Szybki test wykrywający wady widzenia barw czerwono–zielonych przy użyciu zadania nazw kolorów wspomaganego siecią neuronową

Dlaczego ma to znaczenie w życiu codziennym

Miliony ludzi postrzegają kolory inaczej, nie zdając sobie z tego sprawy, a tradycyjne testy widzenia barw mogą być powolne, kosztowne lub trudne w użyciu dla dzieci, osób starszych czy osób z ograniczoną mobilnością. To badanie przedstawia szybki, prosty, komputerowy sposób wykrywania różnic w widzeniu czerwono–zielonym wyłącznie przez proszenie badanych o nazwanie widzianych kolorów, podczas gdy system sztucznej inteligencji dyskretnie ustala, czy ich widzenie jest typowe, czy nie.

Jak widzenie barw może się różnić u ludzi

Ludzkie widzenie barw zależy głównie od trzech rodzajów komórek światłoczułych w oku, czułych w przybliżeniu na długie (czerwone), średnie (zielone) i krótkie (niebieskie) długości fal. Gdy jeden typ jest nieobecny, nie działa lub ma przesuniętą czułość, ludzie mogą mylić pewne odcienie, szczególnie czerwienie i zielenie. Niektórzy są dichromatami, polegającymi tylko na dwóch typach czopków, inni są anomalnymi trichromatami — mają trzy czopki, ale jeden z nich jest przesunięty, przez co niektóre barwy trudniej odróżnić. Różnice w zakresie czerwono–zielonym dotycząc około 8% populacji, głównie wrodzenie; inne osoby rozwijają problemy z kolorem później, na przykład wskutek chorób oczu lub leków.

Ograniczenia obecnych testów widzenia barw

Lekarze i pracodawcy stosują kilka rodzajów testów kolorów. Znane testy płytkowe, gdzie badani wskazują liczby lub kształty utworzone z kolorowych kropek, są skuteczne w wykrywaniu problemów, lecz są wrażliwe na oświetlenie i nie zawsze łatwo je przenieść na ekran. Bardziej zaawansowane testy cyfrowe, takie jak te pokazujące poruszające się kolorowe kształty lub wymagające precyzyjnej kontroli manualnej, potrafią mierzyć widzenie szczegółowo, ale często trwają 20–30 minut i wymagają koncentracji oraz dobrych umiejętności motorycznych. Inne testy polegają na układaniu kolorowych płytek w kolejności lub dopasowywaniu świateł barwnych, co może być męczące, trudne dla dzieci lub osób starszych i wymagać specjalistycznego sprzętu.

Prosty pomysł: po prostu nazwij to, co widzisz

Naukowcy zastosowali inne podejście, przypominające codzienne doświadczenia: nazywanie kolorów. Pokazali 56 ochotnikom 182 kolory zaczerpnięte ze scen naturalnych — odcienie podobne do tych spotykanych w obiektach rzeczywistych — i prosili, by nazwali każdy z nich, używając 11 podstawowych słów kolorów w języku portugalskim (takich jak vermelho, verde, azul czy marrom). Grupa obejmowała osoby z typowym widzeniem barw oraz kilka rodzajów różnic czerwono–zielonych. Zamiast polegać na ekspercie interpretującym odpowiedzi, zespół wprowadził wzorce nazw do sieci neuronowej, rodzaju sztucznej inteligencji potrafiącej uczyć się rozpoznawania złożonych wzorców w danych.

Czego nauczyła się sztuczna inteligencja

Sieć neuronowa była trenowana do wykonywania trzech poziomów oceny: najpierw po prostu decydować, czy czyjeś widzenie barw jest typowe, czy nie; po drugie, rozdzielać typowe widzenie, dichromatów i anomalnych trichromatów; oraz po trzecie, rozróżniać pięć szczegółowych kategorii, włączając konkretne typy utraty czerwono–zielonej percepcji. Przy pełnym zestawie 182 kolorów system zidentyfikował osoby z różnicami widzenia barw z bardzo wysoką skutecznością: dla podstawowego screeningu zarówno czułość (wykrywanie osób z wadą), jak i swoistość (niebłędne klasyfikowanie osób z typowym widzeniem) były powyżej 95%. Nawet gdy model próbował przypisać osoby do bardziej szczegółowych pięciu grup, jego wyniki pozostały użyteczne, choć mniej precyzyjne, co odzwierciedla większą trudność tego zadania.

Wyszukiwanie najbardziej informatywnych kolorów

Aby skrócić test, zespół poszukiwał mniejszego zbioru kolorów niosących większość użytecznej informacji. Użyli metody wyjaśniającej, na których wejściach sieć neuronowa opiera się najsilniej, i uszeregowali wszystkie 182 kolory według ważności. Poprzez wielokrotne ponowne trenowanie i testowanie systemu na najlepszych 5, 10, 15, 20 lub 25 kolorach stwierdzili, że użycie około 20 starannie dobranych kolorów dało nawet nieco lepsze wyniki screeningu niż pełny zestaw. Sugeruje to, że dodatkowe kolory mogą wprowadzać szum zamiast jasności i że uproszczony test można wykonać wygodnie w mniej niż dwie minuty na standardowym skalibrowanym ekranie.

Co to oznacza dla zdrowia i codziennego screeningu

Badanie pokazuje, że szybkie, niewymagające zadanie nazw kolorów, interpretowane automatycznie przez sztuczną inteligencję, może dorównać lub nieco przewyższyć klasyczne testy płytkowe w wykrywaniu różnic czerwono–zielonych, będąc przy tym łatwiejsze do zdigitalizowania i wygodniejsze dla wielu użytkowników. Ponieważ opiera się na wypowiadanych lub prostych odpowiedziach i statycznych obrazach, może być przydatne nie tylko do rutynowych badań wzroku i przesiewów zawodowych, ale też do monitorowania chorób oczu czy badania zmian w postrzeganiu koloru związanych z chorobami mózgu, takimi jak choroba Alzheimera czy autyzm. W praktycznym ujęciu oznacza to kierunek ku przyszłości, w której krótki test w aplikacji mógłby wiarygodnie wykryć problemy z widzeniem barw w zaledwie kilka minut.

Cytowanie: 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

Słowa kluczowe: wada widzenia barw, ślepota na barwy czerwono–zielone, screening za pomocą sieci neuronowej, cyfrowy test wzroku, nazywanie kolorów