het weten, en traditionele tests voor kleurenzicht kunnen traag, duur of moeilijk te gebruiken zijn voor kinderen, ouderen of mensen met beperkte mobiliteit. Deze studie introduceert een snelle, eenvoudige computergebaseerde manier om rood–groene verschillen in kleurenzicht op te sporen door mensen te vragen welke kleuren ze zien, terwijl een kunstmatig intelligentiesysteem stilletjes bepaalt of hun zicht typisch is of niet.

Hoe kleurenzicht tussen mensen kan verschillen

Menselijk kleurenzicht is voornamelijk afhankelijk van drie soorten lichtgevoelige cellen in het oog, globaal afgestemd op lange (roodachtige), middellange (groenachtige) en korte (blauwe) golflengten. Wanneer één type ontbreekt, niet functioneert of in gevoeligheid verschoven is, kunnen mensen bepaalde tinten verwarren, vooral rood en groen. Sommigen zijn dichromaten en vertrouwen op slechts twee keentypes, terwijl anderen anomalous trichromats zijn: zij hebben alle drie de kegeltypes maar met één verschoven, waardoor bepaalde kleuren moeilijker te onderscheiden zijn. Rood–groene verschillen treffen ongeveer 8% van de mensen, meestal vanaf de geboorte; anderen ontwikkelen later in het leven kleurproblemen, bijvoorbeeld door oogziekten of medicijnen.

Beperkingen van huidige kleurenzichttests

Artsen en werkgevers gebruiken verschillende soorten kleurentests. Bekende plaatstests, waarin mensen nummers of vormen van gekleurde stippen moeten aanwijzen, zijn goed in het opsporen van problemen maar kunnen gevoelig zijn voor verlichting en zijn niet altijd makkelijk op een scherm te tonen. Geavanceerdere digitale tests, zoals die bewegende gekleurde vormen tonen of fijne motorische controle vereisen, kunnen het zicht gedetailleerd meten maar duren vaak 20–30 minuten en vergen concentratie en goede motoriek. Andere tests vragen mensen gekleurde chips te rangschikken of gekleurde lichten te matchen, wat vermoeiend kan zijn, lastig voor kinderen of ouderen en gespecialiseerde apparatuur vereist.

Eenvoudig idee: noem gewoon wat je ziet

De onderzoekers probeerden een andere benadering die het dagelijks leven weerspiegelt: kleuren benoemen. Ze toonden 56 vrijwilligers 182 kleuren afkomstig uit natuurlijke scènes—tinten vergelijkbaar met die in echte objecten—en vroegen hen elke kleur te benoemen met 11 basiskleurnamen in het Portugees (zoals rood, groen, blauw of bruin). Deze groep omvatte mensen met typisch kleurenzicht en verschillende soorten rood–groene verschillen. In plaats van een menselijke expert te laten interpreteren wat de antwoorden betekenen, voerden de onderzoekers het patroon van benamingen in een neuraal netwerk, een vorm van kunstmatige intelligentie die complexe patronen in gegevens kan leren herkennen.

Wat de kunstmatige intelligentie leerde

Het neurale netwerk werd getraind om drie niveaus van beoordeling uit te voeren: eerst simpelweg beslissen of iemands kleurenzicht typisch was of niet; ten tweede typisch zicht, dichromaten en anomalous trichromats van elkaar te onderscheiden; en ten derde vijf gedetailleerde categorieën te onderscheiden, inclusief specifieke typen rood–groen verlies. Met de volledige set van 182 kleuren identificeerde het mensen met kleurenzichtsverschillen met een zeer hoog totaal succes: voor basis screening lagen zowel sensitiviteit (het opvangen van mensen met een afwijking) als specificiteit (het niet fout labelen van mensen met typisch zicht) boven de 95%. Zelfs toen het model probeerde mensen in de meer gedetailleerde vijf groepen in te delen, bleef de prestatie bruikbaar, zij het minder precies, wat de moeilijkere aard van die taak weerspiegelt.

De meest informatieve kleuren vinden

Om de test sneller te maken zocht het team naar een kleinere reeks kleuren die het grootste deel van de nuttige informatie bevatten. Ze gebruikten een methode die verklaart op welke invoer het neurale netwerk het sterkst vertrouwt en rangschikten alle 182 kleuren op belangrijkheid. Door het systeem herhaaldelijk opnieuw te trainen en te testen op de top 5, 10, 15, 20 of 25 kleuren, ontdekten ze dat het gebruik van ongeveer 20 zorgvuldig gekozen kleuren eigenlijk een iets betere screeningsprestatie gaf dan de volledige set. Dit suggereert dat extra kleuren ruis in plaats van duidelijkheid kunnen toevoegen en dat een gestroomlijnde test comfortabel in minder dan twee minuten op een standaard gekalibreerd scherm kan worden voltooid.

Wat dit betekent voor gezondheid en dagelijkse screening

De studie toont aan dat een snelle, weinig inspanning vergende kleurnaamopdracht, automatisch geïnterpreteerd door kunstmatige intelligentie, klassiekers als plaatstests kan evenaren of licht kan overtreffen in het opsporen van rood–groene kleurenzichtsverschillen, terwijl het gemakkelijker te digitaliseren is en voor veel gebruikers comfortabeler aanvoelt. Omdat het afhankelijk is van gesproken of eenvoudige antwoorden en statische afbeeldingen, kan het nuttig zijn voor routinematige oogcontroles en sollicitaties, maar ook voor het volgen van oogziekten of zelfs het onderzoeken van kleurveranderingen gekoppeld aan hersenaandoeningen zoals de ziekte van Alzheimer of autisme. In alledaagse termen wijst dit werk op een toekomst waarin een korte app-gebaseerde test betrouwbaar kleurenzichtsproblemen in slechts een paar minuten kan signaleren.

Bronvermelding: Monteiro, J.A.R., Marques, D.N., Linhares, J.M.M. et al. Rapid test for detecting red–green color vision deficiencies using a neural network-assisted color-naming task. Sci Rep 16, 9987 (2026). https://doi.org/10.1038/s41598-026-38222-2

Trefwoorden: kleurenziendeficiëntie, rood–groene kleurenblindheid, neuronaal netwerk screening, digitale oogtest, kleurnaamgeving