Les méthodes statistiques contemporaines ont le potentiel de changer la pratique médicale au sein même de nos blocs de radiologie interventionnelle. Ce travail pose quelques jalons pour l'avenir des interventions autonomes dans notre domaine spécifique avec pour fil conducteur la prise en charge des patients atteints de cancer.Nous explorons d'abord l'impact transformateur de l'IA sur les capacités physiques des radiologues interventionnels. A terme, l’autonomie au bloc passera par la robotisation et l’analyse d’images produites en direct. L’intégration de la vision au geste permettra d’avancer vers ce bloc autonome.Nous proposons ensuite une méthode de détection d’anomalies ne dépendant pas de l’organe exploré à partir d’une imagerie en coupe. En exploitant le cadre du Large Diffeomorphic Deformation Metric Mapping (LDDMM), cette approche met en valeur une reconstruction d'objet améliorée et une segmentation de la lésion. Dans le même cadre, nous proposons un classificateur, permettant d’établir une nouvelle lecture de la sélection des patients avant l’intervention.Afin d’aller au-delà des images, des données cliniques issues de l'analyse de l'ADN tumoral circulant sont intégrées dans une étude prospective spécifiquement menée pour ce travail. Des réseaux antagonistes génératifs (GAN) et des algorithmes d'approximation stochastique (MCMC-SAEM) sont utilisés pour prédire les trajectoires des patients. Cette approche permet d'explorer de nouvelles trajectoires, améliorant notre compréhension de la progression de la maladie et de la réponse au traitement en relation avec l'ADN tumoral circulant.Enfin, nous explorons des techniques de visualisation avancée pour l’anatomie vasculaire 3D in vivo et ex vivo. Nous proposons une représentation planaire de l'anatomie, offrant des possibilités en termes de navigation et de classification de l’arbre vasculaire.Ensemble, ces sections offrent des solutions à certains défis menant vers la réalisation d'interventions autonomes guidées par l’image.