Snabbtest för att upptäcka röd–grön färgseendeavvikelse med ett neuralt nätverksstött färgnamnsuppdrag

Varför detta spelar roll i vardagen

Miljontals människor ser färger annorlunda utan att vara medvetna om det, och traditionella tester för färgseende kan vara långsamma, dyra eller svåra att använda för barn, äldre eller personer med begränsad rörlighet. Den här studien introducerar ett snabbt, enkelt datorbaserat sätt att upptäcka röd–gröna färgseendeavvikelser genom att helt enkelt be människor säga vilka färger de ser, medan ett artificiellt intelligenssystem diskret avgör om deras färgsinne är typiskt eller inte.

Hur färgseendet kan skilja sig åt mellan människor

Människans färgseende beror i huvudsak på tre typer av ljuskänsliga celler i ögat, grovt inställda på långa (röda), medellånga (gröna) och korta (blå) våglängder. När en typ saknas, inte fungerar eller har förskjuten känslighet kan människor förväxla vissa nyanser, särskilt rött och grönt. Vissa är dikromater och förlitar sig på bara två tappar, medan andra är anomalösa trikromater som har alla tre tappar men med en förskjutning så att vissa färger blir svårare att skilja åt. Röd–gröna skillnader påverkar omkring 8 % av befolkningen, oftast medfödda; andra utvecklar färgproblem senare i livet, till exempel på grund av ögonsjukdom eller medicinering.

Begränsningar i nuvarande färgsinnestester

Läkare och arbetsgivare använder flera typer av färgtester. Välkända plåttester, där personer plockar ut siffror eller former gjorda av färgade prickar, är bra på att hitta problem men kan vara känsliga för belysning och är inte alltid lätta att visa på en skärm. Mer avancerade digitala tester, som visar rörliga färgade former eller kräver fin motorik, kan mäta synen i detalj men tar ofta 20–30 minuter och kräver koncentration och goda motoriska färdigheter. Andra tester ber deltagare att ordna färgprover i följd eller matcha färgade lampor, vilket kan vara tröttsamt, svårt för barn eller äldre och kräva specialutrustning.

En enkel idé: säg bara vad du ser

Forskarna prövade en annan metod som speglar vardagslivet: att namnge färger. De visade 56 frivilliga 182 färger hämtade från naturliga scener — nyanser liknande dem man hittar i verkliga objekt — och bad dem att namnge varje färg med hjälp av 11 grundläggande färgord på portugisiska (såsom röd, grön, blå eller brun). Denna grupp innehöll personer med typiskt färgseende samt flera typer av röd–gröna avvikelser. Istället för att förlita sig på en mänsklig expert för att tolka svaren matade teamet in mönstret av namn i ett neuralt nätverk, en typ av artificiell intelligens som kan lära sig att känna igen komplexa mönster i data.

Vad den artificiella intelligensen lärde sig

Det neurala nätverket tränades för att göra tre nivåer av bedömning: först avgöra om en persons färgseende var typiskt eller inte; andra, skilja mellan typiskt seende, dikromater och anomalösa trikromater; och tredje, särskilja fem detaljerade kategorier, inklusive specifika typer av röd–grönt bortfall. Med hela uppsättningen av 182 färger identifierade det personer med färgseendeavvikelser med mycket hög total träffsäkerhet: för grundläggande screening var både känslighet (att fånga dem med avvikelse) och specificitet (att inte felmärka dem med typiskt seende) över 95 %. Även när modellen försökte sortera personer i de mer detaljerade fem grupperna förblev dess prestanda användbar, om än mindre precis, vilket speglar att den uppgiften är svårare.

Hitta de mest informativa färgerna

För att göra testet snabbare letade teamet efter en mindre uppsättning färger som bar den mesta användbara informationen. De använde en metod som förklarar vilka indata det neurala nätverket litar mest på och rankade alla 182 färger efter viktighet. Genom att upprepade gånger träna om och testa systemet på de 5, 10, 15, 20 eller 25 mest betydelsefulla färgerna fann de att användning av ungefär 20 noggrant utvalda färger faktiskt gav något bättre screeningsresultat än hela uppsättningen. Detta tyder på att extra färger kan tillföra brus snarare än klarhet och att ett strömlinjeformat test kan genomföras bekvämt på under två minuter på en standardkalibrerad skärm.

Vad detta betyder för hälsa och vardaglig screening

Studien visar att ett snabbt, låginsats färgnamnsuppdrag, tolkas automatiskt av artificiell intelligens, kan matcha eller något överträffa klassiska plåttester när det gäller att upptäcka röd–gröna färgseendeavvikelser, samtidigt som det är lättare att digitalisera och mer bekvämt för många användare. Eftersom det bygger på talade eller enkla svar och statiska bilder kan det vara användbart inte bara för rutinmässiga synkontroller och yrkesmässig screening utan också för att följa ögonsjukdomar eller till och med utforska färgförändringar kopplade till hjärnsjukdomar som Alzheimers sjukdom eller autism. I vardagliga termer pekar arbetet mot en framtid där ett kort appbaserat test på ett par minuter på ett tillförlitligt sätt kan flagga färgseendeproblem.

Citering: 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

Nyckelord: färgseendeavvikelse, röd–grön färgblindhet, neuralt nätverk screening, digitalt syntest, färgnamn