Enfermedad pulmonar es una de las principales causas de muerte a nivel mundial. Esto enfatiza la necesidad de un diagnóstico temprano para brindar un tratamiento adecuado y salvar vidas. Los médicos típicamente requieren información sobre los síntomas clínicos de los pacientes, varios análisis de laboratorio y patología, junto con radiografías de tórax para confirmar el diagnóstico de enfermedad pulmonar. En este estudio, presentamos un enfoque de aprendizaje profundo multimodal basado en transformadores que incorpora datos clínicos e imágenes para un diagnóstico efectivo de enfermedades pulmonares en un nuevo conjunto de datos médicos multimodal. El método propuesto emplea un módulo transformador de atención cruzada para fusionar características de las modalidades heterogéneas. Luego, las características fusionadas unificadas se utilizan para la clasificación de enfermedades. Los experimentos se llevaron a cabo y se evaluaron en varios métricas de clasificación para ilustrar el rendimiento del enfoque propuesto. Los resultados del estudio revelaron que el método propuesto logró una precisión del 95% en términos de clasificación precisa de la tuberculosis y superó a otros métodos tradicionales de fusión en los datos multimodales de tuberculosis utilizados en este estudio.