심초음파 (Echocardiography)는 가장 널리 사용되는 비침습적 심장 영상 양식으로, 심혈관 진단을 위한 필수적인 정보를 제공합니다. 심초음파를 해석하려면 이상 징후를 식별하고 구조화된 임상 보고서를 생성하기 위해 여러 심장 뷰 (heart views)에 걸친 상호 보완적인 증거를 합성해야 합니다. 최근의 노력들이 분류 성능을 향상시키는 데 집중하고 있지만, 대부분의 모델은 명시적인 진단적 추론과 공간적으로 근거가 있는 해부학적 증거가 부족하여 임상의의 신뢰를 제한합니다. 우리는 심초음파 검사로부터 다중 레이블 질환 분류 (multi-label disease classification)와 보고서 생성을 공동으로 수행하는 다중 뷰 추론 가능 시각-언어 모델 (vision-language model)인 EchoSonar-R을 제시합니다. EchoSonar-R은 시공간 비디오 인코더 (spatiotemporal video encoder)와 구조 인식 심장 탐지기 (structure-aware cardiac detector)를 결합하여, 교차 뷰 추론 (cross-view reasoning) 과정에서 해석 가능성과 임상의의 신뢰를 높이기 위한 공간적으로 근거가 있는 해부학적 단서를 제공합니다. EchoSonar-R은 두 단계로 학습됩니다: 추론 주석이 달린 타겟에 대한 지도 미세 조정 (Supervised Fine-Tuning, SFT)이 수행된 후, 통합된 강화학습 (Reinforcement-Learning, RL) 프레임워크 내에서 분류와 보고서 생성을 공동으로 정렬하는 작업별 보상을 사용하는 그룹 상대 정책 최적화 (Group Relative Policy Optimization, GRPO)가 이어집니다. 비공개 다중 뷰 데이터셋과 두 개의 공개 벤치마크 전반에 걸쳐, EchoSonar-R은 가장 강력한 베이스라인 대비 비공개 데이터셋에서 매크로 균형 정확도 (macro balanced accuracy)를 17.1%, MIMICEchoQA에서 6.1% 향상시켰으며, 0.800의 GREEN 임상 충실도 (clinical faithfulness) 점수를 달성하고 다중 뷰 시각적 증거에 기반한 해석 가능한 추론 흔적을 생성합니다.