数学建模实战：NIPT时点选择与胎儿异常判定的多目标优化与分类模型

1. 项目概述：从赛题到实战的深度拆解

又到了一年一度的高教社杯全国大学生数学建模竞赛（国赛）的备战季。今年C题的题目“NIPT的时点选择与胎儿的异常判定”一出来，就在我们几个老建模人常混的圈子里炸开了锅。这个题目选得相当有水平，它巧妙地将一个前沿的生物医学问题——无创产前检测，与经典的数学建模工具结合了起来。这不再是那种单纯让你拟合个曲线、预测个销量的题目，而是要求你真正理解一个复杂医疗决策背后的数学模型，并给出有实际指导意义的方案。对于参赛队伍来说，这既是一次挑战，也是一次绝佳的展示机会：谁能把医学逻辑理得最清，把数学模型用得最活，谁就能脱颖而出。

简单来说，这道题的核心就是让我们扮演一个“医疗决策优化师”的角色。NIPT，也就是无创产前DNA检测，大家可能都听说过，它是通过抽取孕妇的静脉血，分析其中胎儿的游离DNA，来筛查胎儿是否患有常见的染色体疾病，比如唐氏综合征（21三体）、爱德华兹综合征（18三体）等。题目抛出了两个关键决策点：第一，什么时候做这个检测最合适？是孕12周，还是16周，或者更晚？第二，拿到检测结果后，如何根据一系列指标（比如DNA浓度、测序深度、特定染色体区域的读数比例等）来综合判断胎儿是否真的异常？前者是一个涉及成本、检出率、孕妇焦虑度等多目标的优化问题；后者则是一个典型的基于多源、可能带有噪声数据的分类与判别问题。

这道题适合所有对数学建模感兴趣，尤其是希望将数学模型应用于解决实际交叉学科问题的同学。无论你是数学、统计、计算机背景，还是生物医学工程相关专业，都能从中找到发挥的空间。接下来，我将结合我们团队的实战经验，把这道题的解题思路、核心模型、代码实现以及文章写作要点，掰开揉碎了讲清楚。我们会从最根本的问题分析开始，一步步构建模型，并分享那些在官方指导书里不会写的“踩坑”心得和调参技巧。

2. 核心问题解析与建模思路总览

面对这样一个题目，第一步绝不是急着打开MATLAB或者Python，而是要把题目中的每一句话、每一个名词都吃透。很多队伍折戟沉沙，不是因为模型不够高级，而是从一开始就对问题的理解出现了偏差。

2.1 问题一：NIPT时点选择的本质是什么？

题目要求我们“考虑孕妇年龄、孕周、检测成本、检出率、假阳性率以及孕妇心理负担等因素，建立数学模型，研究NIPT的最佳检测时点”。这短短一句话，信息量巨大。

首先，我们要明确这些因素是如何随“时点”（即孕周）变化的：

1. 检出率与假阳性率：这是核心医学参数。通常，随着孕周增加，母体血液中胎儿游离DNA的比例（胎儿游离DNA分数，ff）会逐渐升高。ff越高，检测的灵敏度（检出率）通常越高，特异性也可能更好（假阳性率降低）。但这种关系并非简单的线性，可能存在一个平台期。我们需要查找权威的临床研究文献，找到“孕周-ff-检测性能”的实证数据关系。这里的一个常见坑是直接假设线性关系，这过于理想化，评委一眼就能看出你对医学背景了解不足。
2. 检测成本：这可能包括固定成本（试剂、设备损耗）和可变成本。可变成本中，一个关键点是，如果ff太低导致检测失败或结果不明确，可能需要重新抽血检测，这就产生了额外成本。因此，成本模型应该与检测失败的概率挂钩。
3. 孕妇年龄：这是一个重要的先验风险因素。高龄孕妇（如>35岁）胎儿染色体异常的本底风险显著高于年轻孕妇。因此，对于高龄孕妇，早期检测、尽早获知结果的价值更大，即使早期检测的ff稍低、成本稍高，也可能是值得的。这引入了“风险权重”的概念。
4. 孕妇心理负担：这是一个难以量化的因素，但恰恰是体现建模者人文关怀和创新思维的地方。我们可以尝试将其量化：例如，将“不确定性焦虑”建模为从知晓需要检测到获得明确结果这段时间长度的函数（时间越长，负担越重）；将“等待阳性结果的焦虑”建模为风险概率的函数。最佳时点可能需要平衡“早点做以缩短焦虑时间”和“晚点做以提高准确性减少不必要的恐慌”。

所以，问题一本质上是一个多目标优化问题。决策变量是检测孕周（一个连续或离散的变量）。目标函数可能包括：最大化综合效益（检出率-假阳性率-成本-心理负担）、最小化总成本、最小化综合风险等。我们需要建立一个包含上述因素的量化模型，然后利用优化算法（如网格搜索、遗传算法等）寻找帕累托最优解或给定权重下的最优解。

注意：千万不要把“最佳时点”简单理解为一个对所有孕妇都一样的固定周数。我们的模型结果很可能显示，对于不同年龄、不同风险承受能力的孕妇，最佳时点是不同的。这恰恰是模型的价值所在——提供个性化建议。

2.2 问题二：胎儿异常判定的核心挑战是什么？

问题二要求我们“根据NIPT检测出的数据（如染色体区域读数比例），结合孕妇年龄等其他信息，建立胎儿染色体异常风险的判定模型”。

这里的数据通常是高通量测序产生的海量数据。以唐氏综合征筛查为例，关键指标是21号染色体的相对读数比例。正常胎儿该比例预期在1.0左右，而21三体胎儿由于多了一条21号染色体，其比例会显著升高（如接近1.5）。但事情没那么简单：

1. 数据噪声：测序过程存在技术噪声，读数比例本身就有波动。
2. 母体背景干扰：孕妇本身可能存在染色体嵌合体或其他情况，影响血液中的DNA比例。
3. ff的影响：胎儿DNA比例ff过低会放大噪声，使异常信号变得模糊。
4. 多维度信息：除了21号染色体，我们可能还同步检测了18号、13号染色体以及性染色体的比例。这些指标之间可能并非独立，需要联合分析。
5. 先验信息：孕妇年龄是一个非常重要的先验概率。35岁孕妇的胎儿患唐氏综合征的先验概率大约是1/350，而25岁孕妇则约为1/1250。这个先验概率必须融入到最终的判定中。

因此，问题二的核心是构建一个基于贝叶斯框架的分类模型。我们可以将“胎儿是否异常”看作一个隐藏状态，我们观测到的是带有噪声的染色体读数数据。我们需要计算在观测到当前数据（以及已知孕妇年龄）的条件下，胎儿异常的后验概率。

一个强大且可解释性高的方法是Z-score模型。其基本思想是：首先，利用大量正常样本的数据，建立每条染色体读数比例在给定ff下的均值和标准差（即参考分布）。然后，对于一个新样本，计算其各染色体读数比例偏离对应参考分布均值的程度，用标准差的倍数（即Z值）来表示。例如，21号染色体的Z值 = (样本21号染色体比例 - 正常均值) / 正常标准差。

单纯的Z值可以提示偏差，但最终的判定需要结合先验概率。我们可以使用逻辑回归或朴素贝叶斯分类器，将Z值（可能包括多个染色体的Z值）、孕妇年龄（或年龄转换的先验风险值）、甚至ff值作为特征，来预测胎儿异常的后验概率。最后，设定一个临床决策阈值（如后验概率 > 1% 判定为高风险），完成判定。

3. 模型构建与关键算法实现细节

理清了思路，接下来就是动手搭建模型。这里我分享我们团队采用的方案，并重点讲解几个容易出错的细节。

3.1 时点选择优化模型（问题一）的实现

我们构建了一个综合效用函数U(w)来评价在孕周w进行检测的“好坏”，其中w是决策变量。

第一步：量化各个子目标

1. 检测性能P(w)：我们将其量化为“净检出效益”。

   P(w) = Sensitivity(w) - λ * FPR(w)

   其中，Sensitivity(w)和FPR(w)（假阳性率）是关于孕周w的函数，需要从文献中拟合得到。λ是一个惩罚系数，表示我们对假阳性的厌恶程度（假阳性会导致不必要的羊膜穿刺等侵入性检查，带来身心伤害和额外成本）。我们通过查阅多篇临床研究，拟合出如下关系（示例，非真实数据）：

   ff(w) = a / (1 + exp(-b*(w - c))) # S型增长曲线拟合ff与孕周 Sensitivity(w) = 1 - exp(-d * ff(w)) # 检出率随ff增加而提升，逐渐趋近于1 FPR(w) = e * exp(-f * ff(w)) # 假阳性率随ff增加而下降

   这里的参数a,b,c,d,e,f都需要通过数据拟合确定。

2. 成本C(w)：我们将其分为固定成本C_fix和期望额外成本。

   C(w) = C_fix + p_fail(w) * C_retest

   p_fail(w)是检测失败或结果不确定的概率，它与ff(w)负相关。当ff(w)低于某个技术阈值L时，失败概率急剧上升。我们可以用另一个S型函数来模拟：

   p_fail(w) = 1 / (1 + exp(g * (ff(w) - L)))

3. 心理负担B(w, A)：这里我们尝试将其量化为两个部分的加权和。A代表孕妇年龄，它影响了风险概率p_risk(A)。

   B(w, A) = α * T_wait(w) + β * p_risk(A) * Uncertainty(w)

   • T_wait(w)：从孕周w检测到获得结果的平均时间。假设检测流程固定，这部分可视为常数，但早检测意味着早结束等待。
   • Uncertainty(w)：检测结果的不确定性，可以用1 - Sensitivity(w) + FPR(w)来近似，表示可能漏诊或误诊的总概率。这个不确定性乘以风险概率p_risk(A)，代表了“担忧的强度”。高龄孕妇（p_risk(A)大）对同样的不确定性会感到更重的负担。
   • α和β是权重系数，需要通过专家问卷或假设分析来确定。

第二步：构建综合效用函数并优化

我们将所有指标归一化到[0,1]区间，并赋予权重，构建综合效用函数：

U(w, A) = ω1 * P_norm(w) - ω2 * C_norm(w) - ω3 * B_norm(w, A)

目标是找到使U最大的w。由于w通常限制在一个合理区间（如10-20周），我们可以直接采用黄金分割搜索法或布伦特法这类一维优化算法，效率很高。

实操心得：权重ω1, ω2, ω3的设定没有标准答案，这恰恰是体现模型灵活性的地方。在论文中，我们应该进行敏感性分析。展示当权重在不同取值下（例如，更关注成本、更关注心理负担、更关注检出率），最优时点w是如何变化的。这能极大地提升论文的深度和说服力。

3.2 胎儿异常判定模型（问题二）的实现

我们采用基于Z-score和逻辑回归的混合模型，流程清晰，可解释性强。

第一步：数据预处理与Z值计算

假设我们拥有一个历史正常样本数据集，包含每个样本的：ff值，第13、18、21号染色体的标准化读数R13, R18, R21。

1. 将正常样本按ff值分箱（如ff: 0.02-0.04, 0.04-0.06, ...）。
2. 在每个ff箱内，计算R21的均值μ_21(ff)和标准差σ_21(ff)。同理得到μ_18(ff),σ_18(ff)等。这样就建立了ff依赖的动态参考范围。
3. 对于一个新样本，根据其ff值找到对应的ff箱，计算其各染色体的Z值：

   Z21 = (R21_sample - μ_21(ff)) / σ_21(ff) Z18 = (R18_sample - μ_18(ff)) / σ_18(ff) Z13 = (R13_sample - μ_13(ff)) / σ_13(ff)

第二步：构建逻辑回归分类器

特征向量为：X = [Z21, Z18, Z13, ff, prior_risk]。

• prior_risk：由孕妇年龄转换而来的先验风险概率（如1/350）。 标签y为0（正常）或1（异常，如21三体）。

使用历史数据（需包含已知结果的正常和异常样本）训练逻辑回归模型：

from sklearn.linear_model import LogisticRegression import numpy as np # 假设 features 是特征矩阵， labels 是标签 model = LogisticRegression(penalty='l2', C=1.0, class_weight='balanced') model.fit(features, labels) # 对于新样本，预测其属于异常类的概率 prob_abnormal = model.predict_proba(new_sample_features)[:, 1]

第三步：决策与阈值选择

得到prob_abnormal后，需要设定一个报告阈值T。通常临床实践会选择一个高特异性的阈值（如T=0.01或0.05），即当概率超过T时，报告为“高风险”。

关键技巧：逻辑回归中的class_weight='balanced'参数非常重要。因为在实际数据中，异常样本极少，属于严重不平衡数据集。这个参数可以自动调整权重，让模型不过度偏向多数类（正常样本），从而提高对异常样本的召回率（检出率）。

4. 编程实现、数据模拟与结果分析

理论模型需要代码和数据的支撑。由于竞赛不提供真实数据，我们需要科学地模拟数据来验证模型。

4.1 关键数据的模拟生成

我们使用Python进行模拟。首先模拟正常孕妇群体的数据。

import numpy as np import pandas as pd def simulate_normal_samples(num_samples=10000): """ 模拟正常样本的NIPT数据 """ np.random.seed(2025) # 固定随机种子，确保结果可复现 # 模拟孕周（均匀分布） gestational_weeks = np.random.uniform(10, 20, num_samples) # 模拟胎儿DNA分数ff：随孕周增加而增加，并加入个体差异 ff_base = 0.03 + 0.002 * (gestational_weeks - 10) # 基础线性增长 ff = ff_base + np.random.normal(0, 0.005, num_samples) # 加入随机波动 ff = np.clip(ff, 0.01, 0.3) # 限制在合理范围 # 模拟正常染色体读数比例：期望为1，波动与ff成反比（ff越低，噪声越大） # 噪声标准差设定为与1/sqrt(ff)成正比 noise_scale = 0.1 / np.sqrt(ff) r21 = 1.0 + np.random.normal(0, noise_scale) r18 = 1.0 + np.random.normal(0, noise_scale) r13 = 1.0 + np.random.normal(0, noise_scale) # 模拟孕妇年龄 age = np.random.normal(30, 5, num_samples) age = np.clip(age, 20, 45).astype(int) df_normal = pd.DataFrame({ 'gestational_week': gestational_weeks, 'ff': ff, 'R21': r21, 'R18': r18, 'R13': r13, 'age': age, 'label': 0 # 正常标签 }) return df_normal

接着模拟异常样本（以21三体为例）：

def simulate_trisomy21_samples(num_samples=200): """ 模拟21三体异常样本 """ np.random.seed(2025) gestational_weeks = np.random.uniform(10, 20, num_samples) ff_base = 0.03 + 0.002 * (gestational_weeks - 10) ff = ff_base + np.random.normal(0, 0.005, num_samples) ff = np.clip(ff, 0.01, 0.3) # 关键区别：21号染色体读数比例期望值升高约50% mean_r21_abnormal = 1.5 noise_scale = 0.15 / np.sqrt(ff) # 异常样本噪声可能略大 r21 = mean_r21_abnormal + np.random.normal(0, noise_scale) # 其他染色体比例期望仍为1 r18 = 1.0 + np.random.normal(0, noise_scale) r13 = 1.0 + np.random.normal(0, noise_scale) age = np.random.normal(35, 5, num_samples) # 异常样本年龄分布偏高 age = np.clip(age, 20, 45).astype(int) df_abnormal = pd.DataFrame({ 'gestational_week': gestational_weeks, 'ff': ff, 'R21': r21, 'R18': r18, 'R13': r13, 'age': age, 'label': 1 }) return df_abnormal

4.2 问题一优化求解示例

我们将上述模拟数据用于问题一的参数拟合（例如拟合Sensitivity(w)和FPR(w)的关系），然后进行优化。这里展示优化部分的核心代码：

from scipy.optimize import minimize_scalar # 定义综合效用函数（示例参数） def utility_function(w, age=30, omega1=0.5, omega2=0.3, omega3=0.2): # 1. 计算当前孕周w下的ff ff_w = 0.03 + 0.002 * (w - 10) # 简化模型 # 2. 计算检测性能（基于拟合的函数，此处为示例） sensitivity = 1 - np.exp(-0.5 * ff_w) fpr = 0.05 * np.exp(-2 * ff_w) net_performance = sensitivity - 0.5 * fpr # λ=0.5 # 3. 计算成本 p_fail = 1 / (1 + np.exp(20 * (ff_w - 0.04))) # 阈值L=0.04 cost = 1000 + p_fail * 500 # 固定成本1000，重检成本500 # 4. 计算心理负担（简化） prior_risk = 1/(1000 - (age-25)*30) # 年龄相关的先验风险简化计算 uncertainty = 1 - sensitivity + fpr burden = 0.1 * (20 - w) + 0.01 * prior_risk * uncertainty # 等待时间和不确定性焦虑 # 5. 归一化（需要预先知道最大值最小值，此处省略，用原始值演示加权） utility = omega1 * net_performance - omega2 * cost/2000 - omega3 * burden/10 return -utility # 因为我们要用最小化函数，所以取负 # 对一位30岁孕妇，寻找最优孕周（限制在12-20周） result = minimize_scalar(utility_function, bounds=(12, 20), args=(30, 0.5, 0.3, 0.2), method='bounded') optimal_week = result.x print(f"对于30岁孕妇，在给定权重下，建议最佳检测孕周为：{optimal_week:.2f} 周")

运行上述代码，我们可能得到建议在孕16周左右进行检测。但更重要的是，我们要改变权重omega1, omega2, omega3，观察最优时点的变化，并绘制敏感性分析图表。

4.3 问题二分类模型训练与评估

将模拟的正常和异常数据合并，划分训练集和测试集，进行模型训练和评估。

from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score, roc_curve import matplotlib.pyplot as plt # 合并数据 df_normal = simulate_normal_samples(10000) df_abnormal = simulate_trisomy21_samples(200) df = pd.concat([df_normal, df_abnormal], ignore_index=True) # 计算Z值（这里简化处理，使用全局均值和标准差，实际应按ff分箱） # 仅使用正常样本计算参考分布 ref_mean = df_normal[['R21', 'R18', 'R13']].mean() ref_std = df_normal[['R21', 'R18', 'R13']].std() df['Z21'] = (df['R21'] - ref_mean['R21']) / ref_std['R21'] df['Z18'] = (df['R18'] - ref_mean['R18']) / ref_std['R18'] df['Z13'] = (df['R13'] - ref_mean['R13']) / ref_std['R13'] # 年龄转换为先验风险（简化公式） df['prior_risk'] = 1 / (1000 - (df['age'] - 25) * 30) # 准备特征和标签 features = df[['Z21', 'Z18', 'Z13', 'ff', 'prior_risk']] labels = df['label'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.3, random_state=42, stratify=labels) # 训练逻辑回归模型 model = LogisticRegression(penalty='l2', C=1.0, class_weight='balanced', max_iter=1000) model.fit(X_train, y_train) # 在测试集上预测 y_pred_prob = model.predict_proba(X_test)[:, 1] y_pred = (y_pred_prob > 0.02).astype(int) # 以2%的概率为阈值 # 评估模型 print("分类报告：") print(classification_report(y_test, y_pred, target_names=['正常', '异常'])) print("\n混淆矩阵：") print(confusion_matrix(y_test, y_pred)) # 计算AUC并绘制ROC曲线 auc = roc_auc_score(y_test, y_pred_prob) fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob) plt.figure() plt.plot(fpr, tpr, label=f'Logistic Regression (AUC = {auc:.3f})') plt.plot([0, 1], [0, 1], 'k--') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve for Trisomy 21 Detection') plt.legend() plt.grid(True) plt.show()

运行评估后，我们可能会得到一份详细的分类报告，包括精确率、召回率、F1分数等。通过调整逻辑回归的阈值（上面代码中的0.02），我们可以在灵敏度和特异性之间进行权衡，绘制出ROC曲线，并计算AUC值来综合评价模型性能。一个优秀的模型AUC值应接近0.99。

5. 论文写作要点与常见问题避坑指南

模型和代码都做好了，最后一步是把你的工作清晰、有力、规范地呈现在论文里。这部分往往决定了你能拿国一还是国二。

5.1 论文核心章节结构建议

1. 问题重述与分析：不要照抄题目！要用自己的话精炼地概括问题一和问题二的核心，并画出技术路线图。路线图能清晰地展示你的解题逻辑，让评委一眼看懂你的思路。
2. 模型假设与符号说明：假设要合理、必要。例如，“假设胎儿游离DNA分数与孕周满足S型增长关系”、“假设检测成本由固定成本和与失败概率相关的可变成本构成”。符号说明用三线表，清晰美观。
3. 模型的建立与求解：这是论文的躯干。
   • 对于问题一：详细阐述每个子目标（性能、成本、负担）的量化过程，给出公式和参数来源（可注明“参考临床文献[1]”）。说明你如何将多目标转化为单目标（加权和法），并介绍所使用的优化算法（如黄金分割法）。
   • 对于问题二：重点讲清楚Z值的计算原理（为什么能消除ff的影响），以及如何将Z值、先验风险等特征融合到逻辑回归模型中。给出模型的数学形式。
4. 模型的模拟与结果分析：这是论文的血肉。
   • 数据模拟部分：要说明你模拟数据的依据，例如“参考了《中华妇产科杂志》XX年第X期关于NIPT性能的大样本研究数据范围”。列出你模拟的关键参数表。
   • 问题一结果：展示最优时点随孕妇年龄、权重变化的三维图或等高线图。一定要做敏感性分析，用图表展示权重变化对最优解的影响，并讨论其现实意义。
   • 问题二结果：展示混淆矩阵、分类报告（精确率、召回率、F1值）、ROC曲线和AUC值。分析模型在高低ff样本上的表现差异。可以做一个“判定风险概率”的分布图，直观展示正常和异常样本的概率分离情况。
5. 模型的评价与推广：客观评价自己模型的优点（如个性化、多目标权衡、结合先验信息）和缺点（如心理负担量化较主观、部分参数依赖文献假设）。提出改进方向，例如引入更复杂的机器学习模型（如XGBoost）、考虑更多染色体异常类型等。

5.2 常见“坑点”与应对策略

1. 坑点一：对医学背景理解肤浅。

   • 表现：直接假设检出率与孕周成线性关系；忽略胎儿DNA分数（ff）的核心作用；不知道假阳性率的临床危害。
   • 避坑：花半天时间精读2-3篇NIPT相关的临床研究综述或指南。理解ff、检出率、假阳性率、阳性预测值这些核心概念及其相互关系。在论文中引用这些文献，体现你的工作有扎实的现实依据。

2. 坑点二：模型“黑箱化”，可解释性差。

   • 表现：一上来就用深度神经网络，但说不清中间层在做什么；模型结果没有清晰的生物学或统计学解释。
   • 避坑：优先选择可解释性强的模型（如本题推荐的Z-score+逻辑回归）。在论文中详细解释Z值的物理意义（标准偏差的倍数），以及逻辑回归系数的大小和正负所代表的含义（例如，Z21的系数最大，说明21号染色体偏离正常范围对判定异常贡献最大）。

3. 坑点三：忽略数据不平衡问题。

   • 表现：直接用准确率评价问题二的模型。由于异常样本极少（可能只占1-2%），一个将所有样本都预测为正常的“笨”模型也能达到98%的准确率，但这毫无意义。
   • 避坑：必须使用精确率、召回率、F1分数、AUC这些适用于不平衡数据的指标。在训练逻辑回归时，务必设置class_weight='balanced'。

4. 坑点四：敏感性分析缺失或流于形式。

   • 表现：只给出一组权重下的最优解，或者只是简单地说“模型对参数不敏感”。
   • 避坑：对问题一，系统性地改变权重系数（如ω1从0.1到0.9），画出最优时点变化的曲线或曲面图。分析在“成本敏感型”、“心理负担敏感型”、“检出率敏感型”等不同决策偏好下，最佳建议如何变化。这能极大提升论文的深度和实用性。

5. 坑点五：论文写作像实验报告。

   • 表现：通篇“首先、然后、接着”；大量堆砌代码和公式；没有图表或图表丑陋；语言口语化不严谨。
   • 避坑：学习优秀论文的写作风格。多用图表说话，一图胜千言。公式要居中、编号、引用。语言要简洁、准确、客观。摘要要精炼，包含所用方法、主要模型和核心结论。

最后，再分享一个提交前的检查清单：1）所有图表是否都有编号和标题？2）所有公式是否都编号并正确引用？3）参考文献格式是否统一？4）摘要是否清晰概括了全部工作？5）附录里的代码关键部分是否有注释？把这些细节做到位，你的论文就能在众多作品中显得格外专业和可靠。这道C题充满了将数学应用于现实世界的魅力，祝各位参赛者都能享受这个过程，取得理想的成绩。