本研究提出了一种新的跨图像与图内原型学习框架（CIPL），旨在解决多标签疾病诊断中的挑战。该框架通过跨图像语义解开多个疾病的纠缠，提升模型对复杂病灶的理解，并引入两级对齐正则化策略以增强解释的稳健性和预测性能。实验结果表明，CIPL在多个疾病诊断数据集中达到了最先进的分类准确率。