Los métodos de selección de características son esenciales para una clasificación precisa de enfermedades e identificación de biomarcadores informativos. Mientras que los métodos de teoría de la información han sido ampliamente utilizados, a menudo presentan limitaciones como altos costos computacionales. Nuestro método previamente propuesto, ClearF, aborda estos problemas utilizando el error de reconstrucción de incrustaciones de baja dimensionalidad como un proxy para el término de entropía en la información mutua. Sin embargo, ClearF todavía tiene limitaciones, incluida un proceso de selección de capa de cuello de botella no transparente, lo que puede resultar en una selección de características inestable. Para abordar estas limitaciones, proponemos ClearF++, que simplifica la selección de la capa de cuello de botella e incorpora agrupación de características para mejorar la detección de biomarcadores. Comparamos su rendimiento con otros métodos comúnmente utilizados como MultiSURF e IFS, así como ClearF, en múltiples conjuntos de datos de referencia. Nuestros resultados demuestran que ClearF++ supera consistentemente a estos métodos en términos de precisión de predicción y estabilidad, incluso con muestras limitadas. También observamos que el empleo del algoritmo de Agrupamiento Profundo Incrustado (DEC) para la agrupación de características mejora el rendimiento, lo que indica su idoneidad para manejar estructuras de datos complejas con muestras limitadas. ClearF++ ofrece un enfoque mejorado de priorización de biomarcadores con un rendimiento de predicción mejorado y una ejecución más rápida. Su estabilidad y efectividad con muestras limitadas lo hacen particularmente valioso para el análisis de datos biomédicos.