多任务多模态融合与表格基础模型，用于百日咳加强反应的峰值和持久性预测

百日咳加强疫苗接种产生的免疫反应在个体之间的峰值强度和长期持久性方面差异很大。这两个阶段由部分不同的生物区室控制：峰值反映了急性 B 细胞激活和抗体分泌，而持久性则反映了长期体液记忆的建立。然而，大多数计算模型仅针对一个目标，错过了完整的上升和下降轨迹。联合预测两者并非易事，因为这两个端点在生物学上是分离的而不是冗余的。样本很小，模式异构，存在结构化缺失，并且这两个任务依赖于不同的测量窗口。我们提出了一种多任务对比多模态融合架构，结合了冻结的 TabPFN-v2 每模态编码器、双标签监督对比损失，如果两个受试者同意任务 1 标签或任务 2 标签，则将其视为正对，根据经验缺失校准模态丢失，以及缺失掩蔽注意力融合。应用于 CMI-PB 百日咳加强免疫数据集的精选子集（n = 158 名受试者，四种模式，44.9% 至少缺少一种模式；Spearman r = -0.58，峰值和持久性之间，n = 96），该模型达到峰值响应的测试 AUROC 0.797（95% CI [0.621, 0.948]）和 0.755（95% CI） [0.519, 0.945]) 的耐久性，在联合标签排列下均显着（N = 1000；p = 0.002 和 p = 0.045）。在原始特征和 TabPFN 嵌入的逻辑回归、XGBoost 和 MLP 基线中，所提出的模型是唯一一个在两项任务上同时 95% CI 高于机会的模型。每个模态贡献分析恢复了与基础免疫学一致的任务特异性模态贡献：峰值预测由细胞因子特征进行，而持久性由基线抗体特征进行。