Los sistemas de aprendizaje profundo (DL) han tenido un éxito notable en diversas aplicaciones, pero podrían presentar comportamientos críticos. Para identificar la debilidad de un modelo entrenado y superarla con nuevas colecciones de datos, es necesario descubrir los casos límite de un modelo entrenado. La construcción de nuevos conjuntos de datos para volver a entrenar un modelo de DL requiere un presupuesto y tiempo adicionales. Se han propuesto técnicas de priorización de entrada de prueba (TIP) para identificar los casos límite de manera más efectiva. El enfoque TIP de vanguardia adopta un método de monitoreo para TIP y prioriza según la impureza de Gini; se estima la similitud entre la probabilidad de predicción de un DL y la distribución uniforme. Esta carta propone un nuevo método TIP que utiliza una distancia entre los centroides de los grupos de predicciones falsas (FPC) en un conjunto de entrenamiento y una instancia de prueba en el espacio de características de la última capa para priorizar las instancias inductoras de errores entre un conjunto de pruebas no etiquetado. Nos referimos al método propuesto como DeepFPC. Nuestros experimentos numéricos muestran que el método DeepFPC propuesto logra un rendimiento de TIP significativamente mejorado en varias tareas de clasificación de imágenes y aprendizaje activo.