使用神经网络辅助颜色命名任务检测红–绿色觉差的快速测试

这对日常生活有何意义

数百万人在色彩感知上与他人不同却未必意识到，传统的色觉检测往往耗时、费用高或不便于儿童、老年人或行动不便者使用。本研究提出了一种快速、简单的计算机化方法：通过让受试者说出所见颜色，同时由人工智能系统悄然判断其色觉是否典型，从而识别红–绿色觉差。

人们的色觉如何不同

人类的色觉主要依赖眼内三类对光敏感的细胞，分别对长波（偏红）、中波（偏绿）和短波（偏蓝）光敏感。当某一类细胞缺失、功能不全或敏感性发生位移时，人们可能会混淆某些色调，尤其是红色和绿色。有些人是二色视觉者，仅依赖两类视锥细胞；另一些是异常三色视觉者，三类视锥均存在但其中一类的敏感性发生偏移，从而使某些颜色更难区分。红–绿色觉差约影响约8%的人群，多数为先天性；也有人因眼病或药物等因素在后天出现色觉问题。

现有色觉检测的局限

医生和雇主使用若干类型的色觉测试。常见的色片测试让受试者从由彩色点构成的图案中识别数字或形状，这类测试能有效发现问题，但对照明条件敏感，且不总是易于在屏幕上呈现。更复杂的数字化测试，如显示移动彩色形状或要求精细手部控制的测试，可以详细测量视力，但常需20–30分钟并要求集中注意力与良好的运动能力。其他测试要求受试者按顺序排列彩色片或匹配彩色光，这些方法既疲劳又不便于儿童或老年人使用，并且需要专用设备。

一个简单的想法：直接说出你看到的颜色

研究者采用了一种更贴近日常生活的方法：颜色命名。他们向56名志愿者展示了182种来自自然场景的颜色——这些色调类似于真实物体中的颜色——并请受试者使用11个基础葡萄牙语颜色词（例如赤、绿、蓝或棕等）为每种颜色命名。参与者中既有典型色觉者，也包含几类红–绿色觉差者。研究团队没有依赖人工专家解读回答，而是将命名模式输入到神经网络中，这是一类能从数据中学习并识别复杂模式的人工智能系统。

人工智能学到了什么

该神经网络被训练来完成三个层面的判断：首先，单纯判断一个人的色觉是否典型；第二，区分典型视力、二色视觉者和异常三色视觉者；第三，区分五个更详细的类别，包括具体的红–绿色损失类型。使用全部182种颜色时，它在识别色觉差异方面总体成功率很高：在基础筛查中，敏感性（识别出有差异者）和特异性（不将典型视力者误判为有差异）均超过95%。即便在更困难的五分类任务中，模型的表现仍有实用价值，但精度较低，反映出该任务的复杂性。

寻找最具信息量的颜色

为使测试更快，研究团队寻找一小组能够携带大部分有用信息的颜色。他们使用一种方法来解释神经网络最依赖的输入，并对所有182种颜色按重要性进行排序。通过对排名前5、10、15、20或25的颜色重复训练与测试系统，发现约20种经过精心挑选的颜色实际上在筛查表现上略优于全部颜色集。这表明额外的颜色可能带来噪声而非更多信息，并且一个精简的测试可在标准校准屏幕上舒适地在两分钟以内完成。

这对健康和日常筛查的意义

该研究表明，由人工智能自动解读的快速、低负担颜色命名任务，在发现红–绿色觉差方面可以与甚至略优于经典色片测试，同时更易于数字化并对许多用户更为舒适。因为它依赖口头或简单响应与静态图像，除了可用于常规眼科检查和职业筛查外，还可用于跟踪眼病，甚至探索与阿尔茨海默病或自闭症等脑部状况相关的颜色变化。通俗地说，这项工作指向了一个前景：通过短小的应用内测试，几分钟内就能可靠地标识出色觉问题。

引用: 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

关键词: 色觉缺陷, 红–绿色盲, 神经网络筛查, 数字视力检测, 颜色命名